velikost textu

Stochastické simulace a modelování v magnetotelurické metodě

Upozornění: Informace získané z popisných dat či souborů uložených v Repozitáři závěrečných prací nemohou být použity k výdělečným účelům nebo vydávány za studijní, vědeckou nebo jinou tvůrčí činnost jiné osoby než autora.
Název:
Stochastické simulace a modelování v magnetotelurické metodě
Název v angličtině:
Stochastic simulations and modelling in the magnetotelluric method
Typ:
Disertační práce
Autor:
Bc. Radek Klanica
Školitel:
RNDr. Josef Pek, CSc.
Oponenti:
RNDr. Bohuslav Růžek, CSc.
RNDr. Jakub Velímský, Ph.D.
Id práce:
171329
Fakulta:
Přírodovědecká fakulta (PřF)
Pracoviště:
Ústav hydrogeologie, inž. geologie a užité geofyziky (31-450)
Program studia:
Aplikovaná geologie (P1202)
Obor studia:
-
Přidělovaný titul:
Ph.D.
Datum obhajoby:
16. 10. 2019
Výsledek obhajoby:
Prospěl/a
Jazyk práce:
Čeština
Abstrakt:
Abstrakt V této práci se zabývám vývojem stochastické obrácené úlohy pro magnetotelurickou metodu v případě 1D/2D izotropní a anizotropní úlohy a její aplikací na syntetická a reálná data. Magnetotelurická metoda je geoelektrická induktivní metoda, která využívá jako zdroj indukce v Zemi variace přírodního elektromagnetického pole, na základě jejichž zpracování a interpretace dokáže zjistit odpor horninového prostředí až do hloubek desítek kilometrů. Obrácená úloha je v magnetotelurice řešena s cílem určit skutečné rozložení elektrického odporu pod povrchem Země na základě povrchových měření. Běžné metody řešení obrácené úlohy jsou založeny na optimalizaci modelu prostředí s omezením na shodu mezi pozorovanými daty a modelovou odezvou. Naproti tomu stochastické metody jsou založené na prohledávání prostoru parametrů a vybírání modelů na základě jejich pravděpodobnosti, díky čemuž jsou vhodné pro mnohadimenzionální úlohy, které nelze charakterizovat jedním výrazným minimem. Efektivní cestou jak zmapovat velký prostor parametrů jsou simulace Monte Carlo, pomocí nichž lze efektivně třídit přijatelné modely z hlediska pravděpodobnosti. Výsledkem těchto simulací je pravděpodobnostní popis jednotlivých parametrů, nikoli jeden výsledný model. Vzhledem k výhodám stochastické úlohy jsem vyvinul obrácenou úlohu založenou na vzorkovací metodě DREAM, která byla speciálně rozvinuta pro mnohodimenzionální problémy. Jedná se o adaptivní algoritmus Monte Carlo s Markovovými řetězci, který používá více souběžně běžících řetězců a kombinuje několikeré vzorkování se vzorkováním z minulých stavů. Vzorkovací metodu DREAM jsem nejprve zapracoval do 1D izotropní/anizotropní a následně i do 2D izotropní/anizotropní magnetotelurické úlohy a otestoval na syntetických modelech. V průběhu vývoje algoritmu jsem se účastnil celé řady nových terénních experimentů, během nichž jsem získal, zpracoval a interpretoval nová magnetotelurická data, na která jsem následně mohl stochastickou úlohu aplikovat. Konkrétními cíli byly tektonické jednotky západočeské seismoaktivní oblasti, východní okraj Českého masivu a okolí bradlového pásma v karpatské soustavě. U syntetických modelů podává vyvinutý algoritmus celkově dobré výsledky. U 2D reálných izotropních úloh dosahuje algoritmus horších výsledků pouze v případě velkého množství parametrů (> 500). V případě 2D anizotropních syntetických i reálných úloh dosahuje algoritmus lepších výsledků než standardní optimalizační algoritmy. Celkově vyvinutý algoritmus podává velmi dobré výsledky a přes vysoké výpočetní nároky je jeho přidanou hodnotou pravděpodobnostní zmapování prostoru řešení a odhad jeho neurčitosti.
Abstract v angličtině:
Abstract In the thesis I deal with the development of a stochastic inversion procedure for the magnetotelluric method in 1D/2D isotropic and anisotropic cases, and its application to both synthetic and real data. The magnetotelluric method is a geoelectric inductive technique that utilizes variations of naturally occurring electromagnetic fields as a source of the electromagnetic induction for estimating the Earth's subsurface resistivity to depths of several tens of kilometres. The purpose of the inversion procedure is to estimate a real distribution of the electrical resistivity in the Earth's subsurface from surface measurements. Common inversion procedures in magnetotellurics perform a model optimization by minimizing the misfit between the data and the model response. Stochastic methods are based on the exploration of the model parameter space, and they pick models according to their probability, which makes them effective for the solution of high-dimensional problems which do not show a single pronounced minimum of the target function. The effective ways of mapping the parameter space are sampling algorithms based on Monte Carlo simulations which allow to sort models according to their probability. Results of these methods are obtained in the form of a fully probabilistic description of the parameters, and not in the form of a single model like in the deterministic inversion procedures. Due to the mentioned advantages of the stochastic methods, I developed a stochastic inversion procedure using a sampling method DREAM, which was specially designed for high- dimensional problems. DREAM can be classified as an adaptive Monte Carlo Markov Chain algorithm. It runs multiple chains in parallel and combines a multi-try sampling with sampling from an archive of past states. I used at first DREAM algorithm in 1D isotropic/anisotropic case and lately for 2D isotropic/anisotropic problem and tested the technique on synthetic models. I attended a whole series of field experiments during the development of the inversion procedure, where I measured, processed and interpreted new magnetotelluric data, which I could use later for testing the stochastic inversion. The particular targets were tectonic structures in the West Bohemia seismo-active region, the eastern termination of the Bohemian Massif and the vicinity of the Pieniny Klippen Belt in the West Carpathians. The developed algorithm gives satisfactory results in 1D case, as well as for synthetic 2D isotropic problems. The algorithm achieves worse results in 2D real isotropic examples only in case of large number of parameters (> 500). In case of 2D anisotropic problems, both synthetic and practical, the algorithm reaches better results than the classical non-probabilistic procedures. The developed stochastic algorithm gives overall satisfactory results and, despite its high computational costs, it benefits from offering full probability maps of the solution space, and thus estimates of the uncertainties of the solutions.
Dokumenty
Stáhnout Dokument Autor Typ Velikost
Stáhnout Text práce Bc. Radek Klanica 36.09 MB
Stáhnout Abstrakt v českém jazyce Bc. Radek Klanica 89 kB
Stáhnout Abstrakt anglicky Bc. Radek Klanica 108 kB
Stáhnout Autoreferát / teze disertační práce Bc. Radek Klanica 526 kB
Stáhnout Posudek oponenta RNDr. Bohuslav Růžek, CSc. 82 kB
Stáhnout Posudek oponenta RNDr. Jakub Velímský, Ph.D. 121 kB
Stáhnout Záznam o průběhu obhajoby RNDr. Eduard Petrovský, CSc. 154 kB