Inversi Data Gravitasi Menggunakan Algoritma Generalized Normal Distribution Optimization untuk Estimasi Parameter Model Mineral dan Bijih

Putri, Indira Ayu Kurniawan (2023) Inversi Data Gravitasi Menggunakan Algoritma Generalized Normal Distribution Optimization untuk Estimasi Parameter Model Mineral dan Bijih. Other thesis, Institut Teknologi Sepuluh Nopember.

Text 01111940000030-Undergraduate_Thesis.pdf - Accepted Version Restricted to Repository staff only until 1 October 2025. Download (4MB) | Request a copy

Abstract

Salah satu pemanfaatan metode gravitasi adalah untuk eksplorasi mineral dan bijih. Untuk memperoleh informasi kondisi bawah permukaan dari data gravitasi ialah dari pemodelan data pengukuran. Dalam pemodelan data gravitasi, sumber anomali (mineral dan bijih) dapat diasumsikan dalam bentuk badan ideal. Pemodelan bawah permukaan dari data pengukuran gravitasi dilakukan melalui inversi, yakni memprediksi parameter model melalui proses pencocokan data pengukuran dengan data perhitungan atau meminimumkan fungsi objektif (perbedaan antara data pengukuran dan perhitungan). Untuk meminimumkan fungsi objektif ini, algoritma Generalized Normal Distribution Optimization (GNDO) dicoba untuk menentukan parameter model dari data gravitasi sintetik dari anomali tunggal dan jamak. Masing-masing data sintetik terdiri dari data gravitasi tanpa noise dan yang mengandung Gaussian noise 10%. Hasil proses inversi ini ialah Posterior Distribution Model (PDM) yang mengindikasikan bahwa statistik dari PDM (median±interkuartil) dekat dengan parameter model yang sebenarnya. Selain itu, analisa principal component analysis (PCA) menunjukkan bahwa parameter model dengan fungsi objektif terbaik tidak serta-merta dapat digunakan sebagai solusi proses inversi, khususnya untuk data yang terkontaminasi noise. Selanjutnya, inversi menggunakan GNDO diterapkan pada empat data gravitasi pengukuran dari wilayah Kanada (Kota Faro dan Kota Mobrun), wilayah India (Kota Mudiyawas-Kera) dan wilayah Kuba (Kota Camaguey). Hasilnya ialah parameter model yang dihasilkan dari proses inversi menggunakan algoritma GNDO sesuai dengan data drilling dan mendekati hasil penelitian-penelitian sebelumnya di tempat yang sama.
=================================================================================================================================
One of the benefits of the gravity method is for mineral and ore exploration. To obtain subsurface information from gravity data, the data is modeled through inversion processes, where model parameters are predicted by fitting measurement data and minimizing the objective function (the difference between measurement data and calculations). The sources of anomalies (minerals and ores) in gravity data modeling are assumed to be in the form of ideal bodies. In order to minimize the objective function, the Generalized Normal Distribution Optimization (GNDO) algorithm is employed to determine the model parameters of synthetic gravity data from single and multiple anomalies. Synthetic data consists of noise-free gravity data and data containing 10% Gaussian noise. The results of this inversion process are Posterior Distribution Models (PDM), which indicate that the statistics of PDM (median ± interquartile) are close to the actual model parameters. However, the principal component analysis (PCA) reveals that the model parameters with the best objective function cannot be used as a solution in the inversion process, especially for data contaminated with noise. Furthermore, the inversion using GNDO is applied to four gravity data measurements from the regions of Canada (Faro City and Mobrun City), India (Mudiyawas-Kera City), and Cuba (Camaguey City). The results show that the model parameters generated by the GNDO algorithm match well with drilling data and are close to the results of previous research in the same locations.

Item Type:	Thesis (Other)
Uncontrolled Keywords:	Data Gravitasi, Eksplorasi Mineral, Optimasi Global, PDM, PCA, Gravity Data, Mineral Eksploration, Global Optimization
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:	Indira Ayu Kurniawan Putri
Date Deposited:	17 Nov 2023 06:14
Last Modified:	17 Nov 2023 06:14
URI:	http://repository.its.ac.id/id/eprint/102538

Actions (login required)

View Item