مدل‌سازی هندسه سنگ بستر با استفاده از داده‌های گرانی‌سنجی و الگوریتم کلونی مورچگان

نوع مقاله: مقاله تحقیقی‌ (پژوهشی‌)

نویسندگان

1 دانشجوی دکتری مهندسی معدن؛ دانشکده‌ مهندسی معدن، نفت و ژئوفیزیک، دانشگاه صنعتی شاهرود

2 دانشیار؛ دانشکده‌ مهندسی معدن، نفت و ژئوفیزیک، دانشگاه صنعتی شاهرود

3 کارشناس ارشد چینه‌شناسی، مدیریت اکتشاف نفت، تهران

چکیده

تعیین عمق و هندسه سنگ بسترهای مدفون در حوضه­های رسوبی از اهداف راهبردی بسیاری از پروژه­های اکتشافی به‌ویژه آب­های زیرزمینی و ذخایر هیدروکربوری است. تحقیق پیشِ رو با هدف مدل­سازی دو­بعدی ضخامت رسوبات یک حوضه رسوبی با استفاده از وارون­سازی داده­های گرانی­سنجی انجام شده است. در این پژوهش، طراحی و اجرای الگوریتم کلونی مورچگان به‌عنوان ابزاری توانمند برای مدل­سازی غیر­خطی دو­بعدی داده­های گرانی در دو مرحله مجزا بررسی شد. این الگوریتم جایگزینی برای روش­های جستجوی محلی پاسخ از قبیل مارکوارت- لونبرگ و گاوس- نیوتن است. در مرحله نخست، درستی­سنجی الگوریتم با داده­های تولیدی از یک مدل مصنوعی راستی­آزمایی شد. به­این­منظور، کارایی روش پیشنهادی در دو حالت بدون نوفه و همراه با نوفه سفید گاوسی تا ده درصد بررسی شد. نتایج مدل­سازی همخوانی قابل قبولی با مدل اولیه حتی در حالت داده­های آلوده به ده درصد نوفه سفید گاوسی نشان داد به­گونه‌ای که در مدل­سازی با هشت و ده درصد نوفه هم، ریشه میانگین مربع خطا برای داده­های تولیدی با داده اولیه از 64/1 میلی­گال و مدل به‌دست­آمده با مدل اولیه از 4/131 متر فراتر نرفت. این نتایج گویای پایداری مناسب آن در برابر نوفه­های سفید گاوسی با دامنه­های به‌نسبت زیاد است. در مرحله دوم، وارون­سازی داده­های واقعی گرانی­سنجی در حوضه رسوبی مغان انجام شد. در این مرحله نیز مقایسه نتایج الگوریتم کلونی مورچگان با نتایج مطالعات پیشین ازجمله مدل­سازی داده­های گرانی با الگوریتم مارکوارت- لونبرگ و نتایج لرزه‌نگاری، گویای عملکرد مناسب روش پیشنهادی بود.

کلیدواژه‌ها

موضوعات


عنوان مقاله [English]

Basement relief modeling by gravity inversion via Ant Colony Algorithm

نویسندگان [English]

  • amir joolaei 1
  • Alireza Arabamiri 2
  • ali Nejati Kalate 2
  • farzin farzaneh 3
1 PhD Students, School of Mining, Petroleum and Geophysics, Shahrood University of Technology, Shahrood, Iran
2 Associate Professor, School of Mining, Petroleum and Geophysics, Shahrood University of Technology, Shahrood, Iran
3 M.Sc, Stratigraphy Department , Exploration Directorate, National Iranian Oil Company, Tehran, Iran
چکیده [English]

Inversion of basement relief of sedimentary basins is an important application among the non-linear modeling techniques. Particularly in sedimentary basins with hydrocarbon source potential, the thickness of sediments is one of the primary factors in determining the thermal maturation of these basins. Gravity methods have been vastly used to estimate the base of sedimentary basins. The aim of this research is two-dimensional modeling of the basement geometry of a sedimentary basin using the inversion of the gravimetry data. A common way to approach this problem is discretizing the basin using polygons (or other geometries), and solving the non-linear inverse problem by local optimization iteratively. This procedure provides a solution which highly depends on the initial model and the used prior information. Besides, due to the non-linearity of this inverse problem, local optimization methods will fail whenever there is no reliable initial model. The global optimization method is a promising alternative to classical inversion methods because the quality of their solutions does not depend on the initial model. Also, they do not use the derivatives of the objective function.
    Ant colony algorithm (ACO) is one of the kinds of important swarm intelligence algorithms which have been successfully applied in many fields such as inversion of geophysical data. This research, in two separate stages, investigates the design and implementation of the ACO as a powerful tool for two-dimensional non-linear modeling of gravity data. ACO can be a substitution for the local response methods such as Marquardt-Levenberg and Gauss-Newton. To apply this algorithm in the problem under consideration, it was validated with the data obtained from a synthetic model and then, reverse modeling of the real data was performed. For evaluating the validation of this developed algorithm, it was tested by the synthetic model. Data from the synthetic models were modeled by using the developed algorithm, and acceptable results were obtained. By using this approach, the topography of the basement in the synthetic model was obtained with acceptable accuracy.
    In this study, the effect of ACO algorithm on different values of probable noises was investigated. The results indicate that this algorithm is suitably stable against the Gaussian white noise with relatively high amplitudes. In modeling for high noise percentage, the root mean square error of the data calculated with the original data didn't exceed 1.64 mGal and that obtained with the original model at most was 131.4 m. The results of modeling show acceptable agreement with the original model even in the case of data contaminated with 10% Gaussian white noise.
    The reliability of the proposed method to the inversion of a real gravity data was confirmed by applying it on a real gravity profile in the Moghan sedimentary basin. The results of this modeling are compatible with previously published works in this area.
 

کلیدواژه‌ها [English]

  • : Gravimetry
  • thickness of sediments
  • Nonlinear gravity inversion
  • global optimization
  • Ant Colony Algorithm
  • Moghan Basin Sedimentary
شرکت ملی نفت ایران، 1381، گزارش تفسیر داده­های ژئوفیزیکی مغان.
فتاحی، پ.، 1390، الگوریتم­های فراابتکاری، چاپ دوم: انتشارات دانشگاه بوعلی سینا، همدان.
محمد­زاده شادمهری، م.، شریفی، م. ع.، ابراهیم زاده اردستانی، و.، صفری، ع. ا. و باغانی، ا.، 1394، استفاده از الگوریتم کلونی مورچگان جهت مدل­سازی وارون داده­های ثقل­سنجی: نشریه علمی- پژوهشی علوم و فنون نقشه­برداری، 4(4)، 193-208.
نجاتی کلاته، ع.، ابراهیم زاده اردستانی، و.، شاهین، ا.، متولی عنبران، س. ه.، قمی، ش. و جوان، ا.، 13٨٨، مدل‌سازی وارون دو­بعدی غیر­خطی داده­های گرانی­سنجی ناحیه مغان با استفاده از روش مارکوارت- لونبرگ: مجله علوم زمین، 19(74)، 13-20.
 
Balkaya, Ç., Ekinci, Y. L., Göktürkler, G., and Turan, S., 2017, 3D non-linear inversion of magnetic anomalies caused by prismatic bodies using differential evolution algorithm: Journal of Applied Geophysics, 136, 372-386.
Barbosa, V. C. F., & Silva, J. B. 1994. Generalized compact gravity inversion. Geophysics, 59(1), 57-68.
Barbosa, V.C.F., Silva, J.B.C., and Medeiros, W.E., 1997. Gravity inversion of basement relief using approximate equality constraints on depths. Geophysics 62 (6), 1745–1757.
Barbosa, V.C.F., and Silva, J.B.C., 2011, Reconstruction of geologic bodies in depth associated with a sedimentary basin using gravity and magnetic data. Geophysical Prospecting 59(6): 1021-1034.
Blum, C., and Roli, A., 2003, Metaheuristics in combinatorial optimization: Overview and conceptual comparison: ACM Computing Surveys (CSUR), 35(3), 268-308.
Boschetti, F., Mike, D., and Ron, L., 1997, Inversion of potential field data by genetic algorithms: Geophysical Prospecting, 45(3), 461-478.
Bott, M. H. P., 1960, The use of rapid digital computing methods for direct gravity interpretation of sedimentary basins: Geophysical Journal of the Royal Astronomical Society, 3(1), 63-67.
Chakravarthi, V., 1995, Gravity interpretation of non-outcropping sedimentary basins in which the density contrast decreases parabolically with depth: Pure and Applied Geophysics, 145(2), 327–335.
Dorigo, M., Maniezzo, V., and Colorni, A., 1991, The ant system: An autocatalytic optimizing process: Technical Report 91-016 Revised, Dipartimento di Elettronica, Politecnico di Milano, Milano, Italy.
Dorigo, M., 1992, Optimization, learning and natural algorithms: Ph. D. thesis, Politecnico di Milano, Italy.
Dorigo, M., and Di Caro, G., 1999, Ant colony optimization: a new meta-heuristic: Proceedings of the 1999 Congress on Evolutionary Computation-CEC99, 2, IEEE.
Dorigo, M., and Stützle, T., 2019, Ant colony optimization: overview and recent advances: in Handbook of Metaheuristics (pp. 311-351), Springer, Cham.
Jamasb, A., Motavalli Anbaran, S. H., and Zeyen, H., 2017, Non-linear stochastic inversion of gravity data via quantum behaved particle swarm optimization: application to Eurasia–Arabia collision zone (Zagros, Iran): Geophysical Prospecting, 65, 274-294.
Kearey, P., Brooks, M., and Hill, I., 2013, An Introduction to Geophysical Exploration: John Wiley & Sons.
Liu, S., Hu, X., and Liu, T., 2014, A stochastic inversion method for potential field data: ant colony optimization: Pure and Applied Geophysics, 171(7), 1531-1555.
Pallero, J. L. G., Fernández-Martínez, J. L., Bonvalot, S., and Fudym, O., 2015, Gravity inversion and uncertainty assessment of basement relief via particle swarm optimization: Journal of Applied Geophysics, 116, 180-191.
Pallero, J., Fernández-Muñiz, M., Cernea, A., Álvarez-Machancoses, Ó., Pedruelo-González, L., Bonvalot, S., and Fernández-Martínez, J., 2018, Particle swarm optimization and uncertainty assessment in inverse problems: Sheriff, R. E., & Sheriff, R. E. (1990). Applied geophysics. Cambridge university press.Entropy, 20(2), 96.
Sen, M. K., and Stoffa, P. L., 2013, Global Optimization Methods in Geophysical Inversion: Cambridge University Press.
Silva, J. B. C., Costa, D. C. L., and Barbosa, V. C. F., 2006, Gravity inversion of basement relief and estimation of density contrast variation with depth: Geophysics, 71(5), J51–J58.
Silva, J. B. C., Santos, D. F., and Gomes, K. P., 2014, Fast gravity inversion of basement relief: Geophysics, 79(5), G79-G91.
Talbi, E. G., 2009, Metaheuristics: from design to implementation, 74: John Wiley & Sons.
Talwani, M., & Ewing, M. 1960. Rapid computation of gravitational attraction of three-dimensional bodies of arbitrary shape. Geophysics, 25(1), 203-225.
Telford, W. M., Telford, W. M., Geldart, L. P.,
Journal of Geophysical Research, 64(1), 49-59.
Zhdanov, M. S., 2002, Geophysical Inverse Theory and Regularization Problems, 36: Elsevier.