تحلیل وابستگی و همبستگی پارامترهای مدل کول-کول در توموگرافی قطبش القایی طیفی با استفاده از استنباط بیزین
محل انتشار: مجله فیزیک زمین و فضا، دوره: 51، شماره: 1
سال انتشار: 1404
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 11
فایل این مقاله در 20 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_JESPHYS-51-1_003
تاریخ نمایه سازی: 3 تیر 1404
چکیده مقاله:
این مطالعه به بررسی وابستگی و همبستگی پارامترهای مدل کول-کول (CCM) با استفاده از استنباط بیزین برای وارونسازی داده های قطبش القایی طیفی (SIP) می پردازد. هدف این تحقیق بهبود درک ویژگی های زیرسطحی و ارائه تفسیری قابل اعتماد از مدل های تخمینی زیرسطحی با تحلیل دقیق وابستگی های پارامتری است. در این مطالعه یک کد وارونسازی دو و نیم بعدی جدید را که به طور خاص برای داده های SIP طراحی شده است، ارائه میشود که از کتابخانه های مبتنی بر پایتون و تکنیک های پیشرفته آماری استفاده می کند. از طریق دادههای حاصل از مدل سازی مصنوعی و نمونهبرداری زنجیره مارکوف مونت کارلو (McMC)، کارایی روش ارائه شده در سناریوهای مختلف زیرسطحی شامل یک مدل زمین همگن، یک محیط دولایه و مدلی شامل دو بی هنجاری مدفون در پس زمینه همگن، ارزیابی می شود. رهیافت پیشنهادی امکان استخراج پارامترهای مدل کول-کول را که بیانگر ویژگی های الکتریکی هستند، فراهم می کند و درکی عمیق تر از ساختارهای زمین شناسی پیچیده ارائه می دهد. ترسیم زنجیره های McMC و نمودارهای گوشه ای، وابستگی های میان پارامترهای کول-کول را نشان داده و همگرایی و قابلیت اطمینان برآوردهای پارامتری را به نمایش می گذارند. از طریق اعتبارسنجی با مدل های مصنوعی، دقت و اثربخشی این روش مورد تایید قرار می گیرد. به طور کلی این مطالعه پتانسیل وارون سازی بیزین را برای بهبود تفسیر داده های ژئوفیزیکی و درک عمیق تر از همبستگی میان پارامترهای طیفی کول-کول در مدل های تخمینی با شرایط مختلف زمین شناسی نشان می دهد.
کلیدواژه ها:
نویسندگان
Mohammad Sadegh Sadegh Roudsari
گروه فیزیک زمین، موسسه ژئوفیزیک، دانشگاه تهران، تهران، ایران.
Reza Ghanati
گروه فیزیک زمین، موسسه ژئوفیزیک، دانشگاه تهران، تهران، ایران.
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 :