مدل‌سازی معکوس سه‌بُعدی مدل‌های گرانی با استفاده از الگوریتم کلونی مورچه‌‌ها

نوع مقاله: مقاله تحقیقی‌ (پژوهشی‌)

نویسندگان

چکیده

هدف از این پژوهش،مدل‌سازی معکوس سه‌بُعدی بی‌هنجاری­های گرانی به‌منظور دستیابی به مدل چگالی در مقاطععمقیمتفاوت است.در این تحقیق، از روش جدیدی بر مبنای روش­های تصادفیدر حل مسائل بهینه­سازی معکوس در ژئوفیزیک استفاده شده است. الگوریتم­های تکاملی از جمله روش­های تصادفی­ای هستندکه می­توان به کار گرفت. الگوریتم کلونی مورچگان از این دسته الگوریتم‌‌ها است، که از رفتار مورچه­ها در طبیعت، برای یافتن کوتاه‌ترین مسیر از لانه تا غذا الهام گرفته است. با تعمیم این رفتار مورچه­ها به مسئله‌های معکوس در ژئوفیزیک، به‌منظور یافتن مدلی که به بهترین وجه به داده­های مشاهده­ای برازش داده شده باشد، می­توان از این الگوریتم استفاده کرد. برای پیاده­سازیاینالگوریتمبرنامهایبهزبانمَت‌لَب(MATLAB)نوشتهشدهاست. به‌منظور بررسی کارایی روش، سه مدل­ مصنوعی متفاوت مورد آزمایش قرار گرفت. ساختار مدل­هایمصنوعی موردنظربه‌‌صورتترکیبیازمکعبهایسه‌بُعدیدرنظرگرفتهشده است، تابتوانهرساختارنامشخصهندسیرابااستفادهازآنمدلکرد. در مثال اول، هدف، بررسی بی‌هنجاری حاصل از دو مدل ساده با تباین چگالی­ متفاوت است که در عمق­های متفاوتی قرار دارند. در مثال دوم، به‌منظور ارزیابی توانایی الگوریتم در معکوس­سازی بی‌هنجاری­هایی با مقادیر کوچک، مدلی با هندسه پلکانی در عمق­های گوناگون با تباین چگالی ثابت مورد آزمایش قرار گرفت. درنهایت در مثال سوم، به بررسی بی‌هنجاری حاصل از دو مدل با هندسه پیچیده  Tو  Lو تباین چگالی متفاوت پرداخته شده است. اینروشبرایمدل­هایمصنوعیبدون نوفه‌‌‌‌‌ و با نوفه‌‌‌‌‌  5%  آزمایششد. نتایج به‌دست آمده نشان داد که با استفاده از الگوریتم کلونی مورچگان می­توان بی‌هنجاری حاصل از مدل­هایی با هندسه پیچیده و جهت‌دار را به‌خوبی مدل‌سازی کرد و همچنین این روش برای ترکیبی از مدل­ها با تباین چگالی­ گوناگون که در عمق­های متفاوتی قرار گرفته‌اند نیز، قابل استفاده است. علاوه‌بر‌این، این الگوریتم توانایی معکوس­سازی بی‌هنجاری­هایی در حدود MGAL را دارد.

کلیدواژه‌ها


عنوان مقاله [English]

Inverse modeling of three-dimensional gravity models using the ant colony optimization algorithm

نویسندگان [English]

  • Mitra Mohamadzade
  • Mohamad Ali Sharifi
  • Vahid Ebrahim zade Ardestani
  • Abdolreza Safari
  • Amin Baghani
چکیده [English]

The objective of this study is the 3D modeling inversion of gravity anomalies in order to obtain a density model in different depth sections. We used a new method based on stochastic methods. Among the stochastic methods that can be applied for solving inverse optimization problems in geophysics are meta-heuristic algorithms which are based on artificial intelligence. The ant colony algorithm is categorized in this group of algorithms. It works on the basis of probability and trial and error and follows ants' behavior in finding the shortest distance between the nest and the food. This behavior of ants is closely similar to the inverse problems in geophysics which try to find the best solution for the unknowns in observation model. Therefore, this idea is applied for solving linear inverse problems. A MATLAB-based inversion code for the presented method was prepared. To examine the performance of this method, three different artificial models were assayed. The structure of these models was considered as a combination of 3-dimentional cubes so as to model every unknown geometrical structure. In the first example, our purpose was to investigate interferential anomalies resulting from two simple models with different density contrasts located in different depths. In the second example, to show the ability of the algorithm in an inversion using small anomalies, a model of an irregular geometry was assessed in different depths. Finally, in the third example, an interferential anomaly resulting from two models of complicated geometry, namely T and L and of different density contrasts was assessed. This method was applied for artificial models with and without noise. The results show that for an inversion by the use of the ant colony algorithm, there is no need to separate the interferential anomaly and it is possible to use it for a combination of density contrasts. Also, this algorithm is able to inverse anomalies of an order of MGAL.
    These anomalies belong to very small causative bodies such as: cavities and small ore-bodies. These anomalies are the main object of enviromental or engineering geophysics.
    The algorithm is semi-authomatic and search the best results without comprehensive pre-conditions. The method is well designed to consider the multiple anomalies in complex conditions. This character enables us to use it for interpretation of complex anomalies caused by geological sources where most of the  semi-authomatic methods are useless.
    On the other hand, the inversion algorithm can be applied for different density contrasts. Relative positive or negative anomalies could be obtained by applying this method. This means that all different anomalies regarding their density contrasts can be detected and modelled through this method. Therefore we are not forced to isolate the object anomalies for inversion and this makes its application fast and easy for the whole surface of the Bougure residual anomalies. This character is very rarely obtainable in the published inversion algorithms. This character is particularly helpful when we would like to invert the precise data in the case of engineering geophysics.
    Another advantage of this method is its velocity due to its usage of probability and trial and error theory. This advantage is very important when we are facing with a large set of data and parameters to  invert. The high number of parameters is a major problem in linear inversion methods, but can be treated by this method very properly.

کلیدواژه‌ها [English]

  • Ant Colony Algorithm
  • modeling inversion
  • artificial model
  • gravity data

تقوی‌فرد، م. ت.، آریانژاد، م. ق.، و خلیلی دامغانی، ک.،  1387، بهینه‌سازی توسط کلونی مورچگان، پایان‌نامه کارشناسی ارشد،  دانشگاه آزاد اسلامی-واحد علوم و تحقیقات.

عابدی، م .، افشار، ا.، ابراهیم زاده اردستانی، و.، نوروزی، غ.، و  لوکس، ک.، 1388، مدل‌‌سازی سه‌‌بُعدی  بی‌هنجاری­های گرانی با استفاده از روش  شبکه­های عصبی تحمیلی: مجله ژئوفیزیک ایران، 3(2)، 77-90.

Barbosa,V. C. F., and Joao,B., 1994, Generalized compact gravity inversion: Geophysics, 59, 57-68.

Blakely, R. J., 1995, Potential Theory in Gravity and Magnetic Application:  Cambridge University Press.

Dorigo, M., Birattari, M., and Stutzle, T., 2006. Ant colony optimization: Computational Intelligence Magazine, IEEE, 28–39.

Dorigo, M., and Blum, C., 2005, Ant colony optimization theory: A survey: Theoretical Computer Science, 344, 243–278.

Dorigo, M., and Di Caro, G., 1999, Ant colony optimization: a new meta-heuristic. In P. J. Angeline, Z. Michalewicz, M. Schoenauer, X. Yao, & A. Zalzala (Eds.), Proceedings of the 1999 Congress on Evolutionary Computation (CEC’99) 1470–1477. Piscataway, NJ, IEEE Press

Dorigo, M., Stützle, T., 2002, The ant colony optimization metaheuristic: Algorithms, applications and advances. In F. Glover & G. Kochenberger (Eds.), Handbook of Metaheuristics, vol. 57 of International Series in Operations Research & Management Science (pp. 251–285). Norwell, MA, Kluwer Academic Publishers.

Jackson, D.D., 1979, The use of priori data to resolve non-uniqueness in linear inversion. Geophy. J. Roy. Asrt. Soc., 57, 137-157.

Menke, W., 2012, Geophysical Data Analysis: Discrete Inverse Theory: 3rd ed,. Academic Press.

Montesinos, F. G., Arnoso, J., and Vieira, R., 2005. Using a genetic algorithm for 3D inversion of gravity data in Fuerteventura (Canary Islands): International Journal of Earth Sciences, 92, 301-316.

Ning, Q., and Al, e., 2009, Gravity Data Inversion Based Genetic Algorithm and Generalized Least Squares. IEEE.

Plouff, D., 1976, Gravity and magnetic-fielde of polygonal prisms and application to magnetic terrain corrections: Geophysics, 41, 727-741.

Rama Rao, P., Swamy, K. V., and Radhakrishna Murthy, I., 1999, Inversion of gravity anomalies of three-dimensional density interfaces: Computers & Geosciences, 25, 887-896.

Sanyi, Y., Nan, T., Ye, Ch., Huafeng, L., and Zhipeng, L., 2008, Nonlinear Geophysical Inversion Based on ACO with Hybrid Techniques. Fourth International Conference on Natural Computation IEEE.

Sanyi, Y., Shangxu, W., and Nan, T., 2009. Swarm intelligence optimization and its application ingeophysical data inversion. Applied Geophysics, 6, 166-174.

Snopek, K., 2005, Inversion of Gravity Data with Application to Density Modeling of the Hellenic Subduction Zone: PhD Thesis, Department of Geosciences at the Ruhr University.