وارونسازی داده های مغناطیس سنجی در حضور مغناطیس پسماند

طی سال‌های اخیر وارون‌سازی بردار مغناطیدگی داده‌های مغناطیس‌سنجی به دلیل آنکه اندازه بردار مغناطیدگی و جهت آن را همزمان مدل می‌کند، مورد توجه ویژه قرار گرفته است. با وارون‌سازی بردار مغناطیدگی به ویژه زمانی که آنومالی‌ها تحت تاثیر مغناطیس بازماندی قرار گرفته باشند، آنومالی‌های متفاوت از هم را به راحتی می‌توان تشخیص داد. در این تحقیق از روش وارون‌سازی بردار مغناطیدگی (mvi) استفاده شده است: یک مدل سه بعدی از داده‌های برداشت شده از سطح زمین که توزیع اندازه بردار مغناطیدگی و جهت آن را به صورت فشرده یا حتی هموار مدل می‌کند. معادلات به دلیل آنکه نیاز به حافظه دسترسی کاهش یافته و همچنین محاسبات کامپیوتری کمتری انجام گیرد و در نتیجه سرعت انجام مدلسازی بالاتر برود، به روش حداقل مربعات در فضای داده‌ها حل می‌شوند. در این الگوریتم از ترکیب سه ماتریس وزنی عمق، فاصله و ماتریس فشردگی در دستگاه کارتزین استفاده می‌شود. الگوریتم ارایه شده با دو مدل مصنوعی مورد راستی آزمایی قرار گرفته است: مدل اول یک دایک شیبدار با جهت مغناطیدگی عمود بر بردار مغناطیسی زمین و مدل دوم شامل دو توده شیبدار در عمق‌های متفاوت و مغناطیدگی متفاوت از هم است. با توجه به پاسخ مناسب برای داده‌های مصنوعی، داده‌های مغناطیس‌سنجی کانسار آهن شواز واقع در استان یزد مدلسازی شد و نتایج به دست آمده انطباق زیادی با زمین‌شناسی و اطلاعات حفاری داشت.

inversion of magnetometric data in the presence of remanent magnetization

remanent magnetization is impossible to ignore in many applications of magnetic method including mineral exploration particularly iron ore, geomagnetism, regional investigation, and archaeological measurements. magnetization vector inversion has made great attention in recent years since both distribution of the magnitude and direction of the magnetization have been obtained, therefore, it is easy to distinguish between different bodies especially when magnetic data are affected by remanent magnetization. in this research, the magnetization vector inversion (mvi) has presented: a 3d magnetic modelling is proposed from surface measurements to obtain magnetization distribution. the equations have solved in data-space least square to reduce computer memory requirements and speed up calculations. the algorithm has included the combination of three weights as depth weighting, distance weighting and compactness weighting in cartesian direction. the method has been validated with a synthetic example including a dipping dyke and the results are acceptable compare with true magnetic anomaly.