عنوان پایان‌نامه
واهمامیخت کو داده های GPR
- رشته تحصیلی
- ژئوفیزیک-ژئوالکتریک
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 55032;کتابخانه موسسه ژئوفیزیک شماره ثبت: 780
- تاریخ دفاع
- ۲۹ شهریور ۱۳۹۱
- دانشجو
- علاالدین ابراهیمی
- استاد راهنما
- مجید نبی بیدهندی, علی غلامی
- چکیده
- روش رادار زمین نفوذ (GPR) دارای کاربرد های گوناگون از قبیل تعیین ضخامت خاک، آشکارسازی حفره ها، کانال ها، تونل ها، به نقشه درآوردن مناطق آلوده، بررسی های باستان شناسی، اکتشاف در یخچال ها و... می باشد. به منظور غلبه بر محدودیت های ذاتی داده ها و مشکلات منابع تولید نوفه، از پردازش هایی مانند تصحیح جابه جایی صفر زمانی، تصحیح اشباع سیگنال، به کارگیری بهره ها و اعمال فیلتر های مناسب استفاده می شود. از روش های پردازشی دیگر می توان به واهمامیخت و مهاجرت اشاره کرد. در مطالعات واهمامیخت غیرکور انجام شده، با ثبت دقیق موجک تلاش شده تا قدرت تفکیک قائم بالا برده شود، اما این روش با موفقیت های محدود آن هم در محیط های آهکی که میرایی کمی ایجاد می کنند، همراه بوده است. به طور کلی پردازش های واهمامیخت معمول، به علت ماهیت فاز ترکیبی و ناپایایی انرژی موجک GPR، نتوانسته است باعث افزایش قدرت تفکیک قائم مقاطع مورد نظر گردد. در این تحقیق از الگوریتم بهینه سازی بدون قیدی استفاده شده است که با فرض داشتن موجک، بر روی یک سری داده مصنوعی اجرا شد و فرض اصلی آن تنک بودن سری بازتاب است. با در نظر گرفتن مقادیر توابع GCV و خطای میانگین مربعات بر حسب پارامتر منظم سازی بکار رفته در الگوریتم، تنک ترین سری بازتاب بدست آمده است. اما به دلیل در دست نبودن موجک دقیق و ثبت شده GPR ، اعمال این واهمامیخت بر روی داده واقعی، ناممکن بود. واهمامیخت کور به دو صورت تخمین جداگانه و یا همزمان موجک و سری بازتاب انجام می شود. در اینجا ابتدا موجک تخمین زده شده است و سپس سری بازتاب بدست آورده شده است. در بحث واهمامیخت کور نیز از الگوریتم مقیدی استفاده شده است که با فرض تنکی سری بازتاب کار می کند. یعنی کمترین بازتاب ها رخ داده و ما بقی چیزی جز نوفه نیست. با رسم نمودار تابع GCV بر حسب تعداد تکرار الگوریتم و برگزیدن کمینه، که متناسب با میزان تکرار مناسب جهت بازیابی بهترین سری بازتاب تنک تخمین زده شده است، تمام سیگنال های GPR به صورت تنک درآمده است. در نهایت مقطع نهایی از کنار هم قرار گرفتن این سری های بازتاب، نتیجه شده است. این فرآیند بر روی داده های مصنوعی با انواع مختلف نوفه نیز اجرا شد و نتایج رضایت بخشی بدست آمد. از نکات قابل توجه خودکار و بدون نیاز به تعیین پارامتر بودن و همچنین سرعت بالای این الگوریتم واهمامیخت مورد استفاده بر روی داده های GPR است. موجک تخمینی برای اعمال واهمامیخت نیز توسط روشی که بر پایه تنکی و با استفاده از تابع GCV کار می کند، ارائه شده است.
- Abstract
- Ground Penetrating Radar (GPR) has different application as soil thickness identifying, detecting cavities, tunnels, polluted area’s mapping, archeological surveys, exploration in glaciers etc. To overcome on data’s intrinsic limitations and noise generator sources have been used processing such as time zero drift correction, dewow, applying gains and sufficient filters. The other processing steps are deconvolution and migration. In carried non-blind deconvolution studies by recording of wavelet or first peak that caused by reflection between antenna and the earth, complained with some succeed in lime stone fields. Totally common deconvolution is not suitable because of mixed-phase characteristics and non-stationery energies. In this research has used an unconstraint optimization algorithm with assumption that we have wavelet and applying on synthetic data. Main assumption of this method is that the reflectivity series is sparse. By considering the GCV function and mean square error versus regularization parameter has earned sparsest reflectivity series. But without the wavelet applying this method is impossible. Blind deconvolution has been done in two ways, first estimation of wavelet and reflectivity series separately or in another way it has done simultaneously. Here, at first wavelet estimated and then recover the reflectivity series. In blind deconvolution has been used a constraint algorithm that works according to sparcity assumption. It means that the minimum reflections occurred and the other components are noise. By plotting the GCV function versus iteration and selecting the minimum point that related to sufficient iteration for recovering the best estimated sparset reflectivity series and GPR signals converted to sparsed reflectivity series and finally last section resulted by sorting this deconvolved signals beside every one. This procedure applied on synthetic datas with different noises. Remarkable point is that the algorithm is automatic and very fast. The estimated wavelet earned by the method that working according to sparsity and uses the presented GCV function.
