MODUL KE – 3
FORMULASI MASALAH INVERSI
Oleh:
Olivia Desni Sihaloho 118120072
Asisten :
Lestari Sukma Apriliana 12117009
Mustika 12117025
Santo Tri Prabowo 12117041
Agastya Pramadya 12117094
Michael Febrian Mardongan 12117128
Didian Noveni Waruwu 12117131
Muhammad Ichsan 12117143
Fira Pratiwi Darsono 12117151
Adapun tujuan dari praktikum kali ini tentang formulasi masalah inversi yaitu
agar mahasiswa mampu menyelesaikan permasalahan inversi linier dan mampu
mengaplikasikannya dalam permasalahan di bidang geofisika.
Dalam masalah inversi, kita selalu berhubungan dengan parameter model (M) dan
data (N); yang mana jumlah dari masing-masing akan menentukan klasifikasi
permasalahan inversi dan cara penyelesaiannya. Bila jumlah model parameter
lebih sedikit dibandingkan data observasi (M < N), maka permasalahan inversi ini
disebut overdetermined. Umumnya masalah ini diselesaikan menggunakan
pencocokan (best fit) terhadap data observasi. Dalam kondisi yang lain dimana
jumlah parameter yang ingin dicari (M) lebih banyak dari pada jumlah datanya
(N), maka masalah inversi ini disebut underdetermined. Dalam kasus ini terdapat
sekian banyak model yang dapat sesuai kondisi datanya. Inilah yang disebut
dengan masalah non-uniqness. Bagaimana cara untuk mendapatkan model yang
paling mendekati kondisi bawah permukaan? Menurut Meju, 1994 persoalan ini
bisa diselesaikan dengan model yang parameternya berbentuk fungsi kontinyu
terhadap posisi. Kasus yang terakhir adalah ketika jumlah data sama atau hampir
sama dengan jumlah parameter. Ini disebut evendetermined. Pada kasus ini model
yang paling sederhana dapat diperoleh menggunakan metode inversi langsung.
Pada bab ini, menyajikan dasar teknik inversi yang diaplikasikan pada model
garis, model parabola dan model bidang. Uraian aplikasi tersebut diawali dari
ketersediaan data observasi, lalu sejumlah parameter model (unknown parameter)
mesti dicari dengan teknik inversi. Mari kita mulai dari model garis.
Secara teori, variasi temperatur bawah permukaan akan semakin meningkat ketika
temperatur tersebut diukur semakin kedalam permukaan bumi. Misalnya telah
dilakukan sebanyak sepuluh kali (N = 10) pengukuran temperatur (Ti) pada
kedalaman yang berbeda beda (zi).
Lalu kita berasumsi bahwa variasi temperatur terhadap kedalaman ditentukan oleh
rumus berikut ini:
Semua persamaan tersebut dapat dinyatakan dalam operasi matrik berikut ini:
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 dan m2 pada vektor kolom m?
Manipulasi1 berikut ini bisa menjawabnya:
dimana T disini maksudnya adalah tanda transpos matrik. Selanjutnya, untuk
mendapatkan elemen-elemen m, diperlukan langkah-langkah perhitungan berikut
ini:
Gambar 2.2: Hasil inversi atas data observasi perubahan suhu terhadap
kedalaman.
Kembali kita ambil contoh variasi temperatur terhadap kedalaman dengan sedikit
modifikasi data. Misalnya telah dilakukan sebanyak delapan kali (N = 8)
pengukuran temperatur (Ti) pada kedalaman yang berbeda beda (zi). Tabel
pengukuran yang diperoleh adalah: Data observasi
Gambar 2.3 Data observasi perubahan suhu terhadap kedalaman dari permukaan
tanah.
Semua persamaan tersebut dapat dinyatakan dalam operasi matrik berikut ini:
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
G
Transpose
1 1 1 1 1 1 1 1
18 20
60 80 100 120 140 160 0 0
d. Hitung G transpose G
Gt.G
104
8 0
104 2E+
0 05
Inv (Gt.G)
1.10952 -0.0077381
-0.0077 5.92E-05
f. Didapat nilai m=inv (Gt G)G.t . Setelah itu data m1 dan m2 pun di dapat
m= inv (Gt.G)Gt.t
m1 0.51245119
m2 3.22E-05
g. Lalu lakukan pencarian data regresinya dan masukkan rumus ke dalam exel dan
cari dari data 1 sampai data ke 8
c. Masukkan data observasi dalam kali ini menggunakan s dan T dengan s sebagai
data offset dalam meter dan T adalah data time travel dalam sekon
e. Beri label pada plot nya,x label dan y label,dan juga beri judul
h. Plot hasil inversi berupa garis.Garis inversi dibedakan antara linear dan
polinom pada rumus bagian ini
i. Lakukan penamaan lagenda pada plot hasil gambar
4.1 Hasil
Script:
clc;clear all;close all;
% 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];
% Plot data
observasi
plot(z,T,'*r')
; grid;
xlabel('Kedalaman (m)');
ylabel('Suhu (Celcius)');
for k =
1:n
G(k,1)
= 1;
G(k,2)
= z(k);
end
d = T';
% Perhitungan inversi dengan general least-
squares m = inv(G'*G)*G'*d;
zz = 0:0.5:z(n);
TT = m(1) + m(2)*zz;
plot(zz,TT);
legend('Data Observasi','Data Kalkulasi','Location','Northwest')
Output:
Script:
clc;clear all;close all;
% 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];
% Plot data
observasi
plot(z,T,'*r')
; grid;
xlabel('Kedalaman (m)');
ylabel('Suhu (Celcius)');
for k =
1:n
G(k,1)
= 1;
G(k,2)
= z(k);
G(k,3) = z(k)^2;
end
d = T';
% Perhitungan inversi dengan general least-
squares m = inv(G'*G)*G'*d;
zz = 0:0.5:z(n);
TT = m(1) + m(2)*zz +
m(3)*zz.^2; plot(zz,TT);
Output:
Permasalahan 3
Menggunakan Exel
Menggunakan Matlab
Script
clc;
clear all;
close all;
% Data observasi
z = [60 80 100 120 140 160 180 200];
v = [0.5147 0.5151 0.5155 0.5161 0.5167 0.5175 0.5183 0.5192];
% Plot data observasi
plot(z,V,'*r');
grid; xlabel('Kedalaman (m)');
ylabel('Velocity (detik)');
title('\fontsize{14} Variasi Kecepatan vs Kedalaman');
% Membentuk matrik kernel G dan vektor d
n = length(z);
for k = 1:n g(k,1) = 1;
g(k,2) = z(k);
end
d = v';
% Perhitungan inversi dengan general least-squares
m = inv(g'*g)*g'*d;
% Plot hasil inversi (berupa garis least-squares)
hold on;
zz = 0:0.5:z(n);
vv = m(1) + m(2)*zz;
plot(zz,vv);
legend('Data Observasi','Data Kalkulasi','Location','Northwe st')
Output:
4.2 Pembahasan
Pada praktikum kali ini dilakukan tiga percobaan, yaitu percobaan inversi
model garis lurus, inversi model garis parabola dan analisis data seismic pada
reflector tunggal horizontal. Dari hasil yang diperoleh terdapat plot variasi suhu
terhadap kedalaman berdasarkan data observasi dan data hasil kalkulasi, yang
dimana data observasi merupakan data suhu terhadap kedalaman yang diperoleh
saat dilakukan akuisisi (pada gambar disimbolkan dengan bintang merah)
sedangkan data kalkulasi merupakan hasil perhitungan inversi terhadap data
observasi sehingga menghasilkan garis linier seperti pada gambar (pada gambar
disimbolkan dengan garis merah). Pada percobaan inversi model garis lurus
dapat kita lihat hubungan data observasi dengan data kalkulasi masih terdapat
misfit pada beberapa data atau bisa dibilang masih ada beberapa data observasi
yang masih melenceng dari data kalkulasinya. Sedangkan pada percobaan inversi
model parabola dapat kita lihat bahwa data observasi dan data kalkulasinya
sudah fit.
Pada percobaan inversi model garis lurus dilakukan sepuluh kali pengambilan
data terperatur pada kedalaman tertentu dan percobaan model parabola
dilakukan sebanyak delapan kali. Semakin dalam kedalamannya makan
temperaturnya juga semain tinggi untuk hasil grafik temperatur terhadap
kedalaman tergantung persamaan yang dipakai yang akan membentuk garis
linier atau parabola. Pada hasil yang diperoleh dapat kita bandingkan antara
hasil inversi model linier dengan hasil inversi model parabola. Dari gambar
sendiri kita bisa melihat perbedaannya yaitu untuk inversi model linier data
kalkulasinya garis lurus (linier) sedangkan hasil inversi model parabola data
kalkulasinya berbentuk parabola. Perbedaan tersebut terletak pada persamaan
yang digunakan. Persamaan untuk inversi model linier memenuhi
1. Hasil dari perhitungan matlab dan excel memiliki nilai yang sama
dan menjalaskan bagiaman keakuratan dat observasi dengancalkulasi
2. Pada beberapa problem kita dapat melihat bagimana jika data linear
dan hasil nilai parameter model lang linear maka misfitnya atau
errornya akan besar dan kurang sesuai dengan keadaan bawah
permukaan secara langsung namun jika memakai data yang memiliki
derajat yang tinggiakan menghasilkan error yang kecil dan sesuai
dengan keadaan asli