انتخاب بهینه پارامتر منظم سازی در وارون سازی داده های مگنتوتلوریک

مدل سازی وارون داده های مگنتوتلوریک به عنوان یک مسئله غیرخطی و بدحالت شناخته شده است، بنابراین برای به دست آوردن نتایجی معنی دار و منحصربه فرد، به طور معمول از روش منظم سازی تیخونوف (Tikhonov) برای حل آن استفاده می-شود. همچنین انتخاب بهینه پارامتر منظم سازی از دیگر فاکتورهای مهم برای دستیابی به مدل سازی وارون مناسب است. هدف از انجام این تحقیق، یافتن مقداری بهینه برای پارامتر منظم سازی، در وارون سازی دو بعدی داده های مگنتوتلوریک براساس الگوریتم دوقطری سازی لنکزوس می باشد که بهترین ترکیب را با این روش برای بهبود دقت مدل سازی و افزایش سرعت وارون-سازی ساختارهای زیرسطحی لحاظ کند. برای این منظور دو روش متداول، اعتبارسنجی تقاطعی (GCV: Generalized Cross Validation) و متعادل سازی قید فعال (ACB: Active Constraint Balancing) بررسی و با روش جدید، منظم-سازی انطباقی (Adaptive Regularization) به عنوان روشی اتوماتیک و بهینه در الگوریتم وارون سازی دو بعدی داده های مگنتوتلوریک در مقیاس بزرگ مقایسه خواهند شد. همچنین برای افزایش سرعت مدل سازی وارون از روش دو قطری سازی لنکزوس (Lanczos Bidiagonalization) استفاده شده است. روش های مذکور در محیط متلب (Matlab) کد نویسی و در برنامه الگوریتم پایه MT2DInvMatlab لحاظ گردید. تخمین های انجام یافته برای پارامتر منظم سازی، بر روی یک مدل مصنوعی با اعمال 3 درصد نوفه تصادفی و همچنین داده های واقعی زمین گرمایی منطقه بوشلی (نیر) سبلان انجام شده است. نتایج حاصل نشان می دهد که علیرغم توانمندی همه روش ها در انتخاب پارامتر منظم سازی، روش معرفی شده به لحاظ پارامترهای اندازه گیری شده از نظر میزان حافظه مورد نیاز، زمان سپری شده، همگرایی به مدل مطلوب در تکرارهای کمتر و همچنین دقت مدل سازی بر سایر روش های مرسوم ارجحیت دارد. همچنین به کارگیری این روش برای داده های واقعی نشان از توانمندی این روش در تولید یک مدل بهینه وارون دارد.