C-RIA: PERANGKAT LUNAK INVERSI DAN ANALISIS DATA RESISTIVITAS BERBASIS CLOUD

Andri Yadi Paembonan, Asido Saputra Sigalingging, Putu Pradnya Andika, Selvi Misnia Irawati, Edlyn Yoadan Nathania, Muhammad Rendi Jaya

Abstract


Pada umumnya, proses inversi dan analisis data geofisika konvensional menggunakan komputasi lokal yang memerlukan sumber daya besar baik dalam proses pengolahannya maupun dalam penyimpanan data yang dapat menghambat efisiensi dan skalabilitasnya. Seiring dengan kemajuan teknologi cloud computing, penyimpanan dan pengolahan data secara terpusat menjadi lebih efisien, memungkinkan geofisikawan untuk mengoptimalkan kinerja dalam melakukan pengolahan data seperti inversi data geolistrik secara signifikan. Dengan memanfaatkan infrastruktur cloud, perangkat lunak ini dapat diakses secara fleksibel dan dapat disesuaikan, memungkinkan pengguna untuk mengelola dan menganalisis dataset geolistrik dengan lebih efektif. Tujuan dari penelitian ini adalah untuk mengoptimalkan pengolahan data geolistrik resistivitas dengan teknologi cloud yang dapat mempercepat kinerja maupun memberikan kemudahan pengolahan data (user friendly) melalui pengembangan perangkat lunak C-RIA. Sebelum melakukan pengolahan data perlu dilakukan pemilihan metode optimasi dan penentuan beberapa parameter, kemudian dilakukan proses inversi. Hasil yang diperoleh setelah dilakukan proses inversi untuk membuat model memperlihatkan kemampuan pengolahan data yang stabil dengan model awal yang berbeda. Selain itu hasil yang diperoleh dengan menggunakan data sintesis memperlihatkan hasil yang hampir sama walaupun sudah ditambahkan sedikit gangguan (noise) dengan nilai RMSE <3%, sedangkan pada pengujian data lapangan nilai RMSE <1%. Selanjutnya pada data lapangan nilai Selain itu dengan antarmuka (interface) yang lebih mudah dapat mempercepat dan mengoptimalkan pengolahan data.  Secara keseluruhan dari penggunaan teknologi cloud yang diimplementasikan untuk data geolistrik dapat menjadi solusi untuk pengolahan data lebih efisien dan efektif serta fleksibel.

Keywords


Resistivity; Cloud; 1D model; VES.

Full Text:

PDF

References


Arliska, E., Anda, P., & Hasan, E. (2022). Identifikasi Intrusi Air Laut Menggunakan Metode Vertical Electrical Sounding di Kecamatan Sawa. JGE (Jurnal Geofisika Eksplorasi), 8(3), 197-209. doi:https://doi.org/10.23960/jge.v8i3.223

Ashari, A. & Setiawan, H. (2011). Cloud Computing : Solusi ICT?. Jurnal Sistem Informasi Vol.3 No.2.

Bahri, S., Aponno, S., & Zulfiah, Z. (2022). Global Optimization Very Fast Simulated Annealing Inversion for The Interpretation Of Groundwater Potential. JGE (Jurnal Geofisika Eksplorasi), 8(3), 225-236. doi: https://doi.org/10.23960/jge.v8i3.233

FitzGerald, D. (2019). Artificial Intelligence Techniques to The Interpretation of Geophysical Measurements. ASEG Ext. Abstr. 1, 1-5.

Ghosh, d. P. (1971). The Application of Linear Filter Theory to The Direct Interpretation of Geoelectrical Resistivity Sounding Measurements. Geophysical Prospecting, 19(2), 192–217. doi: 10.1111/j.1365- 478.1971.tb00593.x

Gill, P. E., & Murray, W. (1978). Algorithms for the Solution of the Nonlinear Least-Squares Problem. SIAM Journal on Numerical Analysis, 15(5), 977–992. doi:10.1137/0715063

Grandis, D. H. (2009). Pengantar Pemodelan Inversi Geofisika. Bandung: Himpunan Ahli Geofisika Indonesia (HAGI).

Guptasarma, D. (1982). Optimization of Short Digital Linear Filters for Increased Accuracy. Geophysical Prospecting 30, 501-514.

Heriyanto, M & W Srigutomo. (2017). 1-D DC Resistivity Inversion Using Singular Value Decomposition and Levenberg-Marquardt's Inversion Schemes. J. Phys.: Conf. Ser. 877 012066

Jupp, D. L B., & Vozoff, K. (1977). Resolving Anisotropy in Layered Media by Joint Inversion. Geophys. Prospect., 25(3), 460-470.

Kalscheuer, T., Juhojuntti, N., & Vaittinen, K. (2018). Two Dimensional Magnetotelluric Modelling of Ore Deposits: Improvements in Model Constraints by Inclusion of Borehole Measurements. Surv. Geophys, 39(3), 467-507.

Koefoed, o. (1976). Error Propagation and Uncertainty in The Interpretation of Resistivity Sounding Data. Geophysical Prospecting, 24(1), 31–48. doi:10.1111/j.1365- 478.1976.tb00383.x

Koefoed, O. (1970). A Fast Method for Determining The Layer Distribution From The Raised Kernel Function in Geoelectrical Sounding. Geophysical Prospecting, 18(4), 564–570. doi: 10.1111/j.1365-2478.1970.tb02129.x

Lestari, H., Nasril, M., Zulkifli, A., Aswad, S., & Syamsuddin. (2019). Interpretation of One Dimensional Schlumberger Curve Resistivity Data using "Least Square" Inversion. IOP Conf. Series: Earth and Environmental Science 279.

Manglik, A. (2011). Inverse Theory, Singular Value Decomposition. In: Gupta, H.K. (eds) Encyclopedia of Solid Earth Geophysics. Encyclopedia of Earth Sciences Series. Springer, Dordrecht. https://doi.org/10.1007/978-90-481-8702-7_133

Meju, M. A. (1992). An Effective Ridge Regression Procedure for Resistivity Data Inversion. Computers & Geosciences, 18(2-3), 99–118. doi:10.1016/0098-3004(92)90079-7

Mudge, J. C., Chandrasekhar, P., Heinson, G. S., & Thiel, S. (2011). Evolving Inversion Methods in Geophysics With Cloud Computing - A Case Study of An E-Science Collaboration. IEEE Seventh International Conference on eScience, 119-125.

Paembonan, A. Y., Febriansanu, D. R., Sinaga, R. E., Putra, F. D., & Rahmanda, V. (2020). Investigasi Air Tanah Pada Endapan Piroklastik Dengan Menggunakan Metode Electrical Resistivity Imaging (ERI). Gravitasi, 19(1), 1-5.

Pekeris, C.L. 1940, Direct Method of Interpretation in Resistivity Prospecting, Geophysics 5, 31-42.

Pujol, J. (2007). The Solution of Nonlinear Inverse Problems and The Levenberg-Marquardt Method. Geophysics, 72(4), W1–W16. doi:10.1190/1.2732552

Qiao, S., Zhang, Q., Zhang, Qi., Guo, F., & Li, W. (2020). Hybrid Seismic-Electrical Data Acquisition Station Based on Cloud Technology and Green IoT. Digital Object Identifier IEEE Access 10.1109/ACCESS.2020.2966510.

Telford, W. M., Geldart, L. P., & Sheriff, R. E. (1990). Applied Geophysics. Cambridge, Cambridge University Press.

Van der Baan, M., & Jutten, C. (2000). Neural Network in Geophysical Applications. Geophysics, 65(4), 1032-1047.

Versteeg, R., Jhonson, D., Henrie, A., & Jhonson, T. (2014). Cloud Based Electrical Geophysical Monitoring. Symposium on The Application of Geophysics to Engineering and Environmental Problems.

Wallet, B., Osypov, K., Aarre, V., Verma, S., Davogustto, O., Zhang, Bo., Jayaram, V., & Zhang, S. (2021). Introduction to special section: Cloud computing. Society of Exploration Geophysicists and American Association of Petroleum Geologists Vol.9 Issue 1.

Ward, S. H. (1985). Electrical methods in geophysical prospecting. Geophysics, 24, 265-375.

Yang, Xu, & Zhang, S. (2016). A High Performance Distributed Cloud Computing Frame for Geophysical Applications. ISSN (online): 2159-6832 Copyright: 2016 Pages: 63.

Yu, S., & Ma, J. (2021). Deep Learning for Geophysics: Current and Future Trends. Rev. Geophys., 59(3), e2021RG000742.

Yudianto, I.E., & Soewito, B. (2023). Private Cloud HPC Untuk Geologi dan Aplikasi Eksplorasi Geofisika (G&GE). Journal of Information Technology and Computer Science Vol.6 No.1.




DOI: https://doi.org/10.23960/jge.v10i1.389

Refbacks

  • There are currently no refbacks.


Copyright (c) 2024 JGE (Jurnal Geofisika Eksplorasi)

Creative Commons License
This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License.

ISSN: 2685-6182