تخمین عمق سنگ بستر حوضه‌های رسوبی با وارون‌سازی داده‌های گرانی بوسیله الگوریتم رقابت ذرات

ضخامت رسوبات در حوضه‌های رسوبی دارای پتانسیل منابع هیدورکربوری، فاکتور مهمی در تعیین بلوغ حرارتی این حوضه‌ها محسوب می‌شود. روش گرانی سنجی، یکی از روش‌های ژئوفیزیکی است که می‌تواند در این‌گونه مسائل اطلاعات ارزشمندی از عمق سنگ بستر مدفون ارائه نماید. تحقیق پیش‌رو با هدف مدل‌سازی دوبعدی هندسه سنگ بستر حوضه رسوبی با استفاده از وارون‌سازی داده‌های گرانی‌سنجی بوسیله الگوریتم رقابت ذرات به انجام رسید. از مدل جمع دو بعدی منشورها به عنوان مدل ریاضی هندسی مدل‌سازی داده‌های گرانی استفاده شد. در این تحقیق، امکان کاربرد الگوریتم جستجوی عمومی رقابت ذرات به عنوان جایگزین روش‌های جستجوی محلی پاسخ از قبیل مارکوارتلونبرگ و گاوسنیوتن؛ در مدل‌سازی غیرخطی سنگ بستر داده‌های گرانی استفاده شد. این الگوریتم نوین بر اساس الگوریتم نسبتا قدیمی تجمع ذرات که پیشتر در مسائل بهینه‌سازی در زمینه های گوناگون، پیاده سازی و اجرا شده ؛ طراحی شده است. در این تحقیق، طراحی و پیاده‌سازی الگوریتم در دو مرحله اعتبارسنجی شد. نخست صحت‌سنجی الگوریتم بر روی داده‌های تولیدی از یک مدل مصنوعی مورد راستی آزمایی واقع شد. بدین منظور کارآیی روش پیشنهادی در دو حالت بدون نوفه و همراه با نوفه مورد بررسی قرار گرفت؛ که نتایج گویای پایداری مناسب آن در برابر نوفه‌های سفید گاوسی با دامنه‌های نسبتا بالابود. به گونه ای که در مدل‌سازی به ازای 8٪ نوفه سفید گاوسی، پارامتر میانگین مربع خطا برای داده‌های تولیدی با داده اولیه از mgal 1.2 و برای مدل به‌دست آمده با مدل اولیه از m 68 فراتر نرفت. در بخش پایانی این تحقیق، وارون‌سازی داده‌های واقعی گرانی‌سنجی در حوضه رسوبی مغان انجام شد و در این بخش نیز مقایسه نتایج به‌دست آمده از الگوریتم پیشنهادی با نتایج مطالعات پیشین از جمله نتایج لرزه‌نگاری؛ گویای عملکرد مناسب آن است.

Depth Estimation of Sedimentary Basins Basement from Gravity Data Via Competitive Swarm Optimization

The thickness of sediments in sedimentary basins with hydrocarbon sources potential is one of the primary factors in determining the thermal maturation of these basins. This research has been done with the aim of twodimensional modeling of the basement geometry of a sedimentary basin using the inversion of the gravimetric data. A common way for this problem consists in discretizing the basin using polygons (or other geometries), and iteratively solving the nonlinear inverse problem by local optimization. This procedure provides a solution that is highly dependent on the initial model and on the prior information that are used. Moreover, due to nonlinearity of this inverse problem, local optimization methods would fail whenever there is no reliable initial model. Global optimization methods are promising alternative to classical inversion methods because the quality of their solutions does not depend on the initial model; also, they do not use the derivatives of the objective function. This research investigates the design and implementation of the CSO (competitive swarm optimization) algorithm as a novel algorithm in global optimization, for twodimensional nonlinear modeling of gravity data as a substitute for the local response methods such as MarquardtLevenberg and GaussNewton. In first steps, designing and implementing the proposed algorithm were verified on synthetic model data. For evaluating the validation of this developed algorithm, it was tasted by both synthetic example include free noise data and data with presence of white Gaussian noise. Also, the results of application of this applying on noisy data show that this approach is robust to the presence of noise in data. Finally, reliability of proposed method to the inversion of a real gravity data was confirmed by applying it on a real gravity profile in the Moghan sedimentary basin. Results of this modeling agree well with previously published works on this Area.