MODUL 4

INVERSI DAMPED LEAST SQUARE

1. Tujuan Praktikum:
Tujuan dari praktikum ini adalah agar mahasiswa mampu menyelesaikan permasalahan
inversi pada data geofisika menggunakan metode inversi damped least square.

2. Teori Dasar
Dalam geofisika, model dan parameter model digunakan untuk mengkarakterisasi suatu
kondisi bawah permukaan. Pemodelan merupakan proses estimasi model dan parameter
model berdasarkan data yang diamati di permukaan bumi. Dalam beberapa referensi istilah
model tidak hanya menyatakan representasi kondisi geologi oleh besaran fisis tetapi
mencakup pula hubungan matematik atau teoritis antara parameter model dengan respons
model. Terdapat 2 jenis pemodelan yang digunakan dalam geofisika, yaitu pemodelan ke
depan (forward modeling) dan pemodelan ke belakang inverse modeling).
Pemodelan ke depan (forward modeling) menyatakan proses perhitungan “data” yang
secara teoritis akan teramati di permukaan bumi jika diketahui harga parameter model
bawah permukaan. Perhitungan data teoritis ini menggunakan persamaan matematik yang
diturunkan dari konsep fisika yang mendasari fenomena yang ditinjau. Sedangkan
pemodelan ke belakang (inverse modeling) sering dikatakan sebagai “kebalikan” dari
pemodelan ke depan karena dalam pemodelan inversi parameter yang diperoleh secara
langsung dari data. Pemodelan inversi sering juga disebut sebagai data fitting karena dalam
prosesnya dicari parameter model yang menghasilkan respons yang fit dengan data
pengamatan.
Kesesuaian antara respons model dengan data pengamatan umumnya dinyatakan oleh
suatu fungsi obyektif yang harus diminimumkan. Dalam kalkulus, jika suatu fungsi
mencapai minimum maka turunannya terhadap variabel yang tidak diketahui dititik
minimum tersebut akan berharga nol. Karakteristik minimum suatu fungsi tersebut
digunakan untuk pencarian parameter model. Dari gambaran tersebut jelas bahwa
pemodelan inversi dapat dilakukan jika hubungan antara data dan parameter model (fungsi
pemodelan ke depan) telah diketahui. Dalam penyelesaian permasalahan inversi harus
diperhatikan pemilihan metode inversi yang digunakan. Pemilihan metode inversi yang
baik hendaknya memperhitungkan tingkat kesalahan data atau ketelitian data dalam proses
penyelesaian inversi. Dengan demikian solusi yang diperoleh secara objektif sesuai dengan
kualitas data. Umumnya pengaruh data dengan kesalahan cukup besar (atau tingkat
ketelitian rendah) harus diminimumkan agar hasil inversinya merupakan representasi data
dengan tingkat ketelitian yang baik.
Pada kasus over-determined terlalu banyak informasi yang didapatkan pada persamaan
𝐆𝐦 = 𝐝 atau jumlah data (N) lebih banyak dibandingkan dengan parameter model (M).
Secara umum, tipe masalah inversi seperti ini dapat diselesaikan dengan menggunakan
metode least squares. Dengan metode least squares kita mencoba meminimalkan error.
Solusi least square dalam permasalahan inversi linear dapat dinyatakan dalam persamaan
berikut.

𝐦 = [𝐆𝐓 𝐆]−𝟏 𝐆𝐓 𝐝

Solusi least square di atas terkadang juga belum memberikan kesesuaian antara respon
model dan data observasi. Dalam kebanyakan kasus 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. Tetapi pada akhirnya, kita harus memilih satu buah solusi yang
paling baik. Karena obyek yang ada di bawah permukaan, pastilah hanya berada dalam
satu kondisi tertentu yang unik. Untuk mendapatkan solusi yang unik, kita harus
menambahkan sejumlah informasi (a priori information) yang sebelumnya tidak ada pada
persamaan least square 𝐆𝐦 = 𝐝.
Metode damped least square menggabungkan syarat jumlah kesalahan (misfit) E dan
panjang vektor minimum. Penggabungan syarat ini menghasilkan persamaan berikut.

𝛗(𝐦) = E + ε2 L = 𝐞2 𝐞 + ε2 𝐦T 𝐦

dimana 𝜀 2 merupakan bobot relative antara kedua faktor yang diminimumkan.

Persamaan di atas kemudian diturunkan terhadap parameter model, dimana turunan
persamaan tersebut akan bernilai sama dengan nol. Dari sini, akan diperoleh harga
minimum dari persamaan tersebut. Dengan demikian, diperoleh solusi inversi linear
teredam (damped) yang dinyatakan sebagai berikut.

𝐦DLS = [𝐆𝐓 𝐆 + 𝛆𝟐 𝐖m ]−𝟏 𝐆𝐓 𝐝

Dimana 𝐦DLS merupakan solusi damped least square, 𝛆𝟐 merupakan bobot relatif antara
kedua factor yang diminimumkan, dan 𝐖m merupakan fungsi peredam.
3. Alat dan Bahan:
Alat dan bahan yang digunakan dalam praktikum ini adalah sebagai berikut:
a. PC/Laptop
b. Matlab (Min. Matlab 2013)

4. Langkah Pengerjaan:
Pada praktikum ini, akan dilakukan percobaan inversi dengan menggunakan damped
least square pada data geolistrik. Untuk dapat melakukan proses inversi, harus diketahui
terlebih dahulu persamaan matematis yang menyatakan hubungan antara model dengan
parameter model. Persamaan matematis (forward modeling) untuk metode geolistrik dapat
dituliskan sebagai berikut:
Ti+1 (𝜆) + 𝜌i tanh(𝜆hi )
Ti (𝜆) = ; i = n-1, . . . . . , 1
[1 + Ti (𝜆)tanh(𝜆hi )/𝜌i ]
Dimana n merupakan jumlah lapisan, 𝜌i dan hi merupakan resistivitas dan ketebalan
lapisan. Solusi inversi damped least square dapat dituliskan dengan persamaan berikut:

∆𝐦DLS = [𝐆𝐓 𝐆 + 𝛆𝟐 𝐖m ]−𝟏 𝐆𝐓 ∆𝐝

Penulisan simbol ∆ menyatakan besarnya perubahan yang terjadi pada parameter model
dan data observasi dengan kalkulasi. Dalam proses inversi, matriks G sering mengalami
permasalahan dimana matriks ini merupakan matriks singular (matriks dengan nilai
determinan mendekati nol) sehingga Ketika dilakukan proses inversi matriks akan bernilai
nol. Untuk mengatasi permasalahan ini, dapat digunakan metode SVD (Singular Value
Decomposition). Dalam metode SVD ini, matriks G akan dirubah dengan persamaan
berikut:
G = U S VT
Sehingga solusi model akan menjadi

∆𝐦DLS = [VS 2 V T + 𝛆𝟐 𝐖m ]−𝟏 VSU 𝐓 ∆𝐝

Dengan menambahkan damping factor pada elemen diagonal, akan diperoleh:

[VS 2 V T + 𝛆𝟐 𝐖m ] = (𝑉 𝑑𝑖𝑎𝑔(𝝀j 2 )V T + 𝛆𝟐 𝐖m

[VS 2 V T + 𝛆𝟐 𝐖m ] = V diag(𝝀j 2 + 𝛆𝟐 )V T
Inversi dari persamaan di atas menjadi:

1
(V diag(𝝀j 2 + 𝛆𝟐 )V T )-1 = V diag { } VT
𝜆j 2 + 𝛆𝟐

Sehingga diperoleh persamaan hasil substitusi kedua persamaan di atas menjadi:

1
∆𝐦DLS = V diag { 2 } V T VSU 𝐓 ∆𝐝
𝜆j + 𝛆𝟐

1
∆𝐦DLS = V diag { 2 } U 𝐓 ∆𝐝
𝜆j + 𝛆𝟐

Persamaan di atas merupakan solusi damped least square dengan menggunakan SVD.

Langkah pengerjaan program:

1. Membuat source code pemodelan ke depan (forward modeling) data geolistrik
dengan menggunakan persamaan forward modeling di atas. Source code untuk
pemodelan ke depa dapat dilihat pada file “VES1dmodf.m”.
2. Setelah source code dibuat, kita mencoba melakukan pemodelan ke depan untuk
model 4 lapis dimana nilai resistivitas lapisannya adalah 200, 25, 250, dan 1000
(dalam satuan ohm.m) serta ketebalan lapisannya adalah 10, 15, dan 20 meter.
Secara lebih lengkap source code untuk Langkah no. 2 adalah sebagai berikut:

clear all;clc;close all;

% Tentukan terlebih dahulu bentangan ab
ab=[1.5 2 4 6 8 10 12 15 20 25 30 40 50 60 75 100 125 150 175 200 250 300];

%Parameter Model Diketahui

res=[200 25 250 1000]; %nilai resistivitas lapisan
thk=[10 15 20]; %nilai ketebalan lapisan

%Proses perhitungan forward moding

for i=1:length(ab)
s=ab(i);
g=VES1dmodf(res,thk,s);
 rhoa(i,:)=g;
end

figure
subplot(1,2,1)
loglog(ab,rhoa,'b')
title('Resistivity Curve')
ylabel('App. Resistivity (ohm/m)');
xlabel('AB/2 (m)');
grid on

subplot(1,2,2)
rhoplot=[0,res];
thkplot=[0,cumsum(thk),max(thk)*10];
stairs(rhoplot,thkplot,'-r','LineWidth', 2)
grid on
ylim([0 100]);
xlim([1 10^4]);
set(gca,'Ydir','reverse');
set(gca,'Xscale','log');
title('Resistivity Model')
xlabel('Resistivity (ohm/m)');
ylabel('Depth (m)');
3. Simpan data hasil forward modeling dengan nama “data_kalkulasi.dat”, dimana
data ini berisi data “ab” pada kolom pertama dan data “rhoa” pada kolom kedua.
4. Membuat source code untuk membangun matrik Jacobi (matrik G). cara pembuatan
matrik ini dapat dilihat pada file “jacobian.m”.
5. Melakukan inversi damped least square untuk “data_kalkulasi.dat” dengan
memberikan inisial model terlebih dahulu.
Secara lengkap source code untuk proses inversi dapat dilihat seperti dibawah ini.
clear all;clc;close all;
format long
load data_kalkulasi.dat
x=data_ kalkulasi (:,1);
roa=data_ kalkulasi (:,2);
ab2=data_ kalkulasi;

%Model Initial
r=[100 20 100 500];
t=[5 5 5];

m=[r t];
rinitial=r;
tinitial=t;
lr=length(r);
lt=length(t);
kr=10e-5;
iteration=1;
maxiteration=100;
dfit=1;
while iteration < maxiteration
for i=1:length(x)
s=ab2(i);
g=VES1dmodf(r,t,s);
roal(i,:)=g;
end
el=log(roa)-log(roal);
dd=el;
misfit1=el'*el;
if misfit1<kr
loglog(x,roa,'*k',x,roal,'b')
axis([1 1000 1 1000])
break
end
[A]=jacobian(ab2,x,r,t,lr,lt,roa,roal);
[U,S,V]=svd(A,0);
ss=length(S);
say=1;
k=0;
while say<ss
diagS=diag(S);
beta=S(say)*(dfit^(1/say));
if beta < 10e-5
beta=0.001*say;
end
for i4=1:ss
SS(i4,i4)=S(i4,i4)/(S(i4,i4)^2+beta);
end
dmg=V*SS*U'*dd;
mg=exp(log(m)+dmg');
r=mg(1:lr);
t=mg((1+lr):end);
for i5=1:length(x)
s=ab2(i5);
g=VES1dmodf(r,t,s);
roa4(i5,:)=g;
end
e2=(log(roa)-log(roa4));
misfit2=e2'*e2;
if misfit2>misfit1
('Beta control')
say=say+1;
k=k+1;
if k==ss-1
iteration=maxiteration;
say=ss+1;
end
else
say=ss+1;
m=mg;
dfit=(misfit1-misfit2)/misfit1;
iteration=iteration+1;
 a=iteration;
if dfit<kr
iteration=maxiteration;
say=say+1;
end
end
end
subplot(1,2,1)
loglog(x,roa,'*k',x,roa4,'b')
axis([1 1000 1 1000])
grid on
pause(0.1)
fprintf('Iteration=%i Min Error=%.8f \n',iteration,misfit1)
end
observed=roa;
calculated=roa4;
h=legend('obs','cal',1);
format bank
m;
rr=[0,r];
tt=[0,cumsum(t),max(t)*10];
subplot(1,2,2)
stairs(rr,tt,'k-')
hold on
rrr=[0,rinitial];
ttt=[0,cumsum(tinitial),max(tinitial)*10];
subplot(1,2,2)
stairs(rrr,ttt,'r--')
axis([1 5000 1 100])
set(gca,'Ydir','reverse');
set(gca,'Xscale','log');
title('Resistivity Model')
xlabel('Resistivity (ohm/m)');
ylabel('Depth (m)');
 legend('inv-mod','ini-mod','Location','SouthWest')
fprintf('True_Res=%0.2f \n',r)
fprintf('Thickness=%0.2f \n',t)

TUGAS
1. Buatlah forward modeling dengan ketentuan sebagai berikut:
a. Model 3 lapis dengan ketebalan yang sama dimana nilai resistivitas semakin
bertambah besar dengan bertambahnya kedalaman (𝝆𝟏 < 𝝆𝟐 < 𝝆𝟑 ).
b. Model 3 lapis dengan ketebalan yang sama dimana nilai resistivitas semakin
kecil dengan bertambahnya kedalaman (𝝆𝟏 > 𝝆𝟐 > 𝝆𝟑 )..
c. Model 3 lapis dengan ketebalan yang sama dimana nilai resistivitas lapisan
kedua lebih kecil dari pada lapisan yang lainnya (𝝆𝟏 > 𝝆𝟐 < 𝝆𝟑 )..
2. Lakukan proses inversi untuk setiap model pada soal no. 1a, 1b, dan 1c dimana nilai
model inisial (resistivitas dan ketebalan) adalah sebesar 0,5 dan 0.8 dari parameter
model yang Anda buat.
3. Analisis bagaimana hasil inversi yang Anda buat dengan kedua model inisial pada
soal no. 2.