4.

A 2-D inversion program

4.1 Pendahuluan Setelah survei lapangan, pengukuran resistansi biasanya dikurangi menjadi nilai resistivitas yang jelas. Hampir semua multi-elektroda komersial sistem muncul dengan software komputer untuk melakukan konversi ini. Pada bagian ini, kita akan melihat langkah-langkah dalam mengubah nilai-nilai resistivitas jelas kedalam bagian resistivitas Model yang dapat digunakan untuk interpretasi geologi. Saya akan menganggap bahwa data tersebut sudah dalam format RES2DINV. Program konversi ini disediakan bersama degan banyak system komersial. Sejauh ini, yang memiliki program konversi mencakup Abem, AGI, Campus, Geofysika, Geometrics, Iris, OYO, Pasi dan Scintrex. Jika peralatan produsen anda tidak ada dalam daftar, harap hubungi mereka tentang software konversi. Format data yang digunakan oleh program RES2DINV dijelaskan secara rinci dalam manual RES2DINV.PDF yang disediakan pada program ini. Silakan lihat manual untuk rincian. Pada bagian berikutnya, kita akan melihat dua metode untuk menangani poin data yang buruk. Point data yang buruk harus dihapus sebelum interpretasi akhir dibuat. Karena berbagai macam data set yang dikumpulkan melalui berbagai geologi lingkungan, tidak ada metode inversi tunggal akan memberikan hasil optimal dalam semua kasus. Jadi program RES2DINV memiliki sejumlah pengaturan yang dapat diubah oleh pengguna untuk mendapatkan hasil yang mendekati geologi yang diketahui. Berbagai pilihan juga dibahas dalam bagian berikut.

4.2 Pra-inversi dan metode pasca-inversi untuk menghapus poin data buruk Untuk mendapatkan model yang baik, data harus dengan kualitas yang sama baik. Titik data yang buruk terbagi menjadi dua kategori besar, yaitu "systematic noise" dan "random noise". Systematic noise biasanya disebabkan oleh semacam kegagalan selama survey tersebut bahwa pembacaan tidak mewakili pengukuran resistivitas asli . Contohnya termasuk kerusakan pada kabel, kontak tanah yang sangat miskin pada elektroda sehingga arus yang cukup tidak dapat disuntikkan ke dalam tanah, lupa melampirkan klip untuk elektroda, menghubungkan kabel ke arah yang salah, dll. Systematic noise cukup mudah untuk mendeteksi dalam set data seperti biasanya hadir dalam sejumlah bacaan, dan nilai-nilai yang buruk biasanya tetap keluar seperti sore thumbs. Random noise meliputi efek seperti arus telluric yang mempengaruhi semua bacaan, dan noise dapat menyebabkan pembacaan menjadi lebih rendah atau lebih

tinggi dari ekuivalen pembacaan bebas-noise. Noise ini biasanya lebih umum dengan susunan seperti dipole-dipole dan pole-dipole yang memiliki faktor geometrik yang sangat besar, demikian juga potensial yang sangat kecil untuk arus yang sama dibandingkan dengan susunan lain seperti Wenner. Hal serupa juga terjadi dengan susunan pole-pole karena jarak yang besar antara elektroda P1 dan remote (dan tetap) elektroda P2. Susunan ini cenderung untuk mengambil sejumlah besar telluric noise karena jarak yang besar antara dua elektroda potensial. Sebagai aturan umum, sebelum melakukan inversi dari satu kumpulan data, Anda harus terlebih dahulu melihat data seperti plot pseudosection (Gambar 4.1A) serta profile plot (Gambar 4.1b). Titik-titik data yang buruk dengan systematic noise" muncul dengan nilai janggal yang rendah atau tinggi (Gambar 4.1A). Dalam bentuk profil, mereka menonjol dari yang lain dan dapat dengan mudah dihilangkan secara manual untuk kumpulan data. Dalam program RES2DINV, pilih 'Edit data' pada menu atas bar diikuti dengan opsi Exterminate bad data points (Gambar 4.2). Poin-poin data yang buruk dapat dihapus dengan mengkliknya dengan mouse. Ketika noise yang lebih bersifat random, titik data noise tidak begitu jelas, sehingga tidak mungkin praktis untuk menghapusnya secara manual. Juga, secara manual memilih titik data buruk menjadi tidak praktis jika ada sejumlah besar titik data yang buruk, terutama jika kumpulan data berisi lebih dari seribu titik data. Dalam beberapa kasus, tidak mungkin untuk menampilkan data sebagai pseudosections atau profil, seperti di kumpulan data 3D. RES2DINV (dan RES3DINV) memiliki teknik umum untuk menghilangkan titik data yang buruk dengan pemasukan minimal dari pengguna, dan dapat digunakan untuk hampir setiap susunan dan setiap distribusi dari titik data. Kerugian utama dari metode ini adalah jumlah waktu yang lebih besar yang diperlukan untuk komputer. Dalam metode ini, inversi awal dari kumpulan data dilakukan pertama kali dengan semua titik data. Setelah melaksanakan inversi percobaan, ganti ke jendela 'Display' di RES2DINV, dan baca dalam file INV berisi hasil inversi. Setelah itu, pilih opsi 'RMS error statistics' yang menampilkan distribusi persentase perbedaan antara logaritma dari pengukuran dan kalkulasi nilai tahanan jenis semu. Distribusi kesalahan akan ditampilkan dalam bentuk bar chart, seperti pada Gambar 4.3. Biasanya, bar tertinggi merupakan satusatunya yang memiliki kesalahan terkecil, dan ketinggian bar harus menurun secara bertahap dengan peningkatan nilai kesalahan. Titik-titik data yang buruk, disebabkan oleh masalah seperti kontak di tanah yang buruk dari jumlah kecil elektroda, seharusnya secara signifikan lebih tinggi kesalahan dari titik data baik.

Gambar 4.1. Contoh dari kumpulan data lapangan dengan beberapa titik data buruk. Yang paling jelas dari titik acuan yang buruk terletak di bawah tanda 300 meter dan 470 meter. Data resistivitas semu dalam (a) bentuk pseudosection dan (b) bentuk profile.

Gambar 4.2. Memilih pilihan menu untuk menghapus titik data buruk secara manual. Gambar 4.3 menunjukkan bar chart kesalahan distribusi untuk data set yang ditunjukkan pada Gambar 4.1 yang memiliki beberapa titik data yang buruk. Dalam grafik bar, hampir semua titik data memiliki kesalahan dari 20 persen atau kurang. Poin-poin data yang buruk muncul titik data dengan kesalahan 60 persen lebih, yang dapat dengan mudah dihapus dari kumpulan data dengan memindahkan kursor garis hijau ke sebelah kiri dari bar 60% kesalahan. Dengan cara ini 5 titik data buruk dikeluarkan dari kumpulan data. Untuk beberapa kumpulan data, distribusi kesalahan mungkin menunjukkan pola yang lebih rumit. Sebagai aturan umum, titik data dengan kesalahan 100 persen lebih biasanya dapat dihapus. Latihan 4.1: Metode untuk menghapus titik data buruk. Kumpulan data dan tujuan GRUNDF1.DAT Contoh dari kumpulan data lapangan dengan titik data buruk. Percobaan (1) Gunakan 'File' dan kemudian pilih 'Read data file' untuk membaca dalam file data. Pindah ke jendela 'Display', dan kemudian pilih 'Display data and model sections'. Titik data buruk harus cukup jelas. (2) Selanjutnya, tinggalkan jendela 'Display' jendela, kemudian pilih 'Edit data' pada menu bar atas kemudian diikuti oleh pilihan 'Exterminate bad data points'. Pilih titik data buruk. Setelah itu simpan data yang sudah diedit pada sebuah file. Baca pada file data yang sudah diedit, dan kemudian kembali ke jendela 'Display' dan periksa pseudosection lagi. (3) Setelah itu, tinggalkan jendela 'Tampilkan', dan kemudian jalankan inversi dari kumpulan data menggunakan 'Inversion' dan kemudian pilihan menu 'Least-squares inversion'.

(4) Setelah inversi selesai, pergi ke jendela 'Display' untuk melihat model. Setelah itu pilih 'Edit data' dan kemudian pilih 'RMS error statistics'. Lihat pada bar chart. Apakah mungkin untuk menghapus titik data yang lebih buruk? (5) Coba jalankan inversi dari kumpulan data tanpa terlebih dahulu secara manual menghapus titik data yang buruk. Kemudian gunakan 'RMS error statisctics' untuk menghapusnya. Apakah ini juga dapat menyingkirkan titik data yang buruk?

Gambar 4.3. Kesalahan distribusi bar chart dari inversi percobaan dari Grundfor Line 1 data set dengan lima titik data yang buruk.

4.4 Menggunakan sensitivitas model dan nilai ketidakpastian Kedalaman dari bagian investigasi dan sensitivitas diuraikan dalam bagian 2.5 memberikan ide pada kedalaman daerah yang dirasakan oleh konfigurasi elektroda tunggal. Sebuah survei 2D biasanya memiliki ratusan titik data yang dikumpulkan dengan elektroda pada lokasi dan jarak yang berbeda. Sebuah pertanyaan yang sering timbul dalam penafsiran 2-D adalah sebagai berikut. Apa saja daerah di bawah permukaan dirasakan oleh survei, dan apa adalah keandalan dari hasil? Pertanyaan pertama dapat dengan mudah diselesaikan, namun saat ini tidak ada jawaban sederhana untuk yang kedua. Pilihan "Display blocks sensitivity" dibawah menu "Inversion" akan menunjukkan plot dari sensitivitas sel yang digunakan dalam model inversi. Nilai sensitivitas diukur dari jumlah informasi mengenai tahanan dari sel model blok dalam data set yang diukur. Nilai sensitivitas yang lebih tinggi, semakin terpercaya adalah nilai model resistivitas. Pada umumnya, sel-sel dekat permukaan biasanya memiliki nilai sensitivitas yang lebih tinggi karena fungsi sensitivitas memiliki nilai yang sangat besar di dekat elektroda. Sel-sel pada sisi dan bawah juga dapat memiliki nilai sensitivitas tinggi karena ukuran jauh lebih besar dari sel-sel yang diperpanjang ke tepi dari jaringan finite-difference atau finite-element (program memiliki pilihan untuk mengurangi efek yang mungkin menghasilkan artefak di tepi model). Jika Anda telah melakukan inversi dari kumpulan data sebelum memanggil pilihan ini, program akan membuat penggunaan matriks Jacobian dari iterasi terakhir. Jika tidak, program akan menghitung Jacobian matriks untuk model bumi homogen. Gambar 4.7d menunjukkan contoh plot dari sensitivitas bagian untuk model. Gambar 4.11b menunjukkan bagian model yang diperoleh dari inversi data set untuk survei kebocoran peta polutan dari lokasi penimbunan limbah (Niederleithinger, 1994). Bagian sensitivitas Model pada Gambar 4.11c menunjukkan nilai sensitivitas yang tinggi di dekat permukaan dengan penurunan nilai pada kedalaman. Hal ini diharapkan supaya material di

dekat permukaan memiliki pengaruh yang lebih besar terhadap nilai pengukuran tahanan jenis semu. Untuk penafsiran akurasi pada model inversi, memperkirakan hal yang dapat diuji dari nilai-nilai model yang diperlukan. Salah satu pendekatan yang mungkin adalah dengan menggunakan matriks kovarians Model (Menke 1984). Hal ini umumnya digunakan untuk model yang terdiri dari nomor kecil pada parameter (seperti model 1-D pada Gambar 1,7). Gambar 4.11d menunjukkan ketidakpastian nilai Model yang diperoleh dari metode matriks kovarians seperti yang dijelaskan oleh Alumbaugh dan Newman (2000) dimana kendala kelancaran termasuk dalam estimasi ketidakpastian model. Dalam cara ini, nilai-nilai Model ketidakpastian yang kurang peka terhadap ukuran bagian model. Namun, nilai ketidakpastian hanya bermakna jika variasi resistivitas bawah permukaan pada cara halus, seperti dugaan kendala kelancaran. Jika resistivitas di bawah permukaan tidak bervariasi dengan cara halus, metode ini cenderung meremehkan ketidakpastian yang sebenarnya. Gambar 4.11e menunjukkan nila resistivitas maksimum dan minimum dari setiap bagian di batas-batas jangkuan ketidakpastian Model. Fitur yang umum untuk kedua bagian model dapat dianggap lebih handal. Perbedaan pendekatan adalah menentukan kedalaman investigasi secara empiris dari data set dengan melakukan setidaknya dua inversi data yang diatur menggunakan kendala yang berbeda. Oldenburg dan Li (1999) menggunakan formulasi kuadrat-terkecil untuk melakukan inverse 2-D. (JTJ + FR) qk = JTRdg FR (qk qo), Dengan, FR = s + X CT RmCx + z CT RmCz . qo adalah model setengah ruang referensi homogen dan s sebagai tambahan "diri" faktor redaman yang memiliki nilai sekitar 0,0001-0,01 kali X dan z faktor redaman. Dalam pengusulan metode, dua inversi dilakukan dengan menggunakan nilai resistivitas yang berbeda untuk model referensi. Biasanya, model referensi kedua memiliki resistivitas 10 hingga 100 kali pada model referensi pertama. Dari nilai-nilai model resistivitasi, investigasi berikut kedalam indeks (DOI) dapat dihitung. R(x,z) =
( ) ( )

dan adalah resistivitas model referensi pertama dan kedua, m1(x, z) dan m2(x, z) adalah sel resistivitas model yang diperoleh dari inversi pertama dan kedua. R akan mendekati nilai nol dimana inversi akan menghasilkan sel resistivitas yang sama terlepas dari referensi Model resistivitas. Di daerah tersebut, resistivitas sel dibatasi dengan baik oleh data. di daerah dimana data tidak memiliki banyak informasi tentang sel resistivitas, R akan mendekati satu nilai sebagai resistivitas sel yang mirip dengan resistivitas referensi. Dengan demikian model resistivitas di daerah di mana R memiliki nilai kecil dianggap "dapat dipercaya", sementara di daerah dengan nilai-nilai R tinggi tidak dapat diandalkan. Model yang digunakan untuk menghitung penggunaan sel indeks DOI yang meluas ke tepi survei garis, dan berbagai kedalaman sekitar tiga sampai lima kali kedalaman rata-rata pada investigasi dari jarak susunan terbesar yang digunakan. Hal ini memastikan data memiliki informasi minimal tentang resistivitas dari sel-sel di bagian bawah pada model, yaitu dalam teori bagian bawah memiliki nilai-nilai DOI hampir 1,0. Gambar 4.12a menunjukkan model inversi survey data TPA diatur pada kedalaman jarak sekitar 3,5 kali pseudodepth maksimum dalam pseudosection resistivitas semu dalam Gambar 4.11A. Resistivitas dari penggunaan model referensi diperoleh dari rata-rata logaritma nilai resistivitas semu. Gambar 4.12b menunjukkan plot DOI dihitung setelah melakukan inversi kedua menggunakan model referensi dengan 100 kali resistivitas pada model pertama referensi. Oldenburg dan Li (1999) menyarankan menggunakan nilai 0,1 sebagai cut-off untuk penyelidikan batas kedalaman efektif dari kumpulan data. Kedalaman untuk kontur dengan nilai DOI pada 0,1 yaitu sekitar 28 m. sepanjang besar survey garis. hal ini dekat dengan penyelidikan maksimum rata-rata kedalaman dari sekitar 25 m. untuk pengumpulan data. Pada daerah dangkal dengan nilai DOI tinggi, terutama di bawah 50 m. tandai. Hal ini mungkin sebagian disebabkan untuk meningkatkan resistivitas yang rendah dengan membatasi jumlah arus yang mengalir ke bagian yang lebih dalam dibawahnya. Metode resistivitas menggunakan arus listrik sebagai alat penyelidik, dan dimana aliran arus terbatas, maka jumlah informasi yang diberikan berkurang. Perhatikan daerah yang nilai DOI tinggi di sisi bagian. Hal ini diharapkan sebagai sisi dari survey garis yang memiliki titik data lebih sedikit dibandingkan ke pusat.

Gambar 4.11. Survei contoh TPA(Wenner array). (a) apparent resistivity pseudosection, (b) model bagian, (c) bagian model sensitivitas (d) bagian model ketidakpastian, (e) bagian minimal dan maksimum resistivitas.

Gambar 4.12. Survei penyelidikan kedalaman permukaan tanah. (a) bagian model dengan kedalam diperpanjang (b) bagian normalisasi indeks DOI.

Gambar 4.13. Contoh survey Pantai di Denmark. Gambar ini menunjukkan bagian model dengan kedalaman diperpanjang dan bagian indeks normal DOI. Gambar 4.13 menunjukkan plot dari survey DOI untuk memetakan batas antara zona air laut dan zona air tawar di sebuah pantai di Denmark (Marescot dan Loke, 2003). Tampilan ini tegak lurus pantai dan elektroda 1 sampai 16 berada di bawah air laut, sedangkan tampilan sisanya berada di atas air. Perhatikan nilai-nilai DOI dalam kenaikan yang kuat pada bagian kiri tampilan yang ditutupi dengan air laut. Sebagai bagian ini ditutupi dengan air laut, sebagian besar saat ini sebenarnya mengalir di dalam air laut dan tidak menembus ke bawah permukaan. Dengan demikian kedalaman investigasi banyak yang dangkal. Metode DOI berguna dalam menandai daerah dimana nilai-nilai model yang baik dibatasi oleh kumpulan data, dan demikian kepercayaan diri yang besar dapat ditempatkan pada nilai resistivitas model di daerah tersebut.

TUGAS GEOFISIKA TRANSLATE BUKU 2-D and 3-D electrical imaging surveys
KHUSUS BAB 4.1 4.4

DISUSUN OLEH: MARGARETH JUNITAULLY HUTABARAT (270110100063) VERA CHRISTANTI AUGUSTA (270110100068) APRIARNY HANI INDARTI (270110100070)

FAKULTAS TEKNIK GEOLOGI UNIVERSITAS PADJADJARAN 2012