Inversi Data Gravitasi untuk Penentuan Parameter Model Mineral dengan Menggunakan Algoritma Comprehensive Learning JAYA (CLJAYA)

Fadilah, Dyah Fara Nur (2023) Inversi Data Gravitasi untuk Penentuan Parameter Model Mineral dengan Menggunakan Algoritma Comprehensive Learning JAYA (CLJAYA). Other thesis, Institut Teknologi Sepuluh Nopember.

Text 01111940000032-Undergraduate _Thesis.pdf - Accepted Version Restricted to Repository staff only until 1 October 2025. Download (3MB) | Request a copy

Abstract

Metode gravitasi merupakan salah satu metode geofisika yang dapat digunakan untuk mengidentifikasi mineral. Metode ini didasarkan pada pengukuran medan gravitasi yang disebabkan oleh perbedaan densitas batuan di bawah permukaan bumi akibat perubahan jenis batuan, struktur geologi, dan keberadaan bijih atau mineral yang berbeda. Penelitian ini bertujuan untuk mengetahui performa algoritma comprehensive learning JAYA (CLJAYA) dengan menggunakan asumsi badan ideal. Data gravitasi yang digunakan adalah data gravitasi sintetik (bebas noise dan noise 10%) serta data gravitasi terukur di wilayah Kanada (Faro dan Mobrun), Kuba (Camaguey), dan India (Mundiyawas-Khera). Kedua data ini disebabkan oleh sumber anomali tunggal dan jamak. Inversi data gravitasi pada penelitian ini diproses sebanyak 30 kali pengulangan untuk data gravitasi sintetik dan 10 kali pengulangan untuk data gravitasi observasi. Pada proses inversi ini, algoritma CLJAYA didesain untuk menghasilkan posterior distribution model (PDM). Hasil analisis PDM menggunakan fungsi topografi melalui principal component analysis (PCA) mengindikasikan bahwa parameter model dengan fungsi objektif kecil tidak dapat digunakan sebagai parameter model terbaik. Dengan demikian, solusi parameter model hasil inversi algoritma CLJAYA melibatkan statistik dari PDM untuk menghasilkan ketidakpastian parameter model (median ± interkuartil). Hasil inversi CLJAYA pada data sintetik memiliki ketidakpastian yang cukup kecil dan sesuai dengan parameter model sebenarnya. Selanjutnya, hasil inversi pada data lapangan menunjukkan bahwa parameter model yang dihasilkan oleh CLJAYA sesuai dengan kondisi geologi setempat (berdasarkan data bor) dan juga mendekati hasil inversi dari algoritma optimasi global lainnya.
================================================================================================================================
The gravity method is one of the geophysical methods that can be used to identify minerals. This method is based on measuring the gravitational field caused by differences in the density of rocks below the Earth's surface due to changes in rock types, geological structures, and the presence of different ores or minerals. This final project research aims to determine the performance of the comprehensive learning JAYA (CLJAYA) algorithm using the ideal bodies assumption. The gravity data used are synthetic gravity data (without noise and 10% noise) and measured gravity data in Canada (Faro and Mobrun), Cuba (Camaguey), and India (Mundiyawas-Khera). Both of these data are caused by single and multiple sources of anomaly. Gravity data inversion in this study was processed with 30th repetitions for synthetic gravity data and 10th repetitions for observed gravity data. In this inversion process, the CLJAYA algorithm is designed to generate the posterior distribution model (PDM). The results of the PDM analysis using the topographic function through principal component analysis (PCA) indicate that model parameters with small objective function cannot be used as the best model parameters. Therefore, the solution of model parameters from the CLJAYA inversion involves statistics from PDM to produce model parameter uncertainty (median ± interquartile). The CLJAYA inversion results on synthetic data have a relatively small uncertainty and are in accordance with the actual model parameters. Furthermore, the inversion results on field data show that the model parameters obtained by CLJAYA are in accordance with the local geological conditions (based on drill data) and are close to the results of inversions from other global optimization algorithms.

Item Type:	Thesis (Other)
Uncontrolled Keywords:	CLJAYA, Data Gravitasi, Estimasi Ketidakpastian, Posterior Distribution Model (PDM), Optimasi Global
Subjects:	Q Science > QA Mathematics > QA76 Computer software Q Science > QA Mathematics > QA76.9 Computer algorithms. Virtual Reality. Computer simulation. Q Science > QC Physics Q Science > QC Physics > QC111 Density and specific gravity T Technology > TN Mining engineering. Metallurgy > TN269 Prospecting--Geophysical methods
Divisions:	Faculty of Science and Data Analytics (SCIENTICS) > Physics > 45201-(S1) Undergraduate Thesis
Depositing User:	Dyah Fara Nur Fadilah
Date Deposited:	07 Aug 2023 03:29
Last Modified:	07 Aug 2023 03:29
URI:	http://repository.its.ac.id/id/eprint/102534

Actions (login required)

View Item