Metody inwersyjne w geofizyce (3)
Transkrypt
Metody inwersyjne w geofizyce (3)
Metody inwersyjne w geofizyce (3) Przypomnienie F Dwa rodzaje problemów H Zagadnienia modelowania H Zagadnienia odwrotne F Zagadnienia odwrotne - różne spojrzenia H inwersja jako estymacja parametrów H inwersja czyli metoda wnioskowania H pomiary bezpośrednie i pośrednie [email protected]: W3- 1 WNZ US, 18.03.2009 Dwa typy zagadnień Zrozumienie zachodzacego procesu fizycznego, , chemicznego, geologicznego, itp. umożliwiajace , 1. przewidywanie zachowania sie, systemu, a wiec , jego jakościowe modelowanie. Ilościowy opis obiektu fizycznego, chemicznego, i ilościowe wyznaczenie wielkości fizycznych 2. opisujacy obiekt pozwalajace na realistyczne , , (ilościowe) wyznaczanie jego zachowania. [email protected]: W3- 2 WNZ US, 18.03.2009 Zagadnienie odwrotne - pomiar pośredni [email protected]: W3- 3 WNZ US, 18.03.2009 Zagadnienie odwrotne (najcześciej) , zagadnienie odwrotne m pomiar pośredni (estymacja parametrów) [email protected]: W3- 4 WNZ US, 18.03.2009 Zagadnienia odwrotne - estymacja parametrów th d = G(m) Inwersja: obs d [email protected]: W3- 5 −→ m est WNZ US, 18.03.2009 Zagadnienie odwrotne (ogólnie) zagadnienie odwrotne m proces wnioskowania [email protected]: W3- 6 WNZ US, 18.03.2009 Inwersja - łaczenie informacji , (Wnioskowanie) [email protected]: W3- 7 WNZ US, 18.03.2009 Estymacja parametrów [email protected]: W3- 8 WNZ US, 18.03.2009 Parametry i wielkości mierzalne System fizyczny: p1, p2, · · · pK Parametery układu: m = (m1, m2, · · · mM ) Przewidywane mierzalne wielkości: d = (d1, d2, · · · dN ) Parametry “ustalone” (znane a priori ): must = (u1, u2, · · ·) Modelowanie: dth = f (m, must) [email protected]: W3- 9 WNZ US, 18.03.2009 Przykład - propagacja fal sejsmicznych System fizyczny: F rs, rr , t, v Zagadnienie lokalizacji: F m = rs = (rx, ry , rz ) F d=t F must = v, rr Tomografia predkościowa: , F m = v = (v1, v2, · · · vM ) F d = t, rr , rs [email protected]: W3- 10 WNZ US, 18.03.2009 Lokalizacja wstrzasów , [email protected]: W3- 11 WNZ US, 18.03.2009 Tomografia sejsmiczna [email protected]: W3- 12 WNZ US, 18.03.2009 Liniowy problem odwrotny Podejście algebraiczne d=G·m Podejście naiwne: mest = G−1 · d Metoda algebraiczna: GT · d = GT G · m GT G =⇒ GT G + λI mest = (GT G + λI)−1 · d [email protected]: W3- 13 WNZ US, 18.03.2009 data Inwersja - technika Back projection d d=f(m) m [email protected]: W3- 14 model parameter WNZ US, 18.03.2009 Back projection Projection "BackProjection" SOURCE -1 SOURCE-2 SOURCE-3 DATA [email protected]: W3- 15 WNZ US, 18.03.2009 Inwersja - podejście optymalizacyjne Przeszukiwanie przestrzeni modeli w celu znalezienia modelu “najlepiej odtwarzajacego” dane pomiarowe , S(m) = ||dobs − d(m)|| = min [email protected]: W3- 16 WNZ US, 18.03.2009 Optymalizacja [email protected]: W3- 17 WNZ US, 18.03.2009 Optymalizacja Metoda najmniejszych kwadratów: (dobs − f (m))T (dobs − f (m)) = min Metoda najmniejszych wartości absolutnych X |dobs i − f (m)i)| = min i [email protected]: W3- 18 WNZ US, 18.03.2009 Podejście optymalizacyjne Podejście optymalizacyjne (klasyczne) obs a kG(m) − d k + λkm − m k = min F metoda nieliniowa F fizyczny sens regularyzacji F poszukujemy jednego (optymalnego) rozwiazania , F zaniedbane wszystkie błedy i niedokładności , [email protected]: W3- 19 WNZ US, 18.03.2009 Normy ... kG(m) − dobskD + λkm − mapr kM = min σ(m) = f (m) exp(−kG(m) − dobskD ) [email protected]: W3- 20 WNZ US, 18.03.2009 “krzepkość” norm (ang. robustnes) 1 zaburzenie 20 l1 lC 16 16 l2 12 12 8 8 4 4 0 0 −4 [email protected]: W3- 21 20 −2 0 2 4 6 8 10 WNZ US, 18.03.2009 “krzepkość” norm (ang. robustnes) 2 zaburzenia 20 LC L1 16 16 L2 12 12 8 8 4 4 0 0 −4 [email protected]: W3- 22 20 −2 0 2 4 6 8 10 WNZ US, 18.03.2009 Optymalizacja gradientowa i Monte Carlo [email protected]: W3- 23 WNZ US, 18.03.2009 Metoda: preconditioned sttepest descent 1. m0 - dowolny, −1 Ŝ0 ≈ (I + CM GtC−1 G) D obs apr 2. γn = CM GtC−1 (Gm − d ) + (m − m ) n n D 3. φn = Ŝ0γn 4. bn = Gφn 5. µn = t C−1φ γn M n tC b φtnC−1 φ +b n n D n M 6. mn+1 = mn − µnφn [email protected]: W3- 24 WNZ US, 18.03.2009 Optymalizacja gradientowa - ograniczenia [email protected]: W3- 25 WNZ US, 18.03.2009 Model najbardziej prawdopodobny - optymalizacja F szukanie modelu najbardziej prawdopodobnego mml : σ(mml ) = max H metody gradientowe H metody Monte Carlo á Symulowane wyżarzanie á Algorytm Genetyczny [email protected]: W3- 26 WNZ US, 18.03.2009