مهندسی فناوری اطلاعات مکانی، جلد ۳، شماره ۲، صفحات ۶۱-۷۳
عنوان فارسی کاربرد الگوریتم ژنتیک در مدل‌سازی محلی میدان ثقل زمین با استفاده از توابع پایه شعاعی کروی
چکیده فارسی مقاله توابع پایه شعاعی کروی همواره به صورت گسترده‌ای برای مدل‌سازی محلی میدان ثقل زمین استفاده شده­اند. تعیین بهینه توابع پایه شعاعی کروی از نظر شکل و موقعیتآن‌ها، یکی از مهم­ترین چالش­ها در انجام مدل‌سازی بر مبنای این توابع پایه است. در این تحقیق یک روش بهینه­سازی برای مدل‌سازی محلی میدان ثقل زمین با استفاده از توابع پایه شعاعی کروی پیشنهاد شده است. بدین منظور، ابتدا آنومالی پتانسیل ثقل زمین به صورت ترکیبی خطی از توابع پایه شعاعی نوشته شده و سپس سیستم معادلات مشاهداتی بر حسب تابعک­های آنومالی جاذبه تشکیل می­شوند. روش بهینه‌سازی پارامترهای مجهول مدل‌سازی شامل دو مرحله است: 1. تعیین موقعیت سه‌بعدی توابع پایه­ شعاعی که تحت عنوان مرکز و عمق این توابع شناخته می­شوند با استفاده از الگوریتم ژنتیک، 2. تعیین ضرایب مقیاس بسط توابع پایه­ شعاعی با استفاده از الگوریتم پایدارسازی تیخونوف. روش حل مسئله بدین صورت است که ابتدا جمعیتی از کروموزوم­ها که همان مختصات سه‌بعدی کرنل­ها در منطقه­ مورد مطالعه هستند، ساخته و جواب­هایی با شایستگی بیشتر انتخاب می­شوند و کروموزوم­های جدید نیز با فرآیندهای تولیدمثل، جهش و مهاجرت تولید می­شوند. بدین ترتیب، به ازای هر کروموزوم با موقعیت کرنل معلوم، مسئله­ غیرخطی به یک مسئله­ خطی تبدیل شده و ضرایب بسط هر یک از این کروموزوم­ها با استفاده از الگوریتم پایدارسازی خطی تیخونوف محاسبه می­شود. ارزیابی عملکرد روش ارائه‌شده در این تحقیق بر مبنای داده­های شبیه­سازی‌شده با استفاده از مدل ژئوپتانسیلEGM2008تا درجه و مرتبه 2160 صورت گرفته است که به دقت1.08 میلی­گال در مشاهدات آنومالی جاذبه و0.78مترمربع بر مجذور ثانیه در مشاهدات آنومالی پتانسیل ختم می‌شود. نتایج عددی نشان می­دهد که الگوریتم بهینه سازی پیشنهاد شده منجر به یافتن توزیع مناسبی برای توابع پایه شعاعی کروی شده و دقت مدل­های گراویمتری را بهبود می­بخشد.
کلیدواژه‌های فارسی مقاله
عنوان انگلیسی Application of the Genetic Algorithm in RegionalGravity Field Modeling Using Spherical Radial Basis Functions
چکیده انگلیسی مقاله Spherical radial basis functions (SRBFs) have been extensively used in regional gravity field modeling. Determining the optimal of the SRBF parameters including their shape and locations is one of the most challenging tasks in SRBF approximation of the Earth's gravity field. In this paper, an optimization strategy is suggested to solve the problem of gravity field modeling using SRBFs. For this purpose, the potential gravity anomaly is expanded into a linear combination of the SRBFs, and then, the system of observation equations is set based on gravity anomaly data. The unknown modeling parameters are consisted of two steps: 1- the 3D position of SRBFs, namely SRBF centers and SRBF depths are determined utilizing the genetic algorithm, and 2- the scaling coefficients in SRBF expansion of the gravity anomaly are determined using the Tikhonov regularization algorithm. In this approach, a chromosome population which includes the 3D position of the kernels is generated and those with more competence are chosen. Furthermore, new chromosomes are produced based on crossover, mutation and migration processes. Therefore, since the kernel positions are obtained via the genetic algorithm, the non-linear problem convert into a linear problem which the coefficients of the expansion for each chromosome can be solved using the Tikhonov regularization algorithm. The performance of the proposed optimization scheme is assessed based on synthetic gravity anomalies provided by EGM2008 up to degree and order of 2160. Finally, an accuracy of 1.08 mGal in gravity anomalies and 0.78 m2/s2 in anomaly potentials is obtained. The numerical experiments reveal that the proposed optimization algorithm provides an appropriate SRBF distribution which improves the gravimetric models' accuracies.
کلیدواژه‌های انگلیسی مقاله
نویسندگان مقاله عبدالرضا صفری | abdoreza safari


هانی محبوبی | hani mahbuby


آناهیتا شهبازی | anahita shahbazi


نشانی اینترنتی http://jgit.kntu.ac.ir/browse.php?a_code=A-11-128-55&slc_lang=fa&sid=fa
فایل مقاله اشکال در دسترسی به فایل - ./files/site1/rds_journals/1245/article-1245-225885.pdf
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده
نوع مقاله منتشر شده پژوهشی
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات