مقایسه روش‌های بهینه‌سازی الگوریتم ژنتیک و گروه ذرات در وارون‌سازی امواج ری‌لی جهت مدلسازی پروفیل سرعت موج برشی: مطالعه موردی

سرعت موج برشی یکی از شاخص‌های بسیار مهم در معرفی اثر ساختگاه و تخمین مقدار جنبش زمین در زمین لرزه‌ها است. امروزه کاملاً روشن است که بهترین روش برای کاهش خسارت‌های ناشی از زمین لرزه، طراحی و ساخت سازه‌های مقاوم در برابر زمین لرزه، بر اساس ویژگی‌های لرزه زمین‌ساختی و ژئوتکنیکی ساختگاه و نوع کاربری آنها است. در سال‌های اخیر امواج میکروترمور برای مدلسازی سرعت موج برشی، به دلیل هزینه پایین و سرعت بالای برداشت داده‌ها مورد استقبال قرار گرفته است. اما مشکل اساسی در پردازش این داده‌ها، وارون‌سازی منحنی پاشش برای تخمین سرعت امواج برشی است. امواج پاشش دارای رفتار غیرخطی بوده و الگوریتم‌های خطی موجود در حل آنها دچار ضعف هستند. در مقاله حاضر سعی شده است با پیشنهاد وارون‌سازی امواج میکروترمور شکست مرزی (امواج ری‌لی) با استفاده از روش‌های بهینه‌سازی کلی یک روش تخمین سرعت موج برشی ارائه شود. در این مطالعه از دو روش الگوریتم ژنتیک و گروه ذرات به عنوان روش‌های جدید در وارون‌سازی داده‌های ژئوفیزیکی استفاده شده است. برنامه الگوریتم‌های مذکور در محیط متلب نوشته شده است. روش‌های پیشنهاد شده در ابتدا به وسیله مدل‌های مصنوعی مورد ارزیابی قرار گرفت و در ادامه برای ارزیابی بیشتر روی داده‌های تجربی اعمال شد. بدین منظور یک ایستگاه در جنوب شهر تبریز، طراحی و برداشت شد. نتایج وارون‌سازی به دست آمده، در مورد مدل‌های مصنوعی و هم داده‌های تجربی بیانگر عملکرد قابل قبول الگوریتم‌های پیشنهاد شده، به عنوان روش‌های موثر در وارون‌سازی داده‌های ژئوفیزیکی است. همچنین با توجه به مقایسه نتایج حاصل شده دیده شد، روش گروه ذرات در مقایسه با الگوریتم ژنتیک از کارایی و سرعت بالاتری برخوردار است.

Comparison of PSO and GA Metaheuristic methods to invert Rayleigh wave dispersion curves for Vs estimation: a case study

SummaryCurrent techniques of estimating shallow shear velocities for assessment of earthquake site response are too costly to be used at most construction sites. Recently, refraction microtremor (ReMi) data have been frequently used for estimating of dispersion curves and simulating velocity of Swaves. In the current study we applied two metaheuristic optimization approaches, particle swarm optimization (PSO) and Genetic algorithm (GA), for inversion of Rayleigh wave dispersion curves. In geophysical surveys, the application of metaheuristic techniques is quite new. The efficiency of the proposed methods were investigated by synthetic models. At the end, PSO and GA inversion algorithms were tested on a real ReMi data set. Also in this study, resistivity data (Wenner array), as auxiliary information, were carried out. IntroductionIn order to achieve reliable results, processing of ReMi data in particular inversion stage should be done accurately. Similar to other surface wave methods, after the construction of dispersion curves, the next step is to invert of the dispersion curve to obtain a single VS profile. To make reliable geological inference, it is necessary to use accurate models and assess their accuracy. In this study, the reliability of two metaheuristic methods, i.e., GA and PSO for inversion of Rayleigh wave dispersion curves were investigated on two synthetic datasets (i.e., models A and B) and an actual dataset. Methodology and ApproachesThe inversion was done for S and Pwave velocity by the assumption of 0.2<Poisson’s ratio<0.5 and fixing densities to their known values. The procedure was designed to find the global minimum of RMS (rootmeansquare) error misfit between the measured and the predicted phase velocities. In this study, the ReMi method was performed using an OYO 12channal seismograph and 4.5Hz geophones with the receiver spacing of 10m. Also, in this study, resistivity data are used as auxiliary information. The results proved applicability of the proposed inversion algorithms in Rayleigh wave dispersion curve inversion Results and ConclusionsThe findings in both synthetic and real dada sets proved that GA and PSO algorithms were suitable strategies for the inversion of surface waves.  Also, comparison of two inversion algorithms showed that PSO algorithm is fast and easy to implement compared to GA, because of the few required parameters adjustment.