وارون سازی توامان سه‏ بعدی داده های گرانی و مغناطیس با استفاده از قید گرامیان و پایدارکننده نُرم یک
عنوان دوره: نوزدهمین کنفرانس ژئوفیزیک ایران
نویسندگان
1موسسه ژئوفیزیک دانشگاه تهران، تهران، ایران،علوم زمین
2موسسه ژئوفیزیک دانشگاه تهران، تهران، ایران، علوم زمین
3دانشگاه علوم زمین ووهانگ چین
چکیده
مساله وارون‏ سازی داده‏ های میدان پتانسیل، گرانی سنجی و مغناطیس سنجی، دارای عدم یکتایی بالایی است. یکی از روش‏ های موثر برای کاهش عدم یکتایی مساله، وارون‏ سازی توامان این داده‏ ها می‏ باشد. این بدان مفهوم است که داده‏ های مختلف به طور همزمان در یک الگوریتم وارون‏ سازی وارد شده، سپس، با توجه به وابستگی مستقیم و یا غیر مستقیم بین پارامترهای مدل‏ های مختلف، الگوریتم با محدود کردن فضای مدل به سمت حصول نتایجی رود که داده‏ ها و نیز ارتباط بین پارامترهای مدل را مورد نظر قرار داده باشد. در تحقیق حاضر وارون‏ سازی توامان داده‏ های گرانی و مغناطیس با استفاده از قیدگرامیان مورد نظر است. قید گرامیان بر اساس کمینه‏ کردن دترمینان ماتریس گرام یک سیستم از پارامترهای مدل مختلف می‏ باشد. کاربرد قید گرامیان ارتباطی خطی بین پارامترهای مدل‏ های مختلف، و یا تبدیلات این پارامترها، برقرار می‏ سازد. در واقع در وارون‏ سازی توامان با استفاده از قید گرامیان نیازی به ورود اطلاعات اولیه در مورد همبستگی بین پارامترهای مدل‏ های مختلف وجود ندارد بلکه این همبستگی در طی فرآیند وارون سازی فراهم می شود که یک مزیت مهم برای این روش است. همچنین به منظور حصول مدل‏ های تُنک با مرزهای شارپ و گسسته، پایدارکننده نرم 1 در الگوریتم حاضر مورد استفاده قرار گرفته است. الگوریتم وارون ‏سازی توامان بر روی مدل‏ های مصنوعی و یک نمونه داده واقعی به کار رفته است.
کلیدواژه ها
 
Title
3D Joint Inversion of Gravity and Magnetic Data Using Gramian Constraint and L1-norm stabilizer
Authors
Mostafa Gharloghi, saeed vatankhah, Shuang Liu
Abstract
The inversion of potential field data, gravity and magnetic, is a non-unique problem. One efficient approach to reduce the non-uniqueness of the problem is based on joint inversion of multiple data sets. This means that different types of data are simultaneously inserted into an inversion algorithm and, then, by relying on direct or indirect parameter interdependence, joint inversion can restrict the model space and produce results that satisfy the data sets and cross-linked characteristics of the model parameters. Here, we apply the joint inversion of gravity and magnetic data using Gramian constraints, which are based on the minimization of the determinant of the Gram matrix of a system of different model parameters. Application of the Gramian constraint in the joint inversion algorithm enforces the linear relationships between the different model parameters, and/or their transforms. In fact, the joint inversion using Gramian constraints does not require a priori knowledge of the correlation between different model parameters, and instead provides this correlation during the inversion process, which is an important advantage for the algorithm. Further, to produce sparse models with sharp boundaries, the L1-norm stabilizer is used in the presented algorithm. We applied the joint inversion algorithm on synthetic models and real data case.
Keywords
Joint Inversion, Gramian Constraint, Gravity, Magnetic