بهبود وارون سازی دوبعدی داده های مگنتوتلوریک با استفاده از روش های خودکار انتخاب پارامتر منظم سازی

تولید یک مدل مناسب در حل منظم مسئله وارون به انتخاب مناسب پارامتر منظم سازی وابسته است، لذا برآورد این پارامتر می تواند اهمیت زیادی داشته باشد. در اکثر مسائل وارون، این پارامتر به صورت تجربی انتخاب می شود. هدف از تحقیق حاضر، عرضه و به کارگیری روشی برای انتخاب خودکار پارامتر منظم سازی مناسب برای وارون سازی دوبعدی داده های مگنتوتلوریک است. برای این منظور دو روش اعتبار سنجی تقاطعی تعمیم یافته (GCV: Generalized Cross Validation) بهبود داده شده و منحنی LL-Curve) در الگوریتم وارون سازی دوبعدی داده های مگنتوتلوریک به کار برده می شود. برآورد پارامتر منظم سازی با این روش ها در یک مثال مصنوعی تقریبا پیچیده و با اعمال دو درصد نوفه تصادفی و همچنین برای یک دسته داده واقعی تشریح می شود. نتایج حاصل نشان می دهد که هر دو روش فوق در انتخاب پارامتر منظم سازی در داده های مصنوعی توانمند هستند. همچنین نتایج به دست آمده برای داده های واقعی و مقایسه آنها با نتایج به دست آمده به روش ACBActive Constrain Balancing) نشان می دهد که روش GCVبهبودیافته به خوبی قادر است پارامتر منظم سازی را برای تولید یک مدل مناسب برآورد کند، در صورتی که روش منحنی Lبه همراه یک طرح کنترلی می تواند مفید واقع شود.