최소 단어 이상 선택하여야 합니다.
최대 10 단어까지만 선택 가능합니다.
다음과 같은 기능을 한번의 로그인으로 사용 할 수 있습니다.
NTIS 바로가기지구물리와 물리탐사 = Geophysics and geophysical exploration, v.22 no.4, 2019년, pp.186 - 194
장한길로 (국립문화재연구소 고고연구실)
Deterministic optimization, commonly used to find the geophysical inverse solutions, have its limitation that it cannot find the proper solution since it might converge into the local minimum. One of the solutions to this problem is to use global optimization based on a stochastic approach, among wh...
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
핵심어 | 질문 | 논문에서 추출한 답변 |
---|---|---|
물리탐사 자료의 역산 해를 찾는데 흔히 이용되는 결정론적 해법의 단점은? | 물리탐사 자료의 역산 해를 찾는데 흔히 이용되는 결정론적 해법은 지역 최소점에 빠져 적절한 해에 수렴하지 못할 가능성이 크다는 단점이 존재한다. 이 문제를 해결하기 위한 대안 중 하나는 확률론적 접근법에 기반한 전역 최적화 방법을 이용하는 것이며, 여러 방법들 중에서 입자 군집 최적화(Particle Swarm Optimization, PSO)법의 적용사례가 많이 소개되었다. | |
확률론적 접근법의 근본 개념은? | 확률론적 접근법의 근본개념은 어떤 성질을 가지는 대상의 존재성을 평가할 때, 먼저 주어진 대상들의 확률적 공간을 정의하고 그 내부에서 선택된 대상들이 임의의 성질을 만족할 확률이 0 보다 큼을 보임으로써 대상을 직접적으로 찾지 않고 존재성을 확인한다는 개념이다(Koh and Ree, 2005). 확률론적 접근법의 소분류 중 지구물리 역해석 문제에 적용하기 유용한 방법으로는 메타휴리스틱(metaheuristic)법이 있다. | |
Gauss- Newton의 역산해를 사용했을때 실수 성분만으로 사용하기 어려운 이유는? | 역산실험에서 Gauss- Newton의 역산해는 초기 모델을 제한적으로 제시했을 때 실수 성분의 역산시도에서만 정답모델에 근접한 반면에, PSO의 최적 역산해는 실수와 허수 모두에서 정답모델을 거의 정확하게 재구성해내는 결과를 보여주었다. 소형루프 탐사에서 실수 성분은 크기가 작아 측정이 어려워 허수 성분만으로 역산을 시도하는 경우가 현실적이므로 소형루프 전자탐사 자료를 해석할 때 PSO 역해석 알고리즘을 이용하면 탐사해석 성공률을 높일 수 있을 것이다. 이 논문의 역해석 알고리즘에는 기본적인 PSO 방법을 적용하였으나 다양한 PSO 개선 알고리즘이 현재 많이 소개되었으며, 또한 목적함수에 다중 물리탐사자료 오차항의 추가가 용이하기 때문에 이종 물리탐사 자료의 복합 역산에도 충분히 적용이 가능하다고 판단된다. |
Cui, Y., Chen, Z., Zhu, X., Liu, H., and Liu, J., 2017, Sequential and simultaneous joint inversion of resistivity and IP sounding data using particle swarm optimization, J. Earth Sci., 28(4), 709-718.
Essa, K. S., and Elhussein, M., 2018, PSO (particle swarm optimization) for interpretation of magnetic anomalies caused by simple geometrical structures, Pure. Appl. Geophys., 175(10), 3539-3553.
Fernandez Martinez, J. L., Gonzalo, E. G., Fernandez Alvarez, J. P., Kuzma, H. A., and Menendez Perez, C. O., 2010, PSO: A powerful algorithm to solve geophysical inverse problems: Application to a 1D-DC resistivity case, J. Appl. Geophys., 71(1). 13-25.
Geem, Z. W., Kim, J. H., and Loganathan, G. V., 2001, A new heuristic optimization algorithm: harmony search, Simulation, 76(2), 60-68.
Glover, F., 1986, Future paths for integer programming and links to artificial intelligence, Comput. Oper. Res., 13(5), 533-549.
Goldberg, D. E., 1989, Genetic algorithms in search, optimization and machine Learning, Kluwer Academic Publishers.
Jang, H., and Kim, H. J., 2015, Mapping deep-sea hydrothermal deposits with an in-loop transient electromagnetic method: Insights from 1D forward and inverse modeling, J. Appl. Geophys., 123, 170-176.
Kennedy, J., and Eberhart, R., 1995, Particle swarm Optimization, Proc. IEEE Int. Conf. Neural Netw., 1942-1948.
Kennedy, J., and Eberhart, R. C., 2001, Swarm intelligence, Morgan Kaufmann.
Kim, H. J., 1995a, Inversion of geophysical data via simulated Annealing, Econ. Environ. Geol., 28(3), 305-309 (in Korean with English abstract).
Kim, H. J., 1995b, Inversion of geophysical data using genetic algorithms, Econ. Environ. Geol., 28(4), 425-431 (in Korean with English abstract).
Kim, H. J., Choi, J. H., Han, N. R., Song, Y. H., and Lee, K. H., 2009, Primary solution evaluations for interpreting electromagnetic data, Geophys. and Geophys. Explor., 12(4), 361-366 (in Korean with English abstract).
Kirkpatrick, S., and Gelatt Jr., C. D., and Vecchi, M. P., 1983, Optimization by simulated annealing, Science, 220(4598), 671-680.
Koh, Y. M., and Ree, S. W., 2005, Paul Erdos and probabilistic methods, J. Hist. Math., 18(4), 101-112 (in Korean with English abstract).
Li, M., Cheng, J., Wang, P., Xiao, Y., Yao, W., Su, C., Cheng, S., Guo, J., and Yu, X., 2019, Transient electromagnetic 1D inversion based on the PSO-DLS combination algorithm, Explor. Geophys., 50(5), 1-9.
Oh, S. H., Kwon, B. D., and Suh, B. S., 1997, Nonlinear inversion of resistivity sounding data using simulated annealing, J. Korean Soc. Miner. Energy Resour. Eng., 34, 285-293 (in Korean with English abstract).
Pace, F., Godio, A., and Santilano, A., 2019, Joint optimization of geophysical data using multi-objective swarm intelligence, Geophys. J. Int., 218(3), 1502-1521.
Santilano, A., Godio, A., and Manzella, A., 2018, Particle swarm optimization for simultaneous analysis of magnetotelluric and time-domain electromagnetic data, Geophysics, 83(3), E151-E159.
Santilano, A., Godio, A., and Pace, F., 2019, Particle swarm optimization of 2D magnetotelluric data, Geophysics, 84(3), 1-59.
Shaw, R., and Srivastava, S., 2007, Particle swarm optimization: A new tool to invert geophysical data, Geophysics, 72(2), F75-F83.
Singh, K., K., and Singh, U. K., 2017, Application of particle swarm optimization for gravity inversion of 2.5-D sedimentary basins using variable density contrast, Geosci. Instrum. Meth., 6, 193-198.
Ward, S. H., and Hohmann, G. W., 1987, Electromagnetic Theory for Geophysical Applications, in Nabighian, M. N., Ed., Electromagnetic Methods in Applied Geophysics, Vol. 1, Soc. Expl. Geophys., 131-311.
Wilken, D., and Rabbel, W., 2012, On the application of Particle Swarm Optimization strategies on Scholte-wave inversion, Geophys. J. Int., 190(1), 580-594.
*원문 PDF 파일 및 링크정보가 존재하지 않을 경우 KISTI DDS 시스템에서 제공하는 원문복사서비스를 사용할 수 있습니다.
오픈액세스 학술지에 출판된 논문
※ AI-Helper는 부적절한 답변을 할 수 있습니다.