Zeitschrift für Geologie und Geophysik
Offener Zugang

Abstrakt

Neuartiger Ansatz zur Umkehrung des 1D-Widerstandes unter Verwendung der systematisch ermittelten optimalen Anzahl von Schichten

Ammar Alali, Frank Dale Morgan, Darrell Coles

Die Bestimmung der richtigen Anzahl von Schichten als Eingabe für die 1D-Inversion des spezifischen Widerstands ist wichtig, um ein Modell zu konstruieren, das den Untergrund genau darstellt. Derzeit übliche Methoden zur Auswahl der Anzahl von Schichten werden auf eine von drei Arten durchgeführt: durch Ausprobieren und Auswählen der besten Modelldatenanpassung, durch Verwendung des modifizierten F-Tests, durch glatte Überparametrisierung oder durch transdimensionale Modellparametrisierung. Obwohl diese Methoden kreative Ansätze sind, sind sie rechenintensiv und in der Praxis zeitaufwändig und mühsam. In diesem Artikel stellen wir eine Methode vor, die das Problem der Auswahl der richtigen Anzahl von Schichten löst, die durch die Kurve des scheinbaren spezifischen Widerstands dargestellt werden. Die Methode folgt dem von Simms und Morgan (1992) vorgeschlagenen zweistufigen Ansatz, um systematisch die optimale Anzahl von Schichten zu ermitteln. Der erste Schritt besteht darin, eine Inversion mit fester Dicke unter Verwendung einer großen Anzahl von Schichten durchzuführen, bei der die Anzahl der Schichten und die Schichtdicken fest sind und die spezifischen Widerstandswerte Inversionsparameter sind. Anschließend summieren wir das Ergebnis der ersten Inversion über die Tiefe (das Widerstandsmodell), um die optimale Anzahl von Schichten basierend auf Änderungen der Neigung zu bestimmen. Die ermittelte Anzahl von Schichten wird als Eingabeparameter für den zweiten Schritt verwendet, bei dem eine Inversion mit variabler Dicke (Schichtdicke und Widerstand sind beide Inversionsparameter) für das Ergebnis, das endgültige Widerstandsmodell, ausgeführt wird. Jeder Schritt verwendet die gedämpfte kleinste-Quadrate-Inversion von Ridge Trace. Die beiden Inversionsschritte werden integriert, um nacheinander ausgeführt zu werden. Die Methode bestimmt alle Inversionsparameter basierend auf den Daten auf selbstkonsistente Weise. Diese vorgeschlagene Methode verwendet einen robusten Ridge-Trace-Regressionsalgorithmus, der sich als stabil, genau und mindestens hundertmal schneller als aktuelle Methoden erwiesen hat.