fa بهینه‌سازی وارون‌سازی داده‌های مغناطیسی با استفاده از الگوریتم غزال کوهستان: مطالعه موردی دایک‌های دوبعدی ژئوفیزیک مهندسی Engineering Geophysics مقاله پژوهشی Original Research <div style="text-align: justify;"><span style="color:#000000;"><span style="font-size:14px;"><span style="font-family:yekanYW;"><span style="line-height:2;"><span dir="RTL" lang="AR-SA">وارون‌سازی داده‌های مغناطیسی برای مشخصه‌یابی ساختارهای زمین‌شناسی مانند دایک‌ها، به دلیل ماهیت شدیداً غیرخطی و بدوضع </span>(ill-posed)<span dir="RTL" lang="AR-SA">، یکی از چالش‌های اساسی در ژئوفیزیک مهندسی است که نیازمند روش‌های بهینه‌سازی قدرتمند است. این پژوهش برای نخستین بار، کارایی و پتانسیل الگوریتم بهینه‌سازی نوین غزال کوهستان</span> (Mountain Gazelle Optimizer (MGO)) <span dir="RTL" lang="AR-SA">را به عنوان یک راهکار مؤثر برای حل این مسئله معرفی و ارزیابی می‌کند. این الگوریتم با ایجاد تعادل هوشمندانه بین اکتشاف و بهره‌برداری در فضای پارامترها، برای یافتن بهینه سراسری طراحی شده است</span>. <span dir="RTL" lang="AR-SA">عملکرد MGO</span> <span dir="RTL" lang="AR-SA">به صورت جامع و از طریق مقایسه با دو رویکرد متفاوت سنجیده شد: یک الگوریتم یادگیری ماشین قدرتمند، یعنی جنگل تصادفی</span> (Random Forest (RF))<span dir="RTL" lang="AR-SA">، و یک روش پردازشی-تخمینی کلاسیک مبتنی بر برگردان به قطب</span>. (Reduction to the Pole (RTP)) &nbsp;<span dir="RTL" lang="AR-SA">ارزیابی‌ها بر روی داده‌های مصنوعی (با سطوح نویز </span><span dir="RTL" lang="FA">۰</span><span dir="RTL" lang="FA">٪</span><span dir="RTL" lang="AR-SA"> تا </span><span dir="RTL" lang="FA">۲۰</span><span dir="RTL" lang="FA">٪</span><span dir="RTL" lang="FA">) </span><span dir="RTL" lang="AR-SA">و همچنین داده‌های میدانی واقعی از کانسار آهن گانسو، چین، انجام گرفت</span><span dir="RTL" lang="FA">. </span><span dir="RTL" lang="AR-SA">نتایج در تمامی سناریوها، برتری واضح MGO&nbsp;</span><span dir="RTL" lang="AR-SA">را به اثبات رساند. این الگوریتم نه تنها در برابر نویز پایداری بیشتری نسبت به RF&nbsp;</span>&nbsp;<span dir="RTL" lang="AR-SA">نشان داد، بلکه در مطالعه موردی داده‌های واقعی، به خطای ریشه میانگین مربعات</span> (RMSE) <span dir="RTL" lang="AR-SA">برابر با 48/ دست یافت که به طور قابل توجهی کمتر از خطای روش کلاسیک (88/) بود. مهم‌تر آنکه، پارامترهای تخمینی توسط MGO&nbsp;</span><span dir="RTL" lang="AR-SA">انطباق بیشتری با اطلاعات زمین‌شناسی حاصل از حفاری‌های موجود در منطقه داشتند. این مطالعه استدلال می‌کند که برتری MGO&nbsp;</span>&nbsp;<span dir="RTL" lang="AR-SA">از رویکرد وارون‌سازی مستقیم و </span><span dir="RTL" lang="FA">یکپارچه</span><span dir="RTL" lang="AR-SA"> آن نشأت می‌گیرد. در نهایت، </span>MGO <span dir="RTL" lang="AR-SA">به عنوان ابزاری دقیق و قابل اعتماد برای کاربردهای اکتشافی و مهندسی معرفی می‌گردد</span>.</span></span></span></span></div> <div style="text-align: justify;"><span style="line-height:2;"><span style="color:#000000;"><span style="font-size:14px;"><span style="font-family:yekanYW;">Inversion of magnetic data &nbsp;to characterisegeological structures, such as dikes, is a fundamental challenge in engineering geophysics due to its highly non-linear and ill-posed nature, necessitating robust optimization methods. This study introduces and evaluates for the first time, the Mountain Gazelle Optimizer (MGO)&nbsp;for the first time, examining its efficiency and potential as an effective solution to this problem. The MGOalgorithm is designed to find the global optimum by intelligently balancing exploration and exploitation within the parameter space. The performance of the MGO was assessed by comparing it with two distinct approaches: a powerful machine learning algorithm&nbsp;called Random Forest (RF), and a classic processing-estimation method based on&nbsp;Reduction to the Pole (RTP). Evaluations were conducted on synthetic data (with noise levels ranging from 0% to 20%) as well as on real field data from the Gansu iron deposit in China. The results clearly demonstrated the superiority of MGO in all scenarios. Not only did the algorithm exhibit greater stability against noise than &nbsp;RF, it also, &nbsp;achieved a Root Mean Square Error (RMSE) of&nbsp;0.48 in the real data case study,, which was significantly lower than the error achieved by the classic method (0.88). Furthermore, the parameters estimated by MGO showed better alignment with the geological information from existing drilling data in the area. This study suggests that MGO&#39;s superiority obtained from its&nbsp;direct and global inversion&nbsp;approach. Ultimately, MGO is presented as an accurate and reliable tool for exploration and engineering applications.</span></span></span></span></div> الگوریتم بهینه‌سازی غزال کوهستان, جنگل تصادفی, دایک‌های دوبعدی, جنگل تصادفی (RF), بهینه‌سازی وارون‌سازی داده‌های مغناطیسی Mountain Gazelle Optimization Algorithm, Random Forest, Dipping Dykes, Magnetic Data Inversion Optimization. 271 289 http://jeg.khu.ac.ir/browse.php?a_code=A-10-2035-1&slc_lang=fa&sid=1 reza Toushmalani رضا توشمالانی creativeclient2@gmail.com 10031947532846007110 10031947532846007110 Yes Islamic Azad University, Rasht Branch دانشگاه آزاد رشت