利用波形數值模擬修正井下構造.docVIP

利用波形數值模擬修正井下構造 邱致中1 張文洲1 徐春田1 黃蕙珠2　曾耀華3　邱宏智3 1.國立台灣大學海洋研究所 2.國立中正大學地震研究所 3.中央研究院地球科學所 摘要 井測量取地下速度構造時，由於在讀取初達波時間的人為誤差或是地下水位變化等各個因素的影響之下，會直接影響到速度構造模型的正確性；此外，在大地震前後，由於地層彈性參數的改變同樣會造成速度構造的變化，而造成我們在模擬地震動情形時，模擬值與觀測值會有一定的出入。為了取得更可靠的速度構造以及瞭解地層彈性參數之變化情形，我們希望結合基因演算法（Genetic Algorithm）和線性波形模擬方法應用於花蓮垂直陣列之強震記錄，分析地震系列中地層彈性參數之改變，以進一步了解非線性震波放大之行為。而經過理論的測試與檢驗之後得知，本方法所採用的地震資料必須要滿足某一特定的頻率，此頻率似乎和地層速度、厚度有直接的相關性。 資料描述 花蓮大漢井下地震儀陣列位於東經121.6011度，北緯24.0395度，時間從1999年9月到2002年9月總共收錄上百筆的地震資料，為了入射波能接近平面波入射於地層，我們選取震央距超過50公里地震紀錄共22筆地震紀錄進行分析，這些地震規模分佈介於2.81到7.3之間，PGA值介於4.28到100，這其中包括921集集大地震的地震序列。 分析方法 本研究主要透過基因演算法全域搜尋的特性，試圖尋找一組速度構造模型能夠使得在各個井位的觀測記錄波形與模擬資料波形擁有最高相關性，而當模擬值與觀測值能相吻合的同時，也就表示該速度構造具有一定的正確性。而本研究根據鑽井後所得的一維模型假設每一層的厚度皆為常數固定不變，而基因演算法當中的染色體則包含有各層的速度值，而模擬值與觀測值的cross-correlation則是在基因演算法當中的Fit Function，經由基因的重製（Reproduction）、交配（Crossover）以及突變（Mutation）等過程，達到全域搜尋的目的，並且得到最適合的速度構造。 基因演算法（Genetic Algorithm）是利用達爾文的物種進化論適者生存、不適者淘汰的生存競爭原則寫出來的程式，由美國密西根（Michigan）大學的何南（Holland）教授及其研究團隊於1960-1975年間提出並加以發展（Holland, 1975、Goldberg, 1989），此類方法藉觀察生物對複雜的自然環境相應產生的演化機制，例如：交配、突變、以及重製等，而建立一套具自然界演化機制的人工系統，目的在於研究如何應用這項自然界所提供的最佳化機制於各種最佳化問題上，其採用機率過渡性法則（Probabilistic Transition Rules）同時搜尋一組點，再以適存值來決定搜尋方式，這些都與傳統方法有明顯的不同。基因演算法採用演化法導引搜尋方向找尋最佳值，不同於傳統利用梯度搜尋之方法（Gradient Based Methods），因而克服了傳統方法僅可求得局部最佳值（Local Optimum）的缺陷，而且又較隨機搜尋方法來得更有效率；換句話說，基因演算法提供一個有效率而且可以找到一組近似最佳解的方法，對於複雜的離散、多維及反曲的設計空間也能發揮它尋求最佳解的功能性。 結果與討論 為瞭解此方法的可行性，必須先經過理論的測驗以及檢驗，經過一系列的理論測試得知：運用基因演算法和線性波形模擬方法搜尋速度構造，地震資料必需滿足某一特定的頻率，而此頻率似乎與地層的速度以及厚度有直接的相關性；得知此關係之後，目前正積極地將此方法運用在觀測地震資料上，希望能透過此方法得知地震系列中地層速度構造之改變，以進一步了解非線性震波放大之行為。 參考文獻 Haskell, N. A. 1953. The dispersion of surface waves on multilayered media, Bull. Seism. Soc. Am. 43, 17-35. Haskell, N. A. 1960. Crustal reflection of plane SH waves, J. Geophys. Res. 65,4147-4150. Haskell, N. A. 1962. Crustal reflection of plane P and SV waves, J. Geophys. Res. 67,4751-4767. Goldberg, D.E., 1989. Genetic Algorithms in Search, Optimization and Machine Learning, Addison-Wesley, USA. Holland, J.H., 1975. Adaptation in Natural and Art