وارونسازي داده هاي مغناطيس سنجي در حضور مغناطيس پسماند

Inversion of Magnetometric Data in the Presence of Remanent Magnetization

طي سال‌هاي اخير وارون‌سازي بردار مغناطيدگي داده‌هاي مغناطيس‌سنجي به دليل آنكه اندازه بردار مغناطيدگي و جهت آن را همزمان مدل مي‌كند، مورد توجه ويژه قرار گرفته است. با وارون‌سازي بردار مغناطيدگي به ويژه زماني كه آنومالي‌ها تحت تاثير مغناطيس بازماندي قرار گرفته باشند، آنومالي‌هاي متفاوت از هم را به راحتي مي‌توان تشخيص داد. در اين تحقيق از روش وارون‌سازي بردار مغناطيدگي (MVI) استفاده شده است: يك مدل سه بعدي از داده‌هاي برداشت شده از سطح زمين كه توزيع اندازه بردار مغناطيدگي و جهت آن را به صورت فشرده يا حتي هموار مدل مي‌كند. معادلات به دليل آنكه نياز به حافظه دسترسي كاهش يافته و همچنين محاسبات كامپيوتري كمتري انجام گيرد و در نتيجه سرعت انجام مدلسازي بالاتر برود، به روش حداقل مربعات در فضاي داده‌ها حل مي‌شوند. در اين الگوريتم از تركيب سه ماتريس وزني عمق، فاصله و ماتريس فشردگي در دستگاه كارتزين استفاده مي‌شود. الگوريتم ارايه شده با دو مدل مصنوعي مورد راستي آزمايي قرار گرفته است: مدل اول يك دايك شيبدار با جهت مغناطيدگي عمود بر بردار مغناطيسي زمين و مدل دوم شامل دو توده شيبدار در عمق‌هاي متفاوت و مغناطيدگي متفاوت از هم است. با توجه به پاسخ مناسب براي داده‌هاي مصنوعي، داده‌هاي مغناطيس‌سنجي كانسار آهن شواز واقع در استان يزد مدلسازي شد و نتايج به دست آمده انطباق زيادي با زمين‌شناسي و اطلاعات حفاري داشت.

Abstract: Remanent magnetization is impossible to ignore in many applications of magnetic method including mineral exploration particularly iron ore, geomagnetism, regional investigation, and archaeological measurements. Magnetization vector inversion has made great attention in recent years since both distribution of the magnitude and direction of the magnetization have been obtained, therefore, it is easy to distinguish between different bodies especially when magnetic data are affected by remanent magnetization. In this research, the magnetization vector inversion (MVI) has presented: a 3D magnetic modelling is proposed from surface measurements to obtain magnetization distribution. The equations have solved in data-space least square to reduce computer memory requirements and speed up calculations. The algorithm has included the combination of three weights as depth weighting, distance weighting and compactness weighting in Cartesian direction. The method has been validated with a synthetic example including a dipping dyke and the results are acceptable compare with true magnetic anomaly.