Paramètres réels du modèle, plage de recherche et modèle moyen interprété pour le bruit sans bruit et 10% gaussien avec données d`incertitude-gravité (modèle 1) données gravimétriques: raccords entre les données observées et modèle pour feuille mince: modèle 1-données synthétiques sans bruit et b 10% Données synthétiques bruyantes et de type 2-c de données synthétiques sans bruit et d 20% de données synthétiques bruyantes gaussiennes dans le présent ouvrage, le recuit simulé très rapide (VFSA) est utilisé pour déterminer les différents paramètres du modèle liés aux structures de types de feuilles minces pour la gravité et les anomalies magnétiques. Depuis, l`optimisation VFSA est en mesure de rechercher un espace modèle énorme sans négocier la résolution et a la capacité d`éviter de se coincer dans les minima locaux (Sen et stoffa 2013; Sharma et Kaikkonen 1998, 1999a, b; Sharma et Biswas 2011, 2013 Sharma 2012; Biswas et Sharma 2015, 2016) et est utilisé dans l`interprétation des données de gravité et d`anomalie magnétique. L`applicabilité de la technique proposée est évaluée et discutée à l`aide de données synthétiques et de deux exemples de champs. La méthode peut être utilisée pour interpréter la gravité et les anomalies magnétiques se sont produites en raison d`un type de feuille mince corps minéralisé. Données gravimétriques: un histogramme de tous les modèles acceptés ayant un mauvais ajustement < 10 − 4 pour les données synthétiques sans bruit pour les histogrammes minces de la feuille-modèle 1 et b de tous les modèles acceptés ayant un mauvais ajustement < 10 − 2 pour les données synthétiques bruyantes pour les feuilles minces-modèle 2 ensuite, l`optimisation VFSA est avec des données de bruit gaussienne de 10% pour le modèle 1 (tableau 1). La convergence de chaque paramètre de modèle et la réduction du mauvais ajustement sont étudiées pour une solution unique. Après avoir observé la réduction systématique et la stabilisation de chaque paramètre de modèle lors de l`itération ultérieure, dix exécutions VFSA sont effectuées. Les histogrammes de la Fig. 3b montrent également que tous les paramètres du modèle (k, x 0, z et θ) se rapprochent de la solution réelle.

Un modèle de moyenne statistique est également calculé à l`aide de modèles qui ont un mauvais ajustement inférieur à 10 − 2 et qui se situent dans un écart type. Le tableau 1 montre que le modèle moyen estimé et l`incertitude pour le modèle bruyant. Une méthode efficace et fiable est employée pour l`interprétation de la gravité et de l`anomalie magnétique sur la structure de type de feuille mince utilisant une méthode globale d`optimisation de VFSA pour des études d`exploration. La détermination problématique de la forme, de la profondeur, du paramètre d`index et du coefficient d`amplitude appropriés d`une structure enterrée à partir d`un profil de gravité résiduelle et d`anomalie magnétique peut être bien résolue à l`aide de la méthode actuelle. La présente étude révèle que, tout en optimisant tous les paramètres du modèle (coefficient d`amplitude, emplacement, profondeur, angle) ensemble, l`approche VFSA donne de très bons résultats sans aucune incertitude dans les paramètres du modèle final. L`efficacité de cette approche a été prouvée, établie et validée avec succès en utilisant des données synthétiques bruyantes et sans bruit. La plus grande partie de cette méthode d`application pratique dans l`exploration minérale a également été illustrée de façon efficace sur certains exemples de terrain avec de nombreuses structures géologiques complexes et des profondeurs d`inhumation. La gravité estimée et les paramètres magnétiques inverses pour les données de terrain se trouvent être en excellent accord avec les autres méthodes ainsi que des résultats géologiques et de forage. Le temps réel (pas CPU) pour l`ensemble du processus de calcul est presque 35 s.

L`optimisation globale de VFSA est lancée en utilisant des données synthétiques bruyantes et sans bruit (10 et 20% de bruit gaussien) pour l`anomalie gravimétrique sur un modèle de type feuille mince. Au départ, tous les paramètres du modèle sont optimisés pour chaque ensemble de données. Modèle de convergence pour différents paramètres de modèle et mauvais ajustement pour les données de gravité. Les méthodes d`optimisation globales telles que le recuit simulé, les algorithmes génétiques, les réseaux neuronaux artificiels et l`optimisation des essaims de particules ont été utilisées dans divers ensembles de données géophysiques (p. ex., Rothman 1985, 1986; Dosso et Oldenburg 1991; Sen et stoffa 2013; Sharma et Kaikkonen 1998, 1999a, b; Zhao et coll.