تعیین موفولوژی سنگ کف آبخوان با استفاده از کریجینگ بیزین تجربی

عنوان دوره: نوزدهمین کنفرانس ژئوفیزیک ایران
کد مقاله : 1702-NIGS
نویسندگان
1گروه مهندسی معدن، دانشکده صنعت و معدن خاش، دانشگاه سیستان و بلوجستان. زاهدان، ایران
2گروه مهندسی معدن، دانشکده صنعت و معدن خاش، دانشگاه سیستان و بلوچستان، زاهدان، ایران
چکیده
تعیین دقیق پارامترهای فیزیکی یک آبخوان تاثیر بسزایی در مدل‌سازی آن دارد. یکی از این پارامترها ، سنگ کف آبخوان است که بواسطه لاگ‌های حفاری، چاه‌های مشاهداتی و مطالعات ژئوفیزیک تعیین میشود. عدم قطعیت بالا در داده‌های ژئوفیزیک موجب افزایش عدم قطعیت در تعیین عمق دقیق سنگ کف خواهد شد. در مطالعه حاضر، برای تعمیم اطلاعات پیرامون عمق سنگ کف از مدل درون‌یابی کریجینگ بیزین تجربی استفاده گردید و نتایج به محدوده آبخوان تعمیم داده شد. صحت مدل استفاده شده با استفاده از صحت سنجی متقاطع، و دقت آن با استفاده از ریشه میانگین مربعات خطا(RMSE)، خطای میانگین (ME) و ضریب تطابق (R) بررسی گردید. نتایج بدست آمده نشان دهنده صحت و دقت بسیار بالای مدل است. چنانکه ریشه مربعات خطا، خطای میانگین و ضریب تطابق مدل استفاده شده به ترتیب برابر با 0067/0، 0013/0 و 99/0 گردید.
کلیدواژه ها
 
Title
Determining the Aquifer Bedrock Morphology, Applying the Empirical Bayesian Kriging (EBK)
Authors
Alireza Docheshmeh Gorgij, Mohsen Jami, Gholamhasan Kakha
Abstract
Precise determining of the physical parameters for an aquifer has a crucial effect on modelling process. One of these parameters is the aquifer bedrock which determined by borehole logging, observation wells and geophysics data. The higher uncertainty of geophysics data, will cause the higher uncertainty on bedrock depth evaluation. Empirical Bayesian Kriging, in present study, was applied to generalize the current data to the whole domain of the aquifer. The validity of model was evaluated by cross validation method and its accuracy was assessed by RMSE, ME and R coefficient. Derived results showed the high accuracy and the validity of model. As the RMSE, ME and R of applied model are 0.0067, 0.0013 and 0.99, respectively.
Keywords
Geophysics, Empirical Bayesian Kriging, Bedrock, Aquifer, Cross validation, Uncertainty