Anda di halaman 1dari 9

UAS METODE INVERSI B

FORWARD MODELLING DAN INVERSI LINIER 2D


GAYA BERAT

KHARIS AULIA ALAM


03411540000050

DEPARTEMEN TEKNIK GEOFISIKA


FAKULTAS TEKNIK SIPIL LINGKUNGAN DAN KEBUMIAN
INSTITUT TEKNOLOGI SEPULUH NOPEMBER
SURABAYA
2018
UAS METODE INVERSI B
1. Forward Modelling dan Inversi Linier 2D Gravity
Forward Modelling menyatakan suatu proses perhitungan data yang secara teoritis akan
teramati di permukaan bumi jika diketahui harga parameter model bawah permukaan tertentu.
Dalam proses pemodelan data ke depan ini, dilakukan proses coba-coba dengan mengubah nilai
parameter model sehingga terjadi kesesuaian antara respon model dengan data lapangan. Dengan
kata lain pemodelan ke depan tidak hanya mencakup perhitungan respon model, melainkan juga
proses coba-coba secara manual untuk memperoleh model yang memberikan respon cocok
terhadap data. Adapun skema pemodelan ke depan tentang pernyataan diatas adalah sebagai
berikut:

Parameter Forward Data


Model Modelling Perhitungan

Gambar 1.1 Forward Modelling untuk menghitung respon model

Parameter
Model

Forward Modifikasi
Modelling Parameter

No
Data Data
Perhitungan Fit? Lapangan

Yes

Model

Gambar 1.2 Forward Modelling untuk memperoleh model yang tepat


Pemodelan Inversi adalah proses untuk memperoleh parameter model dari data. Pemodelan
inversi sering disebut juga sebagai data fitting karena dalam prosesnya dicari parameter model
yang menghasilkan respon yang cocok dengan data pengamatan. Tentunya dalam pemodelan
inversi, hubungan antara parameter moodel dengan data perlu diketahui terebih dahulu untuk bisa
melanjutkan proses. Dalam pemodelan geofisika secara umum perlu dicatat bahwa hasil model
bukan hasil yang unik. Hal ini dikarenakan suatu respon yang kita ingin dapatkan bisa dibentuk
dari beberapa kombinasi model yang berbeda. Ketidak-unikan solusi ini bisa terjadi karena 3 hal,
yaitu sifat fisika yang ditinjau, noise, dan kurangnya jumlah data.
Salah satu proses pemodelan ke depan dan inversi dalam geofisika adalah pengolahan data
gaya berat. Dalam data gaya berat, parameter model adalah densitas anomali di bawah permukaan.
Sementara parameter data adalah respon gravitasi pada daerah pengukuran. Dalam proses
pemodelan ke depan yang linier, matriks kernel disusun oleh parameter volume bola (kasus bola
homogen), konstanta gravitasi, posisi anomali, serta densitas anomali. Kali ini akan digunakan data
sintetis atau coba-coba untuk mendapatkan respon gravitasi pada daerah pengukuran. Nantinya
nilai yang sudah didapatkan akan dikembalikan lagi dengan proses inversi untuk mendpatkan
parameter model. Dalam percobaan kali ini juga akan dilakukan 2 variasi dalam proses inversi yaitu
dengan dan tanpa pembobotan. Langkah pengerjaan pada percobaan kali ini adalah sebagai berikut:

Inisiasi Inisiasi x Forward Nilai Plot Model


(1) Parameter dan z Modelling Gobs Bawah
Anomali Pengukuran Permukaan

Pemodelan Parameter Forward Plot


(2) Nilai Ginv
Inversi Model Modelling terhadap x

Mencari Pemodelan Nilai Bandingkan


Membentuk Inversi Gbob
misfit hasil plot
(3) Matriks
antara Gobs Gobs,
Diagonal
dengan Parameter Ginv, dan
Misfit Forward
Ginv Model Gbob
Modelling

Gambar 1.3 Skema Percobaan, dimana (1) adalah proses Forward Modelling, (2) merupakan proses
inversi tanpa pembobotan, dan (3) merupakan proses inversi dengan pembobotan
Hasil dari semua proses diatas adalah sebagai berikut :

Gambar 1.4 Perbandingan model Gambar 1.5 Perbandingan


inversi tanpa dan dengan pembobotan Gobs, Ginv dan Gbob
Gambar 1.6 Plot Nilai Respon Gravitasi Observasi, Gravitasi Inversi Tanpa Pembobotan, dan Gravitasi
Inversi Pembobotan Serta Plot Posisi dan Kedalaman Anomali

Gambar 1.7 Close Up Perbedaan Nilai Respon Pada Plot

2. Pendekatan Metode Gradien


Metode Gradien merupakan salah satu pendekatan yang dapat digunakan dalam proses
inversi. Gradien suatu fungsi menunjukkan arah peningkatan terbesar fungsi tersebut. Pada
pendekatan metode gradien, model pada setiap iterasi akan dikoreksi dalam arah negatif dari
gradien fungsi obyektif. Metode gradien menggambarkan perubahan nilai dari nilai acuan coba-
coba mendekati nilai respon sebenarnya melalui iterasi yang memanfaatkan error antara data n+1
dengan data n sebagai faktor untuk menghentikan iterasi. Pada percobaan kali ini data pada
permasalahan gravitasi sebelumnya digunakan kembali pada pendekatan metode gradien ini.
Adapun langkah pengerjaan pendekatan metode gradien ini adalah sebagai berikut :
Inisiasi Plot Posisi Plot Rho
Plot Respon Anomali Bandingkan
Parameter dan
G Sebelum Awal Plot Rho
Pendekata Kedalama
Pendekatan Terhadap Anomali
n n Anomali
Posisi

Forward Plot Respon Plot Rho


Modelling Nilai Bandingkan Anomali
G
dengan Ggrad0 Plot Respon Gradien
Pendekatan
Model Gravitasi Terhadap
Awal
Percobaan Posisi
Awal

Nilai Ggrad
Inisiasi Iterasi Plot Respon Plot Error
Keseluruha
Matriks Pendekata Ggrad (30) Keseluruha
n Iterasi
Error n Gradien dan Akhir n Iterasi

Gambar 2.1 Skema Pengerjaan Pendekatan Metode Gradien, dimana Ggrad0 merupakan respon gravitasi
pada awal metode gradien dan Ggrad(30) merupakan respon gravitasi pada iterasi ke 30 metode gradien
Dari proses diatas didapatkan hasil sebagai berikut :

Gambar 2.2 Plot Hasil Seluruh Proses Metod Gradien, dimana Plot(1) merupakan plot perbandingan
respon gravitasi, Plot(2) merupakan plot posisi anomali terhadap kedalaman, Plot(3) merupakan plot
perbandingan nilai rho anomali awal dengan rho anomali metod gradien, dan Plot(4) merupakan plot
perubahan nilai error
Penjabaran Script :
%Script oleh Kharis Aulia Alam_03411540000050
clc;
clear all;

%%FORWARD MODELLING
%inisisasi anomali
xo=[10 60 85 20]; Inisiasi posisi, kedalaman, jari-jari,
zo=[30 50 15 15]; dan rho anomali
r=5;
rho=20;

%inisiasi x dan z keseluruhan, serta konstanta gravitasi


x=0:1:100;
z=zeros(length(x),1); Inisiasi x dan z dari bidang
KGrav=6.67*10^(-11);
Gobs=zeros(length(x),1);
pengukuran, serta konstanta gravitasi

%menghitung data (gravity dalam mgal)


for i=1:length(x)
for j=1:length(xo)
gobs(i,j)=KGrav*(4/3*pi*(r^3)*zo(j)*rho*10^5 /((x(i)-xo(j))^2+(z(i)-
zo(j))^2)^(3/2));
Gobs(i)=Gobs(i)+ gobs(i,j);
end Proses Forward Modelling
end
Gobs=Gobs+random('Uniform',0,0.0000025,length(x),1);

%plot nilai Gobs


subplot(2,1,1)
plot(x,Gobs,'b','LineWidth',2)
hold on Plot Respon Gravitasi Observasi
xlabel('Posisi (m)');
ylabel('Gravitasi (mgal)');
title('Forward Modelling Gravity');

%plot model anomali


subplot(2,1,2)
plot(xo,zo,'or')
xlim([0 100]); Plot Model Anomali (Posisi dan
ylim([0 100]); Kedalaman)
set(gca,'ydir','reverse');
xlabel('Posisi (m)');
ylabel('Kedalaman (m)');

%%INVERSI LINIER TANPA PEMBOBOTAN


%inversi model Proses Inversi Tanpa Pembobotan
for i=1:length(x)
for j=1:length(xo)
Kernel(i,j)=KGrav*(4/3*pi*(r^3)*zo(j)*10^5 /((x(i)-xo(j))^2+(z(i)-
zo(j))^2)^(3/2));
end
end
m=inv(Kernel'*Kernel)*(Kernel'*Gobs); Rho anomali hasil Inversi

%menghitung Gravitasi dari model inversi


Ginv=Kernel*m; Respon Gravitasi dari Rho Inversi

%plot Gravitasi model inversi


subplot(2,1,1)
plot(x,Ginv,'r--','LineWidth',2) Plot Respon Gravitasi hasil Inversi
hold on

%%INVERSI LINIER PEMBOBOTAN


misfit=Ginv-Gobs.^2; Proses Inversi Pembobotan
w=(misfit).^(-2);
mbob=(inv(Kernel'*diag(w)*Kernel))*Kernel'*diag(w)*Gobs;
Gbob=Kernel*mbob;

%plot Gravitasi pembobotan


subplot(2,1,1) Plot Respon Gravitasi hasil Inversi
plot(x,Gbob,'y:','LineWidth',2) Pembobotan
hold on
legend('G Observasi','G Inversi','G Pembobotan','Location','north')

%%PENDEKATAN METODE GRADIEN


%inisiasi parameter pendekatan
tau=0.5;
c1=0.0001;
Inisiasi Parameter Awal Pendekatan
alpha=0.9; Metode Gradien
mgrad0=zeros(length(xo),1);

%plot G sebelum pendekatan


figure (2)
subplot(4,1,1);
plot(x,Gobs,'b','LineWidth',2); Plot Respon Gravitasi Observasi
hold on Awal
xlabel('Posisi (m)');
ylabel('Gravitasi (mgal)');

%plot kedalaman anomali


subplot(4,1,2);
plot(xo,zo,'or')
xlim([0 100]); Plot Anomali terhadap Kedalaman
ylim([0 100]);
set(gca,'ydir','reverse');
xlabel('Posisi (m)');
ylabel('Kedalaman (m)');

%nilai gravitasi pendekatan gradien awal


Ggrad0=Kernel*mgrad0;
Respon Gravitasi pada awal Metode
Gradien
%plot G pendekatan gradien awal
subplot(4,1,1);
plot(x,Ggrad0,'r--','LineWidth',2); Plot Respon Gravitasi Awal Metode
Gradien
%inisiasi matriks error dan perhitungan
n=100000;
E=zeros(length(n),1); Inisiasi Matriks dan Parameter
Eo=(Gobs-Ggrad0)'*(Gobs-Ggrad0);
E(1)=Eo; Perhitungan Error

%pendekatan gradien
op = -2*(Kernel'*(Gobs-Ggrad0));
for k = [1:n] Perhitungan Parameter Iterasi
v = -op / sqrt(op'*op);

%metode backstep
for kk=[1:10]
mgrad = mgrad0 + alpha*v;
Ggrad = Ke rnel*mgrad;
Egrad = (Gobs-Ggrad)'*(Gobs-Ggrad); Metode Backstep
opg= -2*(Kernel'*(Gobs-Ggrad));
if( (Egrad<=(Eo + c1*alpha*v'*op)) )
break;
end
alpha = tau*alpha;
end

%perubahan nilai
Dmg = sqrt( (mgrad-mgrad0)'*(mgrad-mgrad0) ); Perubahan nilai model

%update
mgrad0=mgrad;
Ggrad0 = Ggrad; Update Parameter untuk Iterasi
Eo = Egrad; Berikutnya
op = opg;
E(k+1) = Eo;

%plot pendekatan pada iterasi ke-30


if( k==30 ) Plot Respon Gravitasi pada Iterasi
subplot(4,1,1); Ke-30
plot(x,Ggrad0,'g--','LineWidth',2);
end

%stop iterasi berdasarkan parameter perubahan nilai


if( Dmg < 1.0e-6 )
break; Syarat Iterasi Stop
end
end

%plot hasil akhir pendekatan gradien


subplot(4,1,1) Plot Respon Gravitasi pada Iterasi
plot(x,Ggrad0,'g:','LineWidth',2); Terakhir Metode Gradien
fprintf('%d iterations\n',k);
legend('G Observasi Awal','G Gradien Awal','G Gradien Iterasi Ke-30','G
Gradien Akhir','location','north')

%plot rho anomali


subplot(4,1,3) Plot Perbandingan Rho Anomali
plot(xo,rho,'or',xo,mgrad0,'*b'); Awal dan Sesudah Pendekatan
ylim([15,25]); Gradien
xlim([0,100]);
xlabel('Posisi (m)');
ylabel('Anomali Rho');

%plot perubahan error Plot Perubahan Error


subplot(4,1,4);
set(gca,'LineWidth',2);
hold on;
plot([1:k],log10(E(1:k)/E(1)),'k-','LineWidth',3);
xlabel('Iterasi ke-');
ylabel('log10 error, E');

Dari seluruh proses diatas dapat diketahui bahwa :

 Proses Forward Modelling mendapatkan Data hasil respon gravitasi


 Proses Inversi dari Data Respon Gravitasi mendapatkan Parameter Model Rho Anomali
 Proses pembobotan melalui misfit TIDAK selalu meghasilkan nilai yang lebih mendekati nilai
awal. Hal ini bisa dikarenakan oleh adanya noise sehingga pembobotan dengan misfit menjadi
kurang tepat. Hal ini bisa diakai dengan melaukan pembobotan manual berdasarkan tingkat
kepercayaan subjektif terhadap data
 Proses Pendekatan Metode Gradien membutuhkan waktu yang lama untuk menghasilkan data yang
mendekati data awal
 Model akhir metode gradien sama dengan model yang dihasilkan setelah inversi