Gian Angga Ginanjar/ 10211097

Penentuan Struktur Parameter Pada Metode Gravity Dengan Menggunakan Radial Basis Function
Networks Dalam Studi Kasus: Seferihisar Area Geothermal (Western Turki)
Rangkuman
Jaringan Syaraf Tiruan (JST) telah digunakan
dalam berbagai masalah di bidang sains dan
teknik. Aplikasi JST untuk masalah geofisika
telah meningkat dalam dekade terakhir.
Terutama telah digunakan untuk memecahkan
masalah
inversi
seperti
seismik,
elektromagnetik, resistivitas. Juga ada beberapa
aplikasi lain seperti estimasi parameter, prediksi
dan klasifikasi. Dalam penelitian ini, Radial Basis
Function Networks (RBF NN) diterapkan pada
data gravitasi teoritis dan data gravitasi
Seferihisar untuk menyelidiki penerapan dan
kinerja jaringan untuk metode gravitasi.
Seferihisar adalah salah satu daerah panas bumi
penting di Turki Barat. Ada banyak studi geologi
dan geofisika di daerah ini. Data gravitasi
bouger dianalisis dengan RBF NN untuk
memperkirakan kedalaman dan kepadatan
kontras struktur. Juga hasil RBF NN
dibandingkan
dengan
hasil
penelitian
sebelumnya.
Kata Pengantar
JST adalah salah satu metode yang paling umum
diterapkan untuk berbagai bidang rekayasa.
Baru-baru ini JST telah berhasil digunakan untuk
memecahkan permasalah geofisika. Beberapa
permasalah ini adalah trace editing, traveltime
picking, horizon tracking, velocity analysis
(Murat dan Rudman, 1992;. McCormack et al,
1993; Van der Baan dan Jutten, 2000),
gelombang seismik inversi (He dan Zhou, 2003),
dan dekonvolusi seismik (Wang dan Mendal,
1992) dalam domain seismik. JST juga telah

diterapkan untuk inversi magnetotellurik (Zhang

dan Paulson, 1997), inversi data dari DC
resistivity (El-Qady et al., 2001), estimasi
parameter
(Macias
et
al.,
2000),
elektromagnetik (Poulton et al., 1992) dan
untuk memecahkan banyak permasalah lain
dalam aplikasi geofisika. Dalam domain
gravitasi, JST digunakan untuk menentukan
kedalaman dan radius rongga bawah
permukaan dari data mikrogravity (Eslam et al,
2001).
Dalam penelitian ini, RBF NN diterapkan pada
data daerah panas bumi gravitasi teoritis dan
Seferihisar untuk memperoleh kedalaman dan
kontras densitas. Seferihisar merupakan daerah
panas bumi terpenting karena aktif grabenhorst tektonik dan vulkanik. Ada banyak studi
geologi dan geofisika di wilayah ini. Selfpotential (SP), magnet dan frekuensi yang
sangat rendah pada elektromagnetik (EM-VLF)
diterapkan di daerah panas bumi Seferihisar
untuk mengidentifikasi zona sesar dan
menjelaskan fitur dari sistem panas bumi
(Drahor dan Berge, 2006). Juga resistivitas dan
gravitasi studi yang digunakan untuk
karakterisasi daerah. Kedalaman basement
metamorf diperkirakan sekitar 1,5-1,7 km
dengan menggunakan data gravitasi Bouger
dengan metode inversi. Nilai resistivitas rendah
diindikasikan dekat dan di sekitar mata air
panas dan kubah vulkanik (Drahor et al., 1999).
Dalam penelitian ini basement metamorf
diperkirakan
sekitar
1,6
km
dengan
menggunakan RBF NN.
Radial Basis Function Neural Networks (RBF NN)

Radial Basis Function Neural Network (RBF NN)

adalah salah satu metode berdasarkan
pembelajaran terawasi. RBF NN disarankan oleh
banyak ilmuwan sebagai jaringan alternatif
untuk FNN. RBF NN juga baik d pemetaan
nonlinear. Jaringan dapat dilatih dan dipelajari
dalam pelatihan yang diberikan ditetapkan
dalam waktu yang lebih singkat. RBF NN
biasanya telah terhubung struktur feedforward
dan terdiri dari tiga lapisan, input layer, hidden
layer dengan RBF NN fungsi aktivasi non-linear
dan lapisan output layer. Struktur jaringan
ditunjukkan pada Gambar 1 (Ham dan Kostanic,
2001). Fungsi aktivasi umumnya didasarkan
pada fungsi gaussian. Output dari hidden
neuron ke dengan fungsi transfer gaussian
dapat dihitung
(

Dimana,
ke
,

merupakan output dari neuron

merupakan input vektor,
merupakan RBF pusat ke di dalam
ruang input vektor, merupakan parameter
pusat penyebaran yang mengontrol lebar RBF,
dan menandakan norma euclidean. Output
dari neuron apapun pada lapisan output RBF
NN dihitung sebagai

Dimana,
merupakan
bobot
yang
menghubungkan hidden neuron ke output
neuron dan M adalah nomor neuron dalam
hidden layer.
Pelatihan dari RBF NN dapat diwujudkan
melalui bobot pada lapisan output, pusat dari
RBF NN, dan parameter penyebaran fungsi
gaussian. Bentuk paling sederhana dari
pelatihan RBF NN dapat diperoleh dengan
jumlah tetap pusat. Jika jumlah pusat dibuat
sama dengan jumlah vektor input, yaitu RBF
NN, maka kesalahan antara output jaringan

yang diinginkan dan aktual untuk kumpulan

data pelatihan akan sama dengan nol. Dalam
kasus ini, RBF NN inj yang digunakan (Haykin,
1999)

Gambar 1. Kerangka RBF NN

Penerapan
RBF NN diterapkan pada data gravitasi teoritis
dan data gravitasi Seferihisar Bouguer untuk
mendapatkan parameter struktur. Semua
rincian yang diberikan di bawah.
1. Model Teoritis
Untuk menghitung gravitasi teoritis anomali,
model 2-D dibagi dengan garis horizontal dan
vertikal untuk mendapatkan persegi panjang
dasar atau blok persegi (Last dan Kubik, 1983).
Masing-masing blok ini ditugaskan dengan
kontras densitas yang berbeda sesuai dengan
model geologi yang diinginkan. Model terdiri
dari dua model geometris yang berbeda seperti
graben, dike dan sphere-like. Ada lima puluh
model yang memiliki lokasi yang berbeda,
kontras densitas, kedalaman dan struktur
geometris pada training set. Anomali gravitasi
yang dihasilkan digunakan sebagai input dan
kedalaman dan kontras densitas yang
digunakan sebagai output untuk melatih
jaringan. RBF NN dipekerjakan untuk
memperkirakan kedalaman dan kontras
densitas model teoritis (Gambar 2) data uji yang
dihasilkan ditunjukkan pada Gambar 2

digunakan untuk menilai kinerja sistem. Dalam

data pengujian model kepadatan kontras dan
kedalaman dike teoritis dan graben masingmasing adalah 0,35 gr/cm3, -0,4 gr/cm3 dan 3
km, 5 km. Akibatnya, lokasi, kedalaman dan
kepadatan kontras dike dan graben Model
diperkirakan sangat erat dengan model teoritis
yang dibuat seperti yang ditunjukkan pada
Gambar 2. kontras densitas Perkiraan dan
kedalaman dike teoritis dan graben adalah 0,30
gr/cm3, -0,33 gr/cm3 dan 4 km, 4 km.

Izmir flysch host reservoir panas bumi utama di

bidang panas bumi Seferihisar (EKder dan
LimKek, 1975).

Gambar 3. Peta geologi dari graben ubukludaJ

(Genet al., 2001)
Pengamatan core yang baik menunjukkan
bahwa mineral dari tingkat yang lebih rendah
dari flysch sesuai dengan facies greenschist
(EKder dan LimKek, 1977).

Gambar 2. Perkiraan anomali dan hasil RBF NN

2. Data Seferihisar Bouguer Gravity
Daerah panas bumi Seferihisar terletak di SE
dari Izmir Ankara melange adalah 40 km di SW
dari Izmir. Fitur tektonik utama adalah patahan
dan keretakans di diagonal NESW. Tektonik
utama struktur daerah diselidiki adalah
Seferihisar, Karakoc horst dan graben
ubukludaJ. Ruang bawah tanah geologi dari
graben ubukludaJ terdiri dari sekis kristal
Paleozoic dari massif Menderes, yang singkapan
di area yang luas ke arah tenggara. Formasi ini
atas Cretaceous Izmir flysch mencakup ruang
bawah tanah metamorf dan singkapan luas di
daerah penelitian (Drahor dan Berge, 2006).
Informasi rinci tentang pengaturan geologi
daerah diberikan oleh GENC et al. (2001) dalam
Gambar 3.

Peta Seferihisar Bouguer anomali ditunjukkan

pada Gambar 4. Tinggi pass filter dengan
frekuensi cutoff 0,2 diterapkan pada peta
anomali dan peta anomali residual ini
ditunjukkan pada Gambar 5. Profil I-II di peta
anomali sisa diambil untuk membandingkan
hasil RBF NN dan penelitian sebelumnya di
daerah yang sama.
Empat puluh model yang berbeda yang memiliki
kontras densitas yang berbeda, kedalaman dan
fitur geologi yang dipertimbangkan untuk
jaringan pelatihan. Profil I-II digunakan sebagai
data uji. Bila hasil RBF NN compraed dengan
metode inversi (Drahor et. Al, 1999), parameter
struktur diperkirakan erat hasil dari metode
kedua ditunjukkan pada Gambar 5.
Kesimpulan
Sebagai hasil dari analisis yang dilakukan
dengan menggunakan RBF N data gravitasi
secara teoritis dihitung dan Seferihisar Bouguer,
kemampuan dan efisiensi dari ANN aplikasi
gravitasi telah diuji. Lokasi, kedalaman dan

kontras densitas model teoritis diperkirakan

ketat oleh RBF NN. Bentuk model diperoleh
dengan benar untuk data yang sesuai uji teoritis
dan lapangan Seferihisar seperti dapat dilihat
pada Gambar 2 dan Gambar 6 masing-masing.
Ada perbedaan kontras densitas hanya kecil
dari model yang dihasilkan di tepi. Namun,
mudah mungkin untuk memuluskan perbedaan
ini dengan beberapa teknik pemrosesan sinyal
sederhana.

Gambar 5. Peta anomali sisa (cut-off frekuensi

0,2 siklus / grid interval kontur jarak adalah 3
mGal)

Bila hasil penelitian ini dibandingkan dengan

hasil studi sebelumnya tentang inversi data
gravitasi Seferihisar, ditemukan bahwa kontras
densitas dan kedalaman yang sama. Kontras
densitas dan kedalaman yang diperoleh dalam
penelitian ini adalah -0,35 gr/cm3 dan sekitar
1,6 km dan orang-orang dari penelitian
sebelumnya masing-masing adalah -0.3 gr/cm3
dan sekitar 1,7 km.
Karya ini mengusulkan area aplikasi baru RBF
NN; Data gravitasi lapangan teoritis dan
Seferihisar. Hasil analisis menunjukkan bahwa
kepadatan kontras dan kedalaman dari kedua
tipe data dapat diperkirakan cukup.

Gambar 4. Anomali Bouguer peta Seferihisar

(interval kontur adalah 2 mGal)

Gambar 6. (a) hasil inversi profil I-II

(dimodifikasi dari Drahor et al, 1999) (b) RBF NN
hasil profil I-II

Penurunan fungsi aktivasi Gaussian pada RBFNN

(

Fungsi tersebut diperoleh dari integral Gaussian, yang dimana fungsi integral Gaussian adalah

Dengan memanfaatkan hasil persamaan tersebut diperoleh hubungan sebagai berikut,

Dimana,
(