Analisis Data Geofisika
Analisis Data Geofisika
Departemen Fisika-FMIPA
Univeristas Indonesia
2007
Kata Pengantar
Buku ini semula merupakan diktat perkuliahan mata kuliah Analisis Data Geofisika yang diberikan
kepada mahasiswa Geofisika pada Departemen Fisika, Fakultas MIPA, Universitas Indonesia.
Acuan utama untuk edisi perdana ini adalah buku Geophysical Data Analysis: Understanding
Inverse Problem Theory and Practice yang ditulis oleh Max A. Meju dan diterbitkan oleh Society
of Exploration Geophysicists pada tahun 1994.
Semoga keberadaan buku ini dapat membantu mahasiswa geofisika untuk memiliki kemampuan memformulasikan masalah, menyusun hipotesis, metode dan solusi sehingga mampu
menyelesaikan masalah-masalah geofisika secara mandiri.
Terima kasih yang tak terhingga ingin saya sampaikan kepada Dede Djuhana yang telah
bersedia berbagi memberikan file format buku dalam LATEX sehingga tampilan buku ini menjadi
jauh lebih baik.
Depok, 15 Maret 2007
Supriyanto S.
Daftar Isi
Lembar Persembahan
Kata Pengantar
Daftar Isi
vii
Daftar Gambar
ix
Daftar Tabel
xi
1 Pendahuluan
15
20
24
24
28
29
2.6 Kesimpulan . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
30
31
31
31
34
36
3.5 Soal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
39
vii
viii
4 Constrained Linear Least Squares Inversion
41
41
43
43
46
46
47
Daftar Pustaka
49
Indeks
51
Daftar Gambar
2.1 Data observasi perubahan suhu terhadap kedalaman dari permukaan tanah . . .
10
2.2 Hasil inversi atas data observasi perubahan suhu terhadap kedalaman . . . . . .
14
2.3 Data observasi perubahan suhu terhadap kedalaman dari permukaan tanah . . .
15
2.4 Hasil inversi atas data observasi perubahan suhu terhadap kedalaman. Tanda
titik merah adalah data observasi sementara kurva biru adalah kurva hasil inversi
18
20
2.6 Hasil inversi berbentuk bidang. Saya sebut saja sebagai bidang inversi . . . . . .
23
2.7 Ini adalah hasil inversi yang sama, hanya saja bidang inversi diputar (di-rotasi)
pada suatu arah sehingga kita bisa saksikan dan pastikan bahwa sebaran titik
data observasi berada di-dekat permukaan bidang inversi . . . . . . . . . . . . .
23
26
28
2.10 Reflektor mendatar pada kedalaman z. Kecepatan gelombang v dianggap konstan. S adalah sumber gelombang seismik dan R adalah penerima gelombang
seismik. Jarak antara S dan R disebut offset (x). Sementara garis merah yang
ada panahnya adalah lintasan gelombang seismik. . . . . . . . . . . . . . . . . .
29
30
32
34
ix
Daftar Tabel
10
15
20
25
29
30
3.1 Contoh data observasi yang dapat diolah oleh least squares . . . . . . . . . . . .
32
3.2 Data seismik refraksi: waktu-datang gelombang, ti , dan jarak antara source dan
receiver atau jarak offset, xi
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
35
3.3 Data seismik refraksi: waktu-datang gelombang (ti ) pada empat posisi geophone
(xi ) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
37
4.1 Data seismik refraksi: waktu-datang gelombang (ti ) pada empat posisi geophone
(xi ) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
xi
45
Bab 1
Pendahuluan
BAB 1. PENDAHULUAN
oil-gas ke permukaan. Kesalahan penentuan lokasi berdampak langsung pada kerugian meteril yang besar dan waktu yang terbuang percuma. Dari sini terlihat betapa pentingnya proses
analisis apalagi bila segala keputusan diambil berdasarkan data eksperimen.
BAB 1. PENDAHULUAN
mental error) atau bisa juga dikarenakan kesalahan manusia (human error). Seluruh variasi ini
bila di-plot kedalam histogram akan membentuk distribusi probabilistik.
geofisika.
Kebanyakan proses geofisika dapat dideskripsikan oleh persamaan integral berbentuk
di =
Ki (z)p(z)dz
(1.1)
dimana di adalah respon atau data yang terukur, p(z) adalah suatu fungsi yang berkaitan dengan parameter fisis yang hendak dicari (misalnya: hambatan jenis, densitas, kecepatan, dan
lain-lain) yang selanjutnya disebut parameter model, dan Ki disebut data kernel. Data kernel
menjelaskan hubungan antara data dan parameter model p(z). Parameter model (misalnya kecepatan, resistivitas dan densitas) bisa jadi merupakan fungsi yang kontinyu terhadap jarak atau
posisi. Sebagai contoh, waktu tempuh t antara sumber gelombang seismik dengan penerimanya
sepanjang lintasan L dalam medium, yang distribusi kecepatan gelombangnya kontinyu v(x, z),
ditentukan oleh
t=
1
dl
v(x, z)
(1.2)
Deskripsi matematika terhadap sistem geofisika seperti contoh di atas disebut forward modelling. forward modelling digunakan untuk memprediksi data simulasi berdasarkan hipotesa
kondisi bawah permukaan. Data simulasi tersebut biasanya dinamakan data teoritik atau data
sintetik atau data prediksi atau data kalkulasi. Cara seperti ini disebut pendekatan forward
atau lebih dikenal sebagai pemodelan forward (Gambar 1.2).
r2 (r)dr
(1.3)
M oment inersia =
8
3
r4 (r)dr
(1.4)
dimana R adalah jejari bumi dan (r) merupakan fungsi densitas terhadap jarak r. (r) juga
berhubungan dengan p(z) pada persamaan (1.1). Persamaan (1.4 dan 1.4) dapat dinyatakan
dalam formulasi yang lebih umum yaitu
di =
Ki (r)p(r)dr
(1.5)
sama persis dengan persamaan (1.1). Integral ini relatif mudah dievaluasi secara komputasi
dengan matematika diskrit. Pendekatan komputasi memungkinkan kita untuk menyederhanakan
(r)dr menjadi m, sementara Ki menjadi Gi sehingga persamaan (1.5) dapat dinyatakan sebagai
di =
Gij mj
(1.6)
BAB 1. PENDAHULUAN
p
X
Lij
j=1
(1.7)
vj
Perlu dicatat disini bahwa waktu tempuh t tidak berbanding lurus dengan parameter model
v, melainkan berbanding terbalik. Hubungan ini dinamakan non-linear terhadap v. Namun
demikian, jika kita mendefinisikan parameter model c = 1/v, dimana c adalah slowness gelombang seismik, maka problem ini bisa dinyatakan sebagai
p
X
ti =
Lij cj
(1.8)
j=1
Hubungan ini disebut linear. Persamaan memenuhi bentuk d = Gm. Operasi transformasi seperti itu dinamakan linearisasi parameter. Dan proses menuju kesana dinamakan linearisasi.
Sekarang mari kita lihat problem dari pengukuran resistivitas semu dengan metode Schlumberger untuk mengamati lapisan bawah permukaan yang diasumsikan terdiri dari dua lapisan.
Formula model yang diturunkan oleh Parasnis, 1986 adalah
a (L) = 1 1 + 2L
K()J1 (L)d
(1.9)
dimana L = AB/2 adalah jarak masing-masing elektroda terhadap titik tengah, J1 adalah fungsi
Bessel orde 1 dan K() adalah fungsi parameter (resistivitas masing-masing lapisan yaitu 1
dan 2 serta ketebalan lapisan paling atas t) dari sistem yang kita asumsikan. K() dinyatakan
sebagai
(2t)
K() =
k1,2
(2t)
1 + k1,2
dimana
k1,2 =
1 2
1 + 2
Kita bisa lihat bahwa persamaan (1.9) tidak bisa didekati dengan d = Gm sebagaimana yang
dilakukan pada persamaan (1.2). Oleh karena itu persamaan resistivitas semu di atas disebut
highly non-linear.
Bab 2
10
Suhu (Celcius)
200
150
100
50
20
40
60
Kedalaman (m)
80
100
Gambar 2.1: Data observasi perubahan suhu terhadap kedalaman dari permukaan tanah
Source code untuk menggambar grafik tersebut dalam Matlab adalah
1
2
3
clc
clear
close
4
5
6
7
% Data observasi
z = [5 16 25 40 50 60 70 80 90 100];
T = [35.4 50.1 77.3 92.3 137.6 147.0 180.8 182.7 188.5 223.2];
8
9
10
11
12
13
14
11
Lalu kita berasumsi bahwa variasi temperatur terhadap kedalaman ditentukan oleh rumus
berikut ini:
m1 + m2 zi = Ti
(2.1)
dimana m1 dan m2 adalah konstanta-konstanta yang akan dicari. Rumus di atas disebut model matematika. Sedangkan m1 dan m2 disebut parameter model atau biasa juga disebut
unknown parameter. Pada model matematika di atas terdapat dua buah parameter model,
(M = 2). Sementara jumlah data observasi ada empat, (N = 10), yaitu nilai-nilai kedalaman, zi , dan temperatur, Ti . Berdasarkan model tersebut, kita bisa menyatakan temperatur dan
kedalaman masing-masing sebagai berikut:
m1 + m2 z1 = T1
m1 + m2 z2 = T2
m1 + m2 z3 = T3
m1 + m2 z4 = T4
m1 + m2 z5 = T5
m1 + m2 z6 = T6
m1 + m2 z7 = T7
m1 + m2 z8 = T8
m1 + m2 z9 = T9
m1 + m2 z10 = T10
Semua persamaan tersebut dapat dinyatakan dalam operasi matrik berikut ini:
T1
z1
T2
z2
z3
3
z4
"
# T4
T
z5 m1
5
=
T6
m
z6
2
z7
7
T8
z8
z9
9
T10
z10
1
1
1
1
1
1
1
1
(2.2)
(2.3)
dimana d adalah data yang dinyatakan dalam vektor kolom, m adalah model parameter, juga
dinyatakan dalam vektor kolom, dan G disebut matrik kernel. Lantas bagaimana cara menda-
12
patkan nilai m1 dan m2 pada vektor kolom m? Manipulasi1 berikut ini bisa menjawabnya
GT Gm = GT d
(2.4)
dimana T disini maksudnya adalah tanda transpos matrik. Selanjutnya, untuk mendapatkan
elemen-elemen m, diperlukan langkah-langkah perhitungan berikut ini:
GT Gm = GT d
[GT G]1 GT Gm = [GT G]1 GT d
m = [GT G]1 GT d
(2.5)
G=
z1
z2
z3
z4
z5
z6
z7
z8
z9
z10
1
1
1
1
1
1
1
1
G =
"
z1 z2 z3 z4 z5 z6 z7 z8 z9 z10
GT G =
"
z1 z2 z3 z4 z5 z6 z7 z8 z9
z10
z1
z2
z3
z4
"
P #
N
zi
z5
= P
P 2
zi
zi
z6
z7
z8
z9
z10
1
1
1
1
1
1
1
1
dimana N = 10 atau sesuai dengan jumlah data observasi; sementara i = 1, 2, 3, ..., 10.
Matrik G biasanya tidak berbentuk bujursangkar. Akibatnya tidak bisa dihitung nilai invers-nya. Dengan mengalikan matrik G dan transpose matrik G, maka akan diperoleh matrik bujursangkar
13
GT d =
"
z1 z2 z3 z4 z5 z6 z7 z8 z9
z10
T1
T2
T3
T4
" P
#
T5
Ti
= P
T6
z i Ti
T7
T8
T9
T10
4. Dengan menggunakan hasil dari langkah 2 dan langkah 3, maka persamaan (2.4) dapat
dinyatakan sebagai
GT Gm = GT d
"
#
" P
#
P #"
m1
Ti
N
zi
=
P
P
P 2
m2
z i Ti
zi
zi
(2.6)
#
P #1 " P
Ti
N
zi
=
P 2
P
P
m2
zi
z i Ti
zi
#
"
#1 "
#
"
10
536
1314
m1
=
536 38006
88855
m2
"
m1
"
clc
clear
close
4
5
6
7
8
% Data observasi
z = [5 16 25 40 50 60 70 80 90 100];
T = [35.4 50.1 77.3 92.3 137.6 147.0 180.8 182.7 188.5 223.2];
(2.7)
14
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
28
29
30
31
200
Suhu (Celcius)
27
150
100
50
20
40
60
Kedalaman (m)
80
100
Gambar 2.2: Hasil inversi atas data observasi perubahan suhu terhadap kedalaman
Demikianlah contoh aplikasi teknik inversi untuk menyelesaikan persoalan model garis. Anda bisa mengaplikasikan pada kasus lain, dengan syarat kasus yang anda tangani memiliki
bentuk model yang sama dengan yang telah dikerjakan pada catatan ini, yaitu model garis:
y = m1 + m2 x. Selanjutnya mari kita pelajari inversi model parabola.
15
70
Suhu (Celcius)
60
50
40
30
20
10
15
20
25
30
Kedalaman (m)
35
40
45
50
Gambar 2.3: Data observasi perubahan suhu terhadap kedalaman dari permukaan tanah
Lalu kita berasumsi bahwa variasi temperatur terhadap kedalaman memenuhi model matematika berikut ini:
m1 + m2 zi + m3 zi2 = Ti
(2.8)
dimana m1 , m2 dan m3 adalah unknown parameter. Jadi pada model di atas terdapat tiga buah
model parameter, (M = 3). Adapun yang berlaku sebagai data adalah nilai-nilai temperatur T1 ,
T2 ,..., dan T8 . Berdasarkan model tersebut, kita bisa menyatakan temperatur dan kedalaman
sebagai sistem persamaan simultan yang terdiri atas 8 persamaan (sesuai dengan jumlah data
16
observasi):
m1 + m2 z1 + m3 z12 = T1
m1 + m2 z2 + m3 z22 = T2
m1 + m2 z3 + m3 z32 = T3
m1 + m2 z4 + m3 z42 = T4
m1 + m2 z5 + m3 z52 = T5
m1 + m2 z6 + m3 z62 = T6
m1 + m2 z7 + m3 z72 = T7
m1 + m2 z8 + m3 z82 = T8
Semua persamaan tersebut dapat dinyatakan dalam operasi matrik berikut ini:
1 z1 z12
T1
T2
1 z2 z22
1 z3 z32
T3
m1
T4
1 z4 z42
m2 =
1 z5 z52
T5
m
3
T6
1 z6 z62
T
1 z7 z72
7
T8
1 z8 z82
(2.9)
(2.10)
dimana d adalah data yang dinyatakan dalam vektor kolom, m adalah model parameter, juga
dinyatakan dalam vektor kolom, dan G disebut matrik kernel. Lantas bagaimana cara mendapatkan nilai m1 , m2 dan m3 pada vektor kolom m? Manipulasi berikut ini bisa menjawabnya
GT Gm = GT d
(2.11)
dimana t disini maksudnya adalah tanda transpos matrik. Selanjutnya, untuk mendapatkan
elemen-elemen m, diperlukan langkah-langkah perhitungan berikut ini:
17
G=
1 z1 z12
1 z2 z22
1 z3 z32
2
1 z4 z4
1 z5 z52
2
1 z6 z6
1 z7 z72
1 z8 z82
GT = z1
z2
z3
z4
z5
z6
z7
z8
z82
2. Tentukan GT G
1 1 1 1 1 1 1
G G = z1 z2 z3 z4 z5 z6 z7
z12 z22 z32 z42 z52 z62 z72
T
z8
z82
1 z1 z12
1 z2 z22
1 z3 z32
P
P 2
N
zi
zi
2
1 z4 z4
P
P
P
2
=
zi
zi
zi3
1 z5 z52
P
P
P
zi2
zi3
zi4
2
1 z6 z6
1 z7 z72
2
1 z8 z8
1 1 1 1 1 1 1
G d = z1 z2 z3 z4 z5 z6 z7
z12 z22 z32 z42 z52 z62 z72
T
z8
z82
T1
T2
T3
P
Ti
T4
P
=
z i Ti
T5
P 2
z i Ti
T6
T7
T8
P
P
P 2
N
zi
zi
m1
Ti
P 2 P 3
P
P
zi
zi
zi m2 =
z i Ti
P 2 P 3 P 4
P 2
zi
zi
zi
m3
z i Ti
(2.12)
18
219
8547
m1
349, 89
8547
393423 m2 = 12894, 81
219
8547 393423 19787859
m3
594915, 33
(2.13)
70
Suhu (Celcius)
60
50
40
30
20
10
10
20
30
Kedalaman (m)
40
50
Gambar 2.4: Hasil inversi atas data observasi perubahan suhu terhadap kedalaman. Tanda titik
merah adalah data observasi sementara kurva biru adalah kurva hasil inversi
Matlab yang lengkap untuk tujuan ini adalah
1
2
3
clc
clear
close
4
5
6
7
% Data observasi
z = [5 8 14 21 30 36 45 50];
T = [20.8 22.6 25.3 32.7 41.5 48.2 63.7 74.6];
8
9
10
19
grid;
xlabel(Kedalaman (m));
ylabel(Suhu (Celcius));
title(\fontsize{14} Variasi Suhu vs Kedalaman);
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
Demikianlah contoh aplikasi teknik inversi untuk menyelesaikan persoalan model parabola.
Anda bisa mengaplikasikan pada kasus lain, dengan syarat kasus yang anda tangani memiliki
bentuk model yang sama dengan yang telah dikerjakan pada catatan ini, yaitu model garis:
y = m1 + m2 x + +m3 x2 . Selanjutnya mari kita pelajari inversi model bidang atau model 2dimensi (2-D).
20
35
30
Nilai
25
20
15
10
10
10
8
6
4
Y (m)
2
0
X (m)
Gambar 2.5: Data observasi perubahan nilai terhadap posisi koordinat x dan y
Source code untuk menggambar grafik tersebut dalam Matlab adalah
1
2
3
clc
clear
close
4
5
6
7
8
% Data observasi
x = [2 5 7 4 1 3 6 9 8 4];
y = [3 6 2 7 8 9 4 1 5 5];
nilai = [10.6 23.5 27.3 20.8 11.1 18.9 25.4 33.5 33.2 24.1];
21
9
10
11
12
13
14
15
16
Model matematika untuk 2-dimensi berikut ini digunakan untuk analisa data tersebut:
m1 + m2 xi + m3 yi = di
(2.14)
dimana m1 , m2 dan m3 merupakan unknown parameter yang akan dicari. Adapun yang berlaku
sebagai data adalah d1 , d2 , d3 , ..., dN . Berdasarkan model matematika tersebut, kita bisa nyatakan
m1 + m2 x1 + m3 y1 = d1
m1 + m2 x2 + m3 y2 = d2
m1 + m2 x3 + m3 y3 = d3
..
..
..
..
..
.
.
.
.
.
m1 + m2 xN + m3 yN = dN
Semua persamaan tersebut dapat dinyatakan dalam operasi matrik berikut ini:
x1
y1
x2
1
..
.
x3
..
.
d2
y2
m
1
y3
m2 = d3
..
...
. m3
yN
dN
1 xN
d1
(2.15)
dimana d adalah data yang dinyatakan dalam vektor kolom, m adalah unknown parameter,
juga dinyatakan dalam vektor kolom, dan G disebut matrik kernel. Lantas bagaimana cara
mendapatkan nilai m1 , m2 dan m3 pada vektor kolom m? Sama seperti sebelumnya, kita harus
membuat persamaan matriks berikut ini
GT Gm = GT d
(2.16)
dimana T disini maksudnya adalah tanda transpos matrik. Selanjutnya, untuk mendapatkan
elemen-elemen m, diperlukan langkah-langkah perhitungan berikut ini:
22
1. Tentukan transpos dari matrik kernel, yaitu GT
G=
x1
y1
x2
1
..
.
x3
..
.
y2
y3
..
.
yN
1 xN
Gt = x1 x2 x3 xN
y1 y2 y3 yN
2. Tentukan GT G
GT G = x1 x2 x3 xN
y1
y2
y 3 yN
x1
y1
x2
1
..
.
x3
..
.
P
P
y2
N
xi
yi
P 2 P
P
y3
=
xi
xi
xi yi
P
P
P
..
yi2
xi yi
yi
.
yN
1 xN
Gt d = x1 x2 x3 xN
y1
y2
y3
yN
d1
d2
d
i
P
d3
=
xi di
P
..
yi d i
.
dN
P
P
N
xi
yi
m1
di
P 2 P
P
xi
xi
xi di
xi yi m2 =
P
P
P
P 2
m3
yi d i
yi
xi yi
yi
(2.17)
5. Sampai disini, jika tersedia data observasi, maka anda tinggal memasukan data tersebut ke
dalam persamaan di atas, sehingga nilai elemen-elemen m dapat dihitung dengan perintah
matlab
m=inv(G*G)*G*d
Langkah-langkah selanjutnya akan sama persis dengan catatan sebelumnya (model linear
dan model parabola)
Gabungan antara data observasi dan kurva hasil inversi diperlihatkan oleh Gambar 2.6
23
40
Nilai
30
20
10
0
10
10
8
6
4
Y (m)
2
0
X (m)
Gambar 2.6: Hasil inversi berbentuk bidang. Saya sebut saja sebagai bidang inversi
Gambar 2.7: Ini adalah hasil inversi yang sama, hanya saja bidang inversi diputar (di-rotasi)
pada suatu arah sehingga kita bisa saksikan dan pastikan bahwa sebaran titik data observasi
berada di-dekat permukaan bidang inversi
Script Matlab yang lengkap untuk tujuan ini adalah
1
clc
24
2
3
clear
close
4
5
6
7
8
% Data observasi
x = [2 5 7 4 1 3 6 9 8 4];
y = [3 6 2 7 8 9 4 1 5 5];
nilai = [10.6 23.5 27.3 20.8 11.1 18.9 25.4 33.5 33.2 24.1];
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
Anda bisa mengaplikasikan data pengukuran yang anda miliki, dengan syarat kasus yang anda
tangani memiliki bentuk model yang sama dengan yang telah dikerjakan pada catatan ini, yaitu
memiliki tiga buah model parameter yang tidak diketahui dalam bentuk persamaan bidang
(atau 2-dimensi): d = m1 + m2 x + m3 y.
Seorang astronot tiba di suatu planet yang tidak dikenal. Setibanya disana, ia segera mengeluarkan kamera otomatis, lalu melakukan ekperimen kinematika yaitu dengan melempar batu
vertikal ke atas. Hasil foto-foto yang terekam dalam kamera otomatis adalah sebagai berikut
Plot data pengukuran waktu vs ketinggian diperlihatkan pada Gambar 2.8. Anda diminta untuk membantu proses pengolahan data sehingga diperoleh nilai konstanta gravitasi di planet
tersebut dan kecepatan awal batu. Jelas, ini adalah persoalan inversi, yaitu mencari unkown
parameter (konstanta gravitasi dan kecepatan awal batu) dari data observasi (hasil foto gerak
sebuah batu).
Langkah awal untuk memecahkan persoalan ini adalah dengan mengajukan asumsi model
25
matematika, yang digali dari konsep-konsep fisika, yang kira-kira paling cocok dengan situasi
pengambilan data observasi. Salah satu konsep dari fisika yang bisa diajukan adalah konsep
tentang Gerak-Lurus-Berubah-Beraturan (GLBB), yang formulasinya seperti ini
1
ho + vo t gt2 = h
2
Berdasarkan tabel data observasi, ketinggian pada saat t = 0 adalah 5 m. Itu artinya ho = 5 m.
Sehingga model matematika (formulasi GLBB) dapat dimodifikasi sedikit menjadi
1
vo t gt2 = h ho
2
(2.18)
1
m2 = g
2
(2.19)
(2.20)
26
9
Tinggi (meter)
0.5
1.5
2.5
Waktu (detik)
3.5
4.5
Semua persamaan tersebut dapat dinyatakan dalam operasi matrik berikut ini:
t1
t2
t3
t4
..
.
t19
t20
t21
h1 5
h2 5
"
#
h3 5
m1
..
m
2
.
..
h19 5
t219
h20 5
t220
t22
t23
t24
(2.21)
27
G=
t1
t21
t2
t22
t23
2
t4
..
.
t219
2
t20
t3
t4
..
.
t19
t20
Gt =
"
t1 t2 t3 t4 . . . t19 t20
t21 t22 t23 t24 . . . t219 t220
2. Menentukan Gt G
GG=
"
t1 t2 t3 t4 . . . t19 t20
t21 t22 t23 t24 . . . t219 t220
t1
t21
t2
t22
t23
" P 2 P 3 #
ti
ti
2
t4
= P t3 P t4
..
i
i
.
t219
t220
t3
t4
..
.
t19
t20
Gt d =
"
t1 t2 t3 t4 . . . t19 t20
t21 t22 t23 t24 . . . t219 t220
h1
h2
#
h3
" P
t
h
i
i
h4
= P t2 h
..
i i
.
h19
h20
t2i
t3i
t3i
t4i
#"
m1
m2
" P
"
179, 4
689, 1
689, 1 2822, 9
#"
m1
m2
ti hi
t2i hi
273, 7
796, 3
(2.22)
Hasil operasi matriks ini dapat diselesaikan dengan satu baris statemen di matlab yaitu
28
9
Ketinggian (m)
0.5
1.5
2.5
Waktu (dt)
3.5
4.5
Suatu survei seismik dilakukan untuk mengetahui kedalaman sebuah reflektor mendatar sebagaimana tampak pada gambar
Waktu tempuh gelombang (t), yang bergerak sesuai dengan lintasan warna merah, memenuhi
model matematika berikut ini
4z 2 x2
+ 2 = t2
v2
v
(2.23)
29
R1
R2 R3 R4 R5 R6 R7 R8
Surface
z
v
Reflektor
Gambar 2.10: Reflektor mendatar pada kedalaman z. Kecepatan gelombang v dianggap konstan.
S adalah sumber gelombang seismik dan R adalah penerima gelombang seismik. Jarak antara S
dan R disebut offset (x). Sementara garis merah yang ada panahnya adalah lintasan gelombang
seismik.
Tabel 2.5: Data variasi offset (x) dan travel time (t)
Receiver R ke-i Offset (x), meter Travel time (t), detik
1
60
0, 5147
2
80
0, 5151
3
100
0, 5155
4
120
0, 5161
5
140
0, 5167
6
160
0, 5175
7
180
0, 5183
8
200
0, 5192
Petunjuk: sederhanakan model matematika di atas menjadi
m1 + m2 x2 = t2
(2.24)
Hasil yang benar adalah: kecepatan = 2797 m/dt ; kedalaman = 719 meter. Jika anda tidak
mendapatkan kedua angka tersebut, maka proses inversi anda mungkin masih keliru!
2.5.3
Suatu survei seismik dilakukan untuk mengetahui keberadaan sebuah reflektor miring sebagaimana tampak pada gambar
Waktu tempuh gelombang (t), yang bergerak sesuai dengan lintasan warna merah, memenuhi
model matematika berikut ini
t2 =
4z 2 4xz sin x2
+
+ 2
v2
v2
v
(2.25)
30
x
S
Surface
R2
R1
R3
R4
R5
z
v
a
Reflektor
O
Gambar 2.11: Reflektor miring dengan sudut kemiringan sebesar . Kecepatan gelombang v
dianggap konstan. S adalah sumber gelombang seismik dan R adalah penerima gelombang
seismik. Jarak antara S dan R disebut offset (x). Sementara garis merah yang ada panahnya
adalah lintasan gelombang seismik.
Tabel 2.6: Data variasi offset (x) dan travel time (t)
Receiver R ke-i Offset (x), meter Travel time (t), detik
1
60
0, 4877
2
80
0, 4900
3
100
0, 4924
4
120
0, 4949
5
140
0, 4974
Petunjuk: sederhanakan model matematika di atas menjadi
m1 + m2 x + m3 x2 = t2
(2.26)
2.6 Kesimpulan
Dari sejumlah contoh pada bab ini, terlihat bahwa matrik kernel kerap kali berubah-ubah, sesuai
dengan model matematika. Jadi, model matematika secara otomatis akan mempengaruhi bentuk rupa matrik kernelnya.
Bab 3
(3.1)
yi = a0 + a1 xi + ei
(3.2)
dimana ei disebut error, residual, atau sering juga disebut misfit atau kesalahan prediksi (pre-
diction error ). Garis regresi tidak akan berhimpit dengan setiap data observasi dan biasanya
untuk kasus inversi seperti ini selalu overdetermined. Secara umum, tipe masalah inversi seperti ini diselesaikan dengan metode least squares. Dengan metode least squares, kita mencoba
meminimalkan error, ei , dengan cara menentukan nilai a0 dan a1 sedemikian rupa sehingga
diperoleh jumlah-kuadrat-error, (S), yang minimal.
(3.3)
32
Tabel 3.1: Contoh data observasi yang dapat diolah oleh least squares
xi yi
xi
yi
1 1,3
6
8,8
2 3,5
7 10,1
3 4,2
8 12,5
4 5,0
9 13,0
5 7,0 10 15,6
16
14
12
10
Y 8
6
4
2
0
1
10
Gambar 3.1: Hasil plotting data observasi dalam sumbu-x dan sumbu-y
Problemnya adalah berapakah nilai konstanta a1 dan a0 yang sedemikian rupa, sehingga posisi garis tersebut paling mendekati atau bahkan melalui titik-titik data yang telah di-plot di
atas? Dengan kata lain, sebisa mungkin yi (pada persamaan (3.2)) sama dengan P (xi ) (pada
persamaan (3.3)) atau dapat diformulasikan sebagai
m
X
yi P (xi ) = 0
(3.4)
yi (a1 xi + a0 ) = 0
(3.5)
i=1
m
X
i=1
dimana jumlah data, m = 10. Suku yang berada disebelah kiri dinamakan fungsi error (error
function), yaitu
E(a0 , a1 ) =
m
X
yi (a1 xi + a0 )
(3.6)
i=1
Semua data yang diperoleh melalui eksperimen, fungsi error-nya tidak pernah bernilai nol. Jadi, tidak pernah didapatkan garis yang berhimpit dengan semua titik data ekperimen. Namun
demikian, kita masih bisa berharap agar fungsi error menghasilkan suatu nilai, dimana nilai
tersebut adalah nilai yang paling minimum atau paling mendekati nol. Harapan tersebut diwujudkan oleh metode least square dengan sedikit modifikasi pada fungsi error-nya sehingga
33
menjadi
E(a0 , a1 ) =
m
X
(3.7)
i=1
Agar fungsi error bisa mencapai nilai minimum, maka syarat yang harus dipenuhi adalah:
E(a0 , a1 )
=0
ai
(3.8)
dimana i = 0 dan 1, karena dalam kasus ini memang cuma ada a0 dan a1 . Maka mesti ada dua
buah turunan yaitu:
m
X
E(a0 , a1 )
[yi (a1 xi + a0 )]2 = 0
=
a0
a0
i=1
m
X
(yi a1 xi a0 )(1) = 0
2
i=1
a0 .m + a1
m
X
xi =
m
X
yi
(3.9)
xi yi
(3.10)
i=1
i=1
dan
m
E(a0 , a1 )
X
=
[yi (a1 xi + a0 )]2 = 0
a1
a1
i=1
m
X
(yi a1 xi a0 )(xi ) = 0
i=1
a0
m
X
xi + a1
i=1
m
X
x2i
i=1
m
X
i=1
Akhirnya persamaan (3.9) dan (3.10) dapat dicari solusinya berikut ini:
a0 =
Pm
dan
a1 =
2
i=1 xi
Pm
Pm
Pm
i=1 yi
i=1 xi yi
i=1 xi
Pm 2
Pm
2
i=1 xi ( i=1 xi )
Pm
Pm
yi
i=1 xi
Pm i=12
( i=1 xi )
Pm
i=1 xi yi
Pm 2
m
i=1 xi
(3.11)
(3.12)
Berdasarkan data ekperimen yang ditampilkan pada tabel diawal catatan ini, maka didapat:
a0 =
385(81) 55(572, 4)
= 0, 360
10(385) (55)2
dan
a1 =
10(572, 4) 55(81)
= 1, 538
10(385) (55)2
34
14
12
10
8
6
4
2
0
2
0
10
analysis ).
xi
+ Th
v
(3.13)
Parameter xi dan ti berperan sebagai known parameter (parameter yang diketahui). Sementara kecepatan gelombang pada medium, v, dan waktu tempuh gelombang secara vertikal, Th
bertindak sebagai unknowm parameter (parameter yang tidak diketahui). Metode regresi linear,
atau yang juga akrab disebut least square, dilakukan untuk memecahkan unknown parameter
tersebut, artinya metode regresi linear berupaya mencari nilai v dan Th . Pertama-tama proses
35
Tabel 3.2: Data seismik refraksi: waktu-datang gelombang, ti , dan jarak antara source dan
receiver atau jarak offset, xi
xi (m)
2
4
6
8
Trace
1
2
3
4
ti (ms)
5,1
9,2
11,9
14,9
a0 = Th
dimana
dan a1 =
1
v
(3.14)
Kesalahan (error ) diasumsikan hanya berasal dari cuplikan waktu gelombang datang. Penerapan metode regresi linear yang berusaha meminimalkan jumlah kuadrat dari error, ei =
ti (a0 + a1 xi ), dapat dinyatakan sesuai persamaan (3.11) dan (3.12). Dengan jumlah data,
m = 4, maka
a0 =
P4
dan
a1 =
P
P
4i=1 xi ti 4i=1 xi
= 2, 25
2
P
P
4
4
2
4
i=1 xi
i=1 xi
2
i=1 xi
P4
P4
i=1 ti
i=1 xi ti
P
4
2
i=1 xi
P4
i=1 xi
P4
i=1 ti
2
i=1 xi
P
4
= 1, 605
Dengan demikian kecepatan gelombang seismik pada medium tersebut1 adalah v = 1/a1 =
623, 053 m/dt. Adapun standard error 2a1 dan 2a0 ditentukan oleh rumus berikut
2
D
P
2a1
= m
2a0
= 2
(3.15)
x2
D
(3.16)
dimana
D = m
m
X
x2i
i=1
2 =
1 X 2
Ei
m2
m
X
i=1
xi
!2
i=1
Sebagai catatan tambahan, 2 adalah nilai deviasi rms (root mean square ) dari data ti
terhadap garis regresi hasil analisis (a0 + a1 xi ) dengan faktor (m 2) karena dalam masalah ini
hanya dicari 2 parameter model (a0 dan a1 ).
1
Nilai kecepatan yang diperoleh adalah nilai hasil analisis regresi linear. Namun itu bukan nilai yang mutlak, karena bisa jadi, pengukuran kecepatan gelombang menggunakan (misalnya) sonic-log memperoleh hasil yang berbeda,
walaupun perbedaan tersebut tidak boleh terlalu jauh atau masih bisa diterima
36
(3.17)
dan selanjutnya, solusi regresi linear diupayakan dengan cara meminimalkan jumlah kuadrat
dari error, ei . Cara ini tak lain berupaya untuk memperoleh misfit terkecil yaitu jarak perbedaan
terkecil antara data survei dan model. Dalam formulasi matematika, kuadrat error tersebut
dinyatakan dengan
q = eT e = (d Gm)T (d Gm)
(3.18)
Dimana simbol T maksudnya adalah operasi transpose. Agar kuadrat error di atas menghasilkan
nilai minimal, maka persamaan (3.18), diturunkan terhadap m dan hasilnya harus sama dengan
nol
dT d dT Gm mT GT d + mT GT Gm
q
=
=0
mj
mj
sehingga
dT G GT d + GT Gm + mT GT G = 0
akhirnya diperoleh
2GT Gm = 2GT d
GT Gm = GT d
(3.19)
Persamaan (3.19) disebut persamaan normal2 . Dengan persamaan normal, estimasi unknown
parameter yang terkandung pada vektor m ditentukan oleh
1 T
m = GT G
G d
(3.20)
Persamaan (3.20) disebut unconstrained least squares terhadap masalah inversi d = Gm.
1 T
Bagian GT G
G dinamakan Generalized Inverse yang mengolah data d untuk memperoleh
2
Sebetulnya kita sudah menuliskannya di Bab 2 sebagai persamaan (2.4), namun tanpa penurunan rumus
37
parameter model m. Untuk menyelesaikan persamaan (3.20) dengan operasi matriks secara
numerik atau komputasi bisa menggunakan beberapa metode, diantaranya metode Eliminasi
Gauss, LU-Decomposition, Iterasi Gauss-Seidel, dan Singular Value Decomposition.
3.4.0.1
Kembali kita tampilkan Tabel 3.3 merupakan data survei seismik refraksi yang dilakukan dengan
jarak offset xi , dan persamaan travel time adalah
ti =
xi
+ Th
v
Tabel 3.3: Data seismik refraksi: waktu-datang gelombang (ti ) pada empat posisi geophone (xi )
xi (m)
2
4
6
8
Trace
1
2
3
4
ti (ms)
5,1
9,2
11,9
14,9
Pertama-tama proses linearisasi dilakukan terhadap persamaan travel time sehingga menjadi
ti = a0 + a1 xi
dimana
a0 = Th
dan a1 =
1
v
Berdasarkan linearisasi tersebut, kita bisa menyusun sistem persamaan linear sebagai berikut:
t1 = a0 + a1 x1
t2 = a0 + a1 x2
t3 = a0 + a1 x3
t4 = a0 + a1 x4
Semua persamaan tersebut dapat dinyatakan dalam operasi matrik (d = Gm) berikut ini:
t1
1 x1
"
t2 1 x2 a0
t = 1 x a
3
1
3
t4
1 x4
dimana
t1
t2
d=
t3
t4
1 x1
1 x2
G=
1 x
3
1 x4
dan
m=
"
a0
a1
38
1 x1
1 x2
G=
1
x
3
1 x4
GT =
"
x1 x2 x3 x4
G G=
"
1 x1
#
1 x2
x4
1 x3
1 x4
x1 x2 x3
#
P
"
N
x
i
= P
P 2
xi
xi
dimana N = 4 dan i = 1, 2, 3, 4.
3. Kemudian menentukan perkalian GT d
GT d =
"
x1 x2 x3
t1
#
#
" P
t2
t
= P i
x4
t
xi ti
3
t4
1
a0
a1
"
#1 " P
#
P
N
xi
ti
P
P 2
P
xi
xi
xi ti
(3.21)
a0
a1
"
20
20 120
#1 "
41, 1
237, 6
(3.22)
3.5. SOAL
39
3.5 Soal
Diketahui data temperatur borehole sebagai berikut. Tentukan slope dan intercept pada z-axis
dan kemudian perkirakan temperatur pada kedalaman 390m.
Depth, z(m)
30
70
180
250
300
Temp, t(o C)
25,0
26,2
29,7
34,3
35,5
Bab 4
Geofisika merupakan ilmu yang bertujuan untuk memahami kondisi bawah permukaan bumi dengan menggunakan prinsip-prinsip ilmu fisika. Karena letaknya yang berada dibawah
permukaan bumi, maka obyek geofisika tidak bisa diamati dengan mata telanjang. Sebagai
gantinya, mau tidak mau obyek tersebut dipelajari dengan mengamati respon bawah permukaan
bumi ketika suatu gangguan fisis diberikan padanya. Selanjutnya, respon tersebut dianalisis
hingga diperoleh solusi yang nantinya siap menjadi acuan interpretasi.
Masalahnya, pada kebanyakan pengamatan geofisika, sangat mungkin mendapatkan solusi
yang berbeda-beda, yang semuanya itu bisa saja dipakai untuk menjelaskan data observasi.
Inilah yang disebut dengan istilah non-uniqueness problem atau non-unik. Namun demikian
pada akhirnya, kita harus memilih satu buah solusi yang paling baik menurut kita. Karena kita
sadar bahwa obyek yang sedang kita incar dibawah sana, pastilah hanya berada dalam satu
kondisi tertentu yang unik.
Untuk mendapatkan solusi yang unik, kita harus menambahkan sejumlah informasi yang
sebelumnya tidak ada pada persamaan least square d = Gm. Informasi tambahan ini disebut
a priori information, yang selanjutnya akan digunakan untuk meng-constrain solusi sehingga
diperoleh solusi yang dianggap paling tepat untuk menggambarkan kondisi bawah permukaan.
A priori information, atau yang saya indonesiakan menjadi informasi awal, ini didapat dari data
geofisika yang lainnya, atau bisa juga dari data borehole, atau juga bersumber dari data geologi.
42
(4.1)
Dimana D adalah matrik -dengan seluruh elemen selain diagonal bernilai nol- yang beroperasi
pada parameter model m sedemikian rupa sehingga parameter m "dipaksa" untuk sama persis dengan informasi awal (h). Kalau kita menyelesaikan persamaan (4.1), berarti kita telah
melakukan apa yang disebut dengan linear equality constraints. Formulasi matematika-nya
adalah sebagai berikut
= (d Gm)T (d Gm) + 2 (Dm h)T (Dm h)
(4.2)
Untuk mendapatkan error minimum maka turunan terhadap parameter model m dibuat sama
dengan nol
2GT Gm 2GT d + 2 2 DT Dm 2 2 DT h = 0
sehingga diperoleh persamaan normal
(GT G + 2 DT D)m = GT d + 2 DT h
(4.3)
(4.4)
(4.5)
Formula ini dinamakan inversi linear terkonstrain atau disebut juga the biased linear estimation technique. Keuntungannya adalah formula ini dapat membantu mendapatkan satu solusi
yang unik dari sejumlah solusi yang mungkin pada masalah overdetermined, dimana didalamnya terdapat ketidakpastian sebagai akibat dari kesalahan pengukuran (observational errors)
dan ketidakpastian (uncertainties). Parameter ditentukan secara coba-coba (trial and error),
namun biasanya ia memiliki nilai antara nol dan satu. Konstanta disebut faktor pengali undetermined atau disebut juga faktor pengali Lagrange. Sehingga metode ini disebut Lagrange
multiplier method (metode pengali Lagrange).
43
.
.
.
1
..
.
m1
m2
..
.
..
.
1
mp
h1
h2
..
.
hp
(4.6)
Namun demikian, persamaan matrik di atas dapat dimodifikasi sesuai kebutuhan. Misalnya jika
informasi awal yang diketahui hanya ada satu, modifikasinya menjadi
1 0 ... 0
m1
m2
..
.
mp
h
i
= hknown
(4.7)
Jika pada kasus lain, kita punya informasi awal yaitu parameter pertama dan parameter ke
empat, maka persamaan matrik terkonstrain menjadi
4.1.2
1
0
m1
h1
m2 0
m 0
0
3
1
m4
h4
(4.8)
(4.9)
dengan parameter model yang terdiri atas m1 dan m2 . Sementara data lapangan merupakan
pasangan dari jarak offset xi dan waktu datang gelombang (first arrival time) ti . Jika ada 4 data
lapangan, sistem persamaan linear yang bisa disusun adalah
t1 = m1 + m2 x1
t2 = m1 + m2 x2
t3 = m1 + m2 x3
t4 = m1 + m2 x4
Sekarang kita berasumsi memiliki informasi konstrain dari kegiatan explorasi sebelumnya bahwa solusi least square harus melewati titik koordinat (xc , tc ). Jadi kita harus meng-konstrain
44
1 xc
"
m1
m2
tc
(4.10)
Persamaan matrik di atas harus diintegrasikan dengan d = Gm sehingga solusi akhir merupakan
solusi terkonstrain yang kita harapkan lebih akurat dibandingkan jika tidak terkonstrain.
Tentu anda masih ingat pada least square tidak terkonstrain, dimana dikenal dua komponen
berikut GT G dan GT d.
GT G =
"
#
P
n
xi
P 2
P
xi
xi
dan
GT d =
" P
P
ti
xi ti
Agar menjadi terkonstrain kedua komponen itu mesti dimodifikasi sedemikian rupa sehingga
menjadi
P
n
xi 1
P 2
P
(GT G + 2 I) =
xi
xi xc
1
xc
0
(4.11)
dan
P
ti
P
(GT d + 2 h) =
xi ti
tc
(4.12)
Sebelum dilanjut, mari kita tengok lagi persamaan normal (4.4) secara utuh, yaitu
(GT G + 2 I)m = (GT d + 2 h)
Sekarang mari kita masukkan kedua komponen kedalam persamaan (4.4)
P
ti
m1
n
xi 1
P 2
P
xi ti
xi
xi xc m2 =
tc
1
xc
0
(4.13)
dimana nilai mesti kita tentukan secara coba-coba namun dalam batas antara nol dan satu.
45
Tabel 4.1: Data seismik refraksi: waktu-datang gelombang (ti ) pada empat posisi geophone (xi )
Trace
1
2
3
4
xi (m)
2
4
6
8
ti (ms)
5,1
9,2
11,9
14,9
Akhirnya, solusi terkonstrain terhadap inversi garis yang melewati (xc , tc ) adalah
1 P
P
n
xi 1
ti
P 2
P
mc = m2 =
xi ti
xi
xi xc
1
xc
0
tc
m1
(4.14)
Sekarang, kita melangkah pada kasus nyata. Tabel 4.1 menunjukkan data pengukuran seismik
refraksi. Tentukan parameter model untuk persamaan garis yang melewati titik (xc = 8, yc =
14, 9)! Langkah pertama kita hitung komponen matrik
P
n
xi 1
4 20 1
P 2
P
(GT G + 2 I) =
xi
xi xc = 20 120 8
1
xc
0
1
8 0
(4.15)
ti
41, 1
(GT d + 2 h) =
xi ti = 237, 6
tc
14, 9
(4.16)
Problem ini dapat diselesaikan secara numerik dengan metode Eliminasi Gauss. Solusi yang
diperoleh adalah m1 = 2, 3857, m2 = 1, 5643 dan = 0, 2714. Berikut ini adalah script lengkapnya dalam Matlab
clear all
clc;
a(1,1)=4;
a(1,2)=20;
a(1,3)=1;
a(1,4)=41.1;
a(2,1)=20;
a(2,2)=120;
a(2,3)=8;
a(2,4)=237.6;
a(3,1)=1;
a(3,2)=8;
46
a(3,3)=0;
a(3,4)=14.9;
a
n=3; % n = jumlah baris
4.2.1
Formulasi masalah
Mari kita pelajari bagaimana suatu masalah dapat diformulasikan menuju solusi yang smooth.
Jika diinginkan parameter model bervariasi dengan jarak selisih yang kecil, maka lakukanlah
proses minimalisasi perbedaan paramter yang berdekatan (m1 m2 ), (m2 m3 ),..., (mp1 mp ).
47
1 1
1
1 1
m1
m2
..
.
0
=
0
0
mp
(4.17)
dimana D adalah operator selisih yang bertindak sebagai matrik smoothness dan Dm disebut
penghalus (flatness) solusi vektor parameter model m.
Jika parameter model tidak bervariasi secara smooth terhadap posisi, maka gunakanlah persamaan konstrain berbentuk
.
.
.
1
..
.
..
.
1
m1
m2
..
.
0
=
0
0
mp
(4.18)
Dalam kasus ini, D adalah matrik identitas dengan dimensi p p dan dimensi h adalah p 1.
Operasi ini akan mendorong proses inversi menuju kondisi stabil. Untuk mendapatkan solusi
yang smooth, kita gunakan ukuran selisih seperti persamaan (4.2), dinyatakan sebagai
q2 (m) = (Dm h)T (Dm h) = mT DT Dm = mT Hm
(4.19)
dimana H = DT D.
Kita nyatakan mengenai masalah terkonstrain adalah: Dimulai dari data lapangan yang tidak
komplit, tidak lengkap, tidak cukup, kita mencari seluruh kemungkinan solusi dengan residual
q1 = |d Gm|2 dan solusi yang paling smoothness dengan judgement dari ukuran q2 (m).
Secara matematik, pernyataan di atas memiliki maksud: meminimalkan q2 = mT Hm dibawah
kondisi |d Gm|2 = q1 atau secara umum |d Gm|2 qT , dimana qT adalah nilai toleransi
maksimum dari residual atau misfit.
Masalah konstrain membutuhkan minimalisasi kd Gmk2 dan q2 (m) secara bersamaan,
= (d Gm)T (d Gm) + 2 (mT DT Dm)
4.2.2
(4.20)
Solusi masalah
Untuk mendapatkan solusi parameter model, perlu dilakukan minimalisasi terhadap persamaan
(4.20),
dT d mT GT d dT Gm + mT GT Gm + 2 mT Hm
=0
mj
sehingga
GT G + 2 H m = GT d
48
Ini adalah persamaan normal yang baru. Dan akhirnya solusi smoothness diturunkan sebagai
berikut
ms = GT G + 2 H
Dan bila D = I,
ms = GT G + 2 I
1
GT d
(4.21)
1
GT d
(4.22)
Persamaan (4.22) lebih populer disebut Damped Least Squares solution atau solusi Least Square
Teredam. Nama lainya yang juga cukup terkenal adalah inversi Marquardt.
Daftar Pustaka
[1] Meju, A Max., Geophysical Data Analysis: Understanding Inverse Problem Theory and Practice, (1994), Society of Exploration Geophysicists (SEG)
49
Indeks
akurasi, 3
model konseptual, 4
arus fluida, 3
model matematika, 1, 4
bahan tambang, 1
bessel, 7
data lapangan, 1
data observasi, 1
modulus bulk, 4
momen inersia, 5
noise, 3
non-linear, 6
densitas, 4
observasi, 31
eksplorasi, 3
parameterisasi, 6
elektroda, 7
permeabilitas, 4
fitting, 1
resistivity, 1
forward, 1
sampling rate, 3
gelombang elektromagnetik, 3
Schlumberger, 6
gelombang seismik, 3
sedimentasi, 3
gempa bumi, 3
seismik refraksi, 1
geologi, 4
slowness, 6
hambatan jenis, 4
hidrogeologi, 3
sumur bor, 3
unknown parameter, 1
highly non-linear, 7
human error, 4
instrumen, 4
instrumental error, 4
inversi, 1
inversi diskrit, 6
jejari bumi, 5
kernel, 5
komputasi, 5
laboratorium, 3
linearisasi, 6
lithospere, 3
matematika diskrit, 5
model fisik, 4
51