زمین شناسی مهندسی، جلد ۱۹، شماره ۲، صفحات ۲۷۱-۲۸۹
عنوان فارسی بهینه‌سازی وارون‌سازی داده‌های مغناطیسی با استفاده از الگوریتم غزال کوهستان: مطالعه موردی دایک‌های دوبعدی
چکیده فارسی مقاله وارون‌سازی داده‌های مغناطیسی برای مشخصه‌یابی ساختارهای زمین‌شناسی مانند دایک‌ها، به دلیل ماهیت شدیداً غیرخطی و بدوضع (ill-posed)، یکی از چالش‌های اساسی در ژئوفیزیک مهندسی است که نیازمند روش‌های بهینه‌سازی قدرتمند است. این پژوهش برای نخستین بار، کارایی و پتانسیل الگوریتم بهینه‌سازی نوین غزال کوهستان (Mountain Gazelle Optimizer (MGO)) را به عنوان یک راهکار مؤثر برای حل این مسئله معرفی و ارزیابی می‌کند. این الگوریتم با ایجاد تعادل هوشمندانه بین اکتشاف و بهره‌برداری در فضای پارامترها، برای یافتن بهینه سراسری طراحی شده است. عملکرد MGO به صورت جامع و از طریق مقایسه با دو رویکرد متفاوت سنجیده شد: یک الگوریتم یادگیری ماشین قدرتمند، یعنی جنگل تصادفی (Random Forest (RF))، و یک روش پردازشی-تخمینی کلاسیک مبتنی بر برگردان به قطب. (Reduction to the Pole (RTP)) ارزیابی‌ها بر روی داده‌های مصنوعی (با سطوح نویز 0٪ تا 20٪) و همچنین داده‌های میدانی واقعی از کانسار آهن گانسو، چین، انجام گرفت. نتایج در تمامی سناریوها، برتری واضح MGO را به اثبات رساند. این الگوریتم نه تنها در برابر نویز پایداری بیشتری نسبت به RF نشان داد، بلکه در مطالعه موردی داده‌های واقعی، به خطای ریشه میانگین مربعات (RMSE) برابر با 48/ دست یافت که به طور قابل توجهی کمتر از خطای روش کلاسیک (88/) بود. مهم‌تر آنکه، پارامترهای تخمینی توسط MGO انطباق بیشتری با اطلاعات زمین‌شناسی حاصل از حفاری‌های موجود در منطقه داشتند. این مطالعه استدلال می‌کند که برتری MGO از رویکرد وارون‌سازی مستقیم و یکپارچه آن نشأت می‌گیرد. در نهایت، MGO به عنوان ابزاری دقیق و قابل اعتماد برای کاربردهای اکتشافی و مهندسی معرفی می‌گردد.
کلیدواژه‌های فارسی مقاله الگوریتم بهینه‌سازی غزال کوهستان،جنگل تصادفی،دایک‌های دوبعدی،جنگل تصادفی (RF)،بهینه‌سازی وارون‌سازی داده‌های مغناطیسی،
عنوان انگلیسی Magnetic Data Inversion Optimization Using the Mountain Gazelle Optimization Algorithm: A Case Study of 2D Dipping Dykes
چکیده انگلیسی مقاله Inversion of magnetic data to characterisegeological structures, such as dikes, is a fundamental challenge in engineering geophysics due to its highly non-linear and ill-posed nature, necessitating robust optimization methods. This study introduces and evaluates for the first time, the Mountain Gazelle Optimizer (MGO) for the first time, examining its efficiency and potential as an effective solution to this problem. The MGOalgorithm is designed to find the global optimum by intelligently balancing exploration and exploitation within the parameter space. The performance of the MGO was assessed by comparing it with two distinct approaches: a powerful machine learning algorithm called Random Forest (RF), and a classic processing-estimation method based on Reduction to the Pole (RTP). Evaluations were conducted on synthetic data (with noise levels ranging from 0% to 20%) as well as on real field data from the Gansu iron deposit in China. The results clearly demonstrated the superiority of MGO in all scenarios. Not only did the algorithm exhibit greater stability against noise than RF, it also, achieved a Root Mean Square Error (RMSE) of 0.48 in the real data case study,, which was significantly lower than the error achieved by the classic method (0.88). Furthermore, the parameters estimated by MGO showed better alignment with the geological information from existing drilling data in the area. This study suggests that MGO's superiority obtained from its direct and global inversion approach. Ultimately, MGO is presented as an accurate and reliable tool for exploration and engineering applications.
کلیدواژه‌های انگلیسی مقاله الگوریتم بهینه‌سازی غزال کوهستان,جنگل تصادفی,دایک‌های دوبعدی,جنگل تصادفی (RF),بهینه‌سازی وارون‌سازی داده‌های مغناطیسی
نویسندگان مقاله رضا توشمالانی |
دانشگاه آزاد رشت

نشانی اینترنتی https://jeg.khu.ac.ir/article_11069_2bc4cdc1b8653fb1a7c3213c0a9bf1bd.pdf
فایل مقاله فایلی برای مقاله ذخیره نشده است
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده
نوع مقاله منتشر شده
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات