aku gak gitu mudeng dengan persoalan yang lagi dibahas disini. cuma mau berbagi pengalaman ajah..
waktu itu (dulu bangettt...) pernah ngerjain inversi utk kasus elastic impedance. nah saya gak tahu apakah rumus elastic impedance ini masuk kategori persamaan linier atau non-linier. by the way, anyway, busway.... dalam kasus tsb, input data saya adalah amplitude dan sudut, sedangkan parameter yang akan dicari adalah Vp1, Vs1, rho1, Vp2, Vs2 dan rho2 (1 dan 2 maksudnya layer 1 dan layer 2). teknik inversinya pakai marquadt-levenberg, dan prosesnya lumayan lancar2 aja. satu2nya problem terbesar yang saya jumpai saat itu adalah matriks hasil akhirnya rada bermasalah gara2 dalam matriks penyusunnya, angkanya ada yang terlalu kecil. seperti kita tahu Vp dan Vs kan angkanya sekitar 2000-3000, sedangkan rho berkisar 1.6-2.6 gara2 angka yang berbeda besar inilah maka matriks hasil akhirnya bermasalah. solusinya pada saat itu adalah dgn melakukan "normalisasi terhadap angka rho" (Leonard Lisapaly, personal communication, 2000). jadi angka rho-nya dikasih skalar supaya rada besar (kurang lebih pada kisaran angka yang mirip2 dgn angka Vp dan Vs-nya). perhitungan skalarnya tinggal hitung nilai RMS dari semua data input rho-nya, nanti pas keluar matriks akhir, khusus utk kolom rho, tinggal dibagi dgn angka skalar tsb utk mendapatkan harga yang sebenarnya. setelah pakai proses normalisasi ini, proses inversinya langsung lancar. ** soal trik supaya tidak terjebak ke dalam local minima gampang aja....kasih input yang angkanya dekat dgn global minima...beres dehhh.... utk kasus saya dulu (soal elastic impedance itu...), saya pernah coba seandainya saya tidak punya pengukuran shear velocity. jadi pura-puranya shear velocity akan terkorelasi dgn p-velocity lewat persamaan castagna. waktu di-cek ke data sumur, error-nya sampai 2 kali lipat (150-an persen gitu lahh...) ternyata, Vs-nya jatuh ke local minima. tapi begitu dikasih data input shear velocity yang mendekati hasil sebenarnya, langsung match (ya iyalah, kebangetan banget kalau gak match). artinya, teknik yang digunakan tidak membuat proses pencarian hasil akhir menjadi sangat liar sehingga sekalipun dikasih data input yang dekat dgn data sebenarnya, malah memberikan hasil akhir yang letaknya lompat ke local minima lainnya. cara lainnya, yah pakai constraint...tinggal akal-akalan gimana meletakkan angka constraint ini. kalau constraint-nya terlalu rapat, mungkin solusinya tidak akan pernah konvergen. tapi kalau constraint-nya terlalu lebar, bisa2 jatuh ke local minima lainnya. perlu ada strategi lain utk menentukan persentase constraint ini. salam, paulus On 5/16/07, Hilfan Khairy <[EMAIL PROTECTED]> wrote:
P Leo/P Befriko, R disini bukan Reflektifiti, tapi sembarang fungsi (hanya contoh saja). Saya sedang membuat program joint inversi antara parameter seismik dan resistivitas. Hambatan yang saya temui adalah hubungan antara data (d) dan parameter model (m) non-linear. Sangat sulit untuk dipetakan hubungan antara d dan m melalui matrik Kernel (G) karena bukan merupakan penjumlahan antar parameter. Memang ada cara lain untuk memetakan hubungan antara m dan d pada permasalahan inversi non-linear melalui linearisasi dengan derat Taylor sehingga merubah matrik Kernel (G) menjadi matrik Jacobi (J) yaitu turunan parsial dari model yang ingin diestimasi (point ke-2 P Befriko). Akan tetapi untuk jumlah data yang sangat banyak menghitung matrik Jacobi dan memecahkan inversi melalui matrik tentu sangat beresiko. Selain waktu komputasi yang lama akibat pemakain memori sangat besar (untuk menyimpan data matrik) dan beresiko inversi matrik singulir, juga pemilihan parameter model harus dekat dengan solusi (karakterisasi inversi non-linear yang dipecahkan melalui linearisasi). Untuk mengatasi waktu komputasi dan keterbatasan memori maka ingin saya coba metode iteratif Newton seperti Steepest Descent dan Conjugate Gradient. Untuk permasalahan inversi linier tentu "mudah" karena matrik Kernel A dapat dihitung. Tetapi untuk non-linear kembali saya tidak dapat memetakan matrik Kernel A. Kemarin saya baru baca makalah tentang non-linear CG namun ternyata didalamnya masih terdapat penguraian turunan pertama dan kedua melalui deret Taylor. Pertanyaan lanjutannya sekarang adalah: 1. Adakah teknik penyelasaian masalah inversi tanpa linearisasi melalui deret Taylor? 2. Bagaimana trik untuk mendapatkan nilai awal model supaya tidak terjebak ke dalam minimum lokal? Terimakasih atas pencerahannya. Salam, HK ----- Original Message ---- From: Leonard Lisapaly <[EMAIL PROTECTED]> To: fogri@iagi.or.id Sent: Wednesday, May 16, 2007 11:20:56 AM Subject: RE: [fogri] Tanya masalah inversi <!-- _filtered {font-family:Tahoma;panose-1:2 11 6 4 3 5 4 4 2 4;} /* Style Definitions */ p.MsoNormal, li.MsoNormal, div.MsoNormal {margin:0in;margin-bottom:.0001pt;font-size:12.0pt;font-family:"Times New Roman";} a:link, span.MsoHyperlink {color:blue;text-decoration:underline;} a:visited, span.MsoHyperlinkFollowed {color:blue;text-decoration:underline;} span.EmailStyle17 {font-family:Arial;color:navy;} _filtered {margin:1.0in 1.25in 1.0in 1.25in;} div.Section1 {} --> Pak Hilfan, Apakah R di sini adalah reflectivity ? LL From: Befriko Murdianto [mailto:[EMAIL PROTECTED] Sent: Wednesday, May 16, 2007 10:15 AM To: fogri@iagi.or.id Subject: Re: [fogri] Tanya masalah inversi Pak Hilfan, Saya coba jawab sependek pengetahuan saya: 1. Bentuk persamaan d=G.m hanyalah bentuk umum dari sistem persamaan di geofisika yg umumnya bersifat over-determined dan dapat diselesaikan menggunakan least-squares. Solusi dari persamaan ini adalah yg memiliki harga kesalahan rata2 kuadrat (mean square error) minimum, yaitu e=||Gm-d||^2. Dalam metode inversi least squares, kita mencari kuadrat kesalahan kumulatif yg terkecil, sehingga G'G m=G' d. Persamaan ini disebut persamaan normal yg dapat diselesaikan dgn berbagai cara. Jika didefinisikan R=G' G, maka didapat harga m=inv(R) G' d. Invers dari R dapat diselesaikan dgn menghitung matriks invers (jika matriks R berbentuk Toepplitz), namun ada kalanya matriks R ini memiliki harga eigen yg mendekati nol, sehingga dapat menggunakan cara lain, misalnya Marquardt - Levenberg seperti yg disarankan Pak Leo. 2. Untuk kasus Pak Hilfan, dapat dihitung dulu matriks jacobi G, yaitu matriks yg dihasilkan dari turunan parsial persamaan R = ((Km-Kd)/Km)^2*(1/((Vp^2-Vs^2) -Kd)) terhadap masing2 parameter yg ingin diestimasi (Kd, Vp, Vs). Kemudian dapat dihitung harga m yg menentukan besarnya perubahan parameter untuk meng-update model kita. 3. Mungkin pakai polynomial fitting? Semoga membantu, bsm At 12:22 AM 5/14/2007, you wrote: Dear all, Keterbatasan akal saya menemukan permasalahan inversi seperti di bawah, mohon pencerahan dari rekan-rekan: 1. Dalam mendapatkan estimasi parameter model melalui iteratif seperti CG, perlu diturunkan matrik Kernel untuk menghitung besarnya langkah alpha. Bagaimana mendapatkan matrik ini apabila persamaan yang akan di inversi bukan linear dan bukan penjumlahan ? apakah bisa didekati dengan matrik Jacobi?. Dengan kata lain sangat susah untuk menjabarkan persamaan dalam bentuk matrik d = G.m Contoh persamaan : R = ((Km-Kd)/Km)^2*(1/((Vp^2-Vs^2) -Kd)) dan ingin diestimasi Kd, Vp dan Vs. 2. Untuk memecahkan inversi melalui iteratif perlu diketahui matrik kernel A. Apabila saya melakukan linerasisasi dahulu melalui penguraian deret Taylor lantas persolan berubah menjadi memecahkan harga delta model (delta m) dengan matrik Kernel berubah menjadi matrik Jacobi. Bolehkah setelah itu saya gunakan CG untuk memecahkan persoalan inversi? 3. Adakah cara lain untuk memecahkan inversi non-linear selain linearisasi melalui deret Taylor ? Terima kasih bantuannya. Hilfan Khairy It's here! Your new message! Get new email alerts with the free Yahoo! Toolbar. ____________________________________________________________________________________Pinpoint customers who are looking for what you sell. http://searchmarketing.yahoo.com/
--------------------------------------------------------------------- To unsubscribe, e-mail: [EMAIL PROTECTED] Visit FOGRI Website: http://fogri.or.id FOGRI Archive: http://www.mail-archive.com/fogri%40iagi.or.id/ ---------------------------------------------------------------------