پیوندهای مفید
اخبار و اعلانات
آمار
| تعداد نشریات | 158 |
| تعداد شماره‌ها | 6,225 |
| تعداد مقالات | 67,685 |
| تعداد مشاهده مقاله | 114,991,873 |
| تعداد دریافت فایل اصل مقاله | 89,660,842 |
آنالیز معکوس برداشت‌های مغناطیسی بهمنظور یافتن بیهنجاریهای محلی با استفاده از الگوریتم ژنتیک | ||
| فیزیک زمین و فضا | ||
| مقاله 10، دوره 40، شماره 2، تیر 1393، صفحه 125-138 اصل مقاله (592.07 K) | ||
| شناسه دیجیتال (DOI): 10.22059/jesphys.2014.50638 | ||
| نویسندگان | ||
| حسین ایزدی* 1؛ غلامرضا نوروزی2؛ بیژن روشن روان3؛ سیما شکیبا4 | ||
| 1گروه مهندسی اکتشاف نفت، دانشکده مهندسی معدن، پردیس دانشکده‌های فنی دانشگاه تهران | ||
| 2گروه مهندسی معدن، دانشکده مهندسی، دانشگاه بیرجند | ||
| 3گروه مهندسی اکتشاف معدن، دانشکده مهندسی معدن، دانشگاه صنعتی اصفهان | ||
| 4گروه مهندسی اکتشاف معدن، دانشکده مهندسی معدن، پردیس دانشکده‌های فنی دانشگاه تهران | ||
| چکیده | ||
| روشهای ژئوفیزیکی، نقش مهمی در اکتشاف منابع زیرزمینی به‌ویژه اکتشاف کانیهای فلزی و غیرفلزی، مخازن هیدروکربوری، آبهای زیرزمینی و تحقیقات زمینشناسی و مهندسی بر عهده دارند. روشهای مغناطیسسنجی از جمله روشهای ژئوفیزیکی هستند که کاربرد عمدهای در یافتن بیهنجاریهای مغناطیسی حاصل از کانیهای فلزی، به‌ویژه کانسارهای آهن دارند. در بررسی دادههای مغناطیسسنجی، یکی از اهداف عمده، تفکیک بیهنجاریهای مغناطیسی در مقیاسهای گوناگون، به‌ویژه تفکیک بیهنجاریهای محلی از بیهنجاریهای ناحیهای است. بدین منظور، میتوان بیهنجاری ناحیهای را درحکم یک صفحه در نظر گرفت و با مقایسه مقادیر اندازهگیری شده روی زمین و مقادیر شبیهسازی شده از صفحه، بیهنجاریهای محلی را تفکیک کرد. تعیین معادله بهترین صفحهای که بتواند بر بیهنجاریهای ناحیهای برازش داده شود، نقش بسیار مهمی در تعیین بیهنجاریهای محلی دارد. بهمنظور برازش بهتر صفحه به بیهنجاریهای ناحیهای، میتوان از روشهای معکوس استفاده کرد، زیرا این روشها نسبت به روشهای سنتی نیاز به زمان کمتری دارند و جواب نهایی نیز دقت بیشتری دارد. روشهای معکوس مبتنی بر بهینهسازی، در مدلسازی و بررسی تابع‌های غیرخطی کاربرد ویژهای دارد و با توجه به پیشرفت علوم رایانه، روشهای بهینهسازی پیشرفتهای با الهام‌گیری از فرایند طبیعی طراحی شدهاند که کاربرد گستردهتری دارند. در این مقاله، از روش آنالیز معکوس مبتنی بر الگوریتم ژنتیک بهمنظور کمینهسازی تابع هدف استفاده شده است. تابع هدف به‌صورت معادله صفحه درجه دومK=│A×x2+B×y2+C×x×y+D×x+E×y+F-z│ است که بهینه کردن ضرایب ، ، ، ، و موضوع مورد بررسی مقاله حاضر است. نتایج به‌دست آمده، نشاندهنده تفکیک صحیح بیهنجاریهای ناحیهای از بیهنجاریهای کلی است و نتایج بسیار امیدبخشی در شناسایی بیهنجاریهای محلی و پیشنهاد نقاط مناسب بهمنظور عملیات حفاری، حاصل شده است. | ||
| کلیدواژه‌ها | ||
| آنالیز معکوس؛ بیهنجاری مغناطیسی محلی؛ الگوریتم ژنتیک؛ کمینهسازی | ||
| عنوان مقاله [English] | ||
| Inverse analysis of geomagnetic investigations for local anomaly detection using genetic algorithm | ||
| نویسندگان [English] | ||
| H. Izadi1؛ GH. Nowrouzi2؛ B. Roshan Ravan3؛ S. Shakiba4 | ||
| چکیده [English] | ||
| One of the most important goals in geomagnetic investigations is detecting local anomaly locations. Regional anomaly can be simulating as a trend surface, and local anomalies will be detected by comparison of measured data and simulated trend surface. The problem is trying to find best coefficients of trend surface model using inverse methods based on modern optimization techniques, which are faster and more accurate than common methods. The main idea of inverse method based on modern optimization approach is to search for a model, which gives its predicted values that are as close as possible to the observed ones. Extensive advances in computational techniques allowed researchers to develop new search strategies for use in optimization problems. Genetic Algorithm is one of the evolutionary optimization algorithms, based on the population of chromosomes, which is widely used in engineering optimization problems. Evolutionary algorithms are developed based on swarm intelligence and social behavior of individuals in nature. Besides, the populations in evolutionary algorithms called agents affected by neighbor agents and the best agent. At the end, optimum solution will be specified with respect to optimize objective function. In this paper, genetic algorithm is used for minimizing the differences between real and simulated data. In order to study geomagnetic anomaly, first, forward model should be developed and then, using inverse method based on GA, regional anomaly trend surface will be simulated. The objective function is define as , where, and are positions of the field study locations that are measured by GPS and is the magnetic value of the positions. Also, A, B, C, D, E and F are unknown coefficients that will be determined using inverse method. According to the objective function, a two-dimensional equation is proposed for simulating regional anomaly trend surface. Two-dimensional equations are better than one-dimensional and three-dimensional or higher dimensional equations. One-dimensional equations do not guarantee to cover all aspects of data. Besides, three or higher dimensional equations are also not recommended for modeling data; because, over fitting to the data may be occurred. Therefore, the two-dimensional equation is the best model for simulating the regional anomaly trend surface. It is important to note that the optimization technique will usually perform well in nonlinear forward models. The unknown coefficients of trend surface on regional magnetic anomaly in Doroh area in southeast of Iran were optimized using inverse analysis, and finally the local anomalies were detected. In order to find locations of local geomagnetic anomalies, total anomaly trend is subtracted from regional anomaly trend and then, the potential locations for drilling investigation are recognized. Our experimental results demonstrate very promising results of the optimization technique for solving inverse problems using GA for detecting local geomagnetic anomaly trend surface, which is validating through drilling investigations. Besides, upward and reduce to pole filters and combination of them, which are common filters for detecting local geomagnetic anomaly locations, are used for conformation our results. | ||
| کلیدواژه‌ها [English] | ||
| Inverse analysis, Local magnetic anomaly, Genetic algorithm, Minimization | ||
|
آمار تعداد مشاهده مقاله: 2,864 تعداد دریافت فایل اصل مقاله: 1,605 |
||