مدلسازی وارون غیر خطی دادههای گرانی سنگ بستر با استفاده از الگوریتم رقابت استعماری
سال انتشار: 1399
نوع سند: مقاله ژورنالی
زبان: انگلیسی
مشاهده: 278
فایل این مقاله در 13 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_JRAG-6-2_003
تاریخ نمایه سازی: 15 آذر 1399
چکیده مقاله:
اامروزه با استفاده از وارونسازی دادههای میدان پتانسیل از قبیل دادههای گرانیسنجی و مغناطیس-سنجی، میتوان مدل هندسی تودههای زیر سطحی و یا ضخامت رسوبات را بازسازی نمود. تحقیق پیشرو با هدف مدلسازی دوبعدی هندسه سنگ بستر یک حوضه رسوبی با استفاده از وارونسازی دادههای گرانیسنجی بوسیله الگوریتم رقابت استعماری به انجام رسید. از مدل جمع دو بعدی منشورها به عنوان مدل ریاضی هندسی مدلسازی دادههای گرانی استفاده شد. در این تحقیق، امکان کاربرد الگوریتم جستجوی عمومی رقابت استعماری به عنوان جایگزینی به جای روشهای فعلی جستجوی پاسخ در مدلسازی غیرخطی سنگ بستر دادههای گرانی استفاده شد. این الگوریتم که در حدود یک دهه پیش معرفی شده است؛ در همین مدت کوتاه بر روی مسائل بهینهسازی در زمینه های گوناگون، به صورت موفقیت آمیز پیاده سازی و اجرا شده است. در این تحقیق، طراحی و پیادهسازی الگوریتم در دو مرحله اعتبارسنجی شد. نخست صحت سنجی الگوریتم بر روی دادههای تولیدی از یک مدل مصنوعی مورد راستی آزمایی واقع شد. بدین منظور کارایی روش پیشنهادی در دو حالت بدون نوفه و همراه با نوفه مورد بررسی قرار گرفت؛ که نتایج مدلسازی تطابق قابل قبولی با مدل اولیه حتی در حالت دادههای آلوده به نوفه نشان داد و در مرحله بعد مدلسازی معکوس دادههای واقعی انجام شد و در این بخش نیز نتایج نشانگر عملکرد مناسب الگوریتم طراحی شده بود. همچنین در این تحقیق میزان تاثیرپذیری این الگوریتم در برابر میزان نوفههای معمول احتمالی مورد بررسی قرار گرفت و پایداری مناسب این الگوریتم در برابر نوفههای سفید گاوسی با دامنههای نسبتا بالا به اثبات رسید.
کلیدواژه ها:
نویسندگان
امیر جولایی
دانشجوی دکتری مهندسی معدن، دانشکده مهندسی
علیرضا عرب امیری
دانشیار، دانشکده مهندسی معدن، نفت و ژئوفیزیک،
علی نجاتی کلاته
دانشیار، دانشکده مهندسی معدن، نفت و ژئوفیزیک،
مراجع و منابع این مقاله:
لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :