U NIVERSIDAD S IM ÓN B OL ÍVAR I NGENIER ÍA G EOF ÍSICA INVERSIÓN CONJUNTA DE DATOS ELÉCTRICOS DE CORRIENTE CONTINUA Y RADIOMAGNETOTELÚRICOS BAJO UN ESQUEMA TSVD Realizado por: Marı́a de los Ángeles Garcı́a Juanatey Proyecto de Grado Presentado ante la Ilustre Universidad Simón Bolı́var Como requisito parcial para optar al tı́tulo de I NGENIERO G EOF ÍSICO Sartenejas, Diciembre 2007 U NIVERSIDAD S IM ÓN B OL ÍVAR I NGENIER ÍA G EOF ÍSICA INVERSIÓN CONJUNTA DE DATOS ELÉCTRICOS DE CORRIENTE CONTINUA Y RADIOMAGNETOTELÚRICOS BAJO UN ESQUEMA TSVD Realizado por: Marı́a de los Ángeles Garcı́a Juanatey Con la asesorı́a de: Thomas Kalscheuer Universidad de Uppsala Proyecto de Grado Presentado ante la Ilustre Universidad Simón Bolı́var Como requisito parcial para optar al tı́tulo de I NGENIERO G EOF ÍSICO Sartenejas, Diciembre 2007 Este trabajo ha sido aprobado en nombre de la Universidad Sim ón Bolı́var por el siguiente jurado calificador: Presidente Prof. Mario Caicedo Tutor académico Prof. Carlos Izarra Miembro del Jurado Prof. Milagrosa Aldana El presente trabajo es la traducción del proyecto de grado presentado ante la Universidad de Uppsala con la asesorı́a de Thomas Kalscheuer bajo el tı́tulo “Joint inversion of Direct Current and Radiomagnetotelluric data.”, durante el perı́odo de intercambio 2006 – 2007, conforme a las Normas para realizar actividades de intercambio de estudiantes de pregrado entre universidades extranjeras y la USB, capı́tulo de Normas Generales, numeral 12. II Agradecimientos A la Universidad Simón Bolı́var por la excelente educación que me ha brindado, además de darme la oportunidad de completar mi programa de estudios en el extranjero. A la Universidad de Uppsala por recibirme de la mejor manera y contribuir significativamente en la completación de mis estudios. Al profesor Laust B. Pedersen, por confiar en mi para realizar este trabajo. A Naser Meqbel, por proveer las rutinas necesarias para el método eléctrico de Corriente Continua. Muy especiales a mi mentor, Thomas Kalscheuer, por introducirme en el mundo de la programación en geofı́sica, tener la paciencia de contestar todas mis preguntas de manera instantánea, mantener mi motivación y resolver todos los problemas que causé. Al profesor Carlos Izarra, por ayudarme con la traducción de este trabajo, enseñarme de qué trata la geofı́sica y motivarme desde el primer dı́a de clases de la carrera hasta el dı́a de hoy. A Claudia, Hanka, Martin y Michael, por aligerar mis dı́as de trabajo en Suecia y ayudarme siempre que lo necesité. Además, he de reconocer que el cumplimiento exitoso de mis metas se lo debo principalmente a mis padres y hermanos, quienes me han guiado y prestado su apoyo a lo largo de toda mi vida, ası́ como al resto de mi familia. A ellos el mayor de mis agradecimientos. Finalmente quiero agradecer de manera muy especial a mis compañeros de Campo 2005 y geofı́sica, Astrid Torres, William Marı́n, Christian Olbrich, Carla Carvajal, Esteban Dı́az, Alejandro Lemmo, Joan Marie Blanco, Adriana Moreno, Andrea Vega, Sary Zambrano, José AlejanIII dro Cruces, Daniel Rendón, Luis Lezama, Fernando Castellanos, Adriana Justiniano, Erik Garcı́a, Luis Godoy, Cristina Graü, Alegrı́a Hinestrosa, Gustavo Guariguata, Javier Martı́n, Alfredo Peralta, Ruyman Gilbert, Daniel Rossell, Cindy Herrera, Vicente Oropeza, Gabriel Matos, Mario Petito, Mario Rada, Edgar Corzo, Julián Cuesta, Israel Roche, Vanesa Urdaneta, Daniel Chramcow, David Sánchez, Ana Victoria Somoza, Luis Alberto Gómez, Dignorah Altamiranda, Noris Caraballo, Melissa Céspedes, Débora Piemonti, Pilar Cuadra y todos los que compartieron conmigo la sala de lectura, por brindarme su apoyo y comprensión, además de acompañarme a través de mi trayectoria como estudiante universitaria y hacer de la geofı́sica algo tan divertido. IV INVERSIÓN CONJUNTA DE DATOS ELÉCTRICOS DE CORRIENTE CONTINUA Y RADIOMAGNETOTELÚRICOS BAJO UN ESQUEMA TSVD P OR Marı́a de los Ángeles Garcı́a Juanatey R ESUMEN Varios estudios han demostrado que los métodos eléctricos y electromagnéticos, a pesar de responder a la misma propiedad fı́sica de las rocas, lo hacen de manera distinta, por lo que su combinación siempre conlleva a mejores resultados (Vozoff y Jupp, 1975). Considerando esto, se plantea en el presente trabajo la inversión conjunta de datos eléctricos de corriente continua (CC) y datos radiomagnetotelúricos (RMT). Para ello se adapta el programa REBOCC (Siripunvaraporn y Egbert, 2000) para invertir datos CC y RMT de manera independiente y conjunta, utilizando el esquema TSVD. Luego se configura un modelo de resistividades para generar datos sintéticos CC y RMT con el fin de realizar inversiones simples y una inversión conjunta, que permitan estudiar el comportamiento de cada método y su combinación. Adicionalmente, se realiza un análisis de resolución y varianza no lineal (Kalscheuer y Pedersen, 2007) para comprobar la fiabilidad de cada modelo estimado. Los resultados permiten concluir que el modelo estimado de la inversión conjunta se asemeja más al modelo verdadero, que los modelos estimados a partir de las inversiones simples.Particularmente presenta un buen desempeño recuperando el ancho y la forma de las estructuras involucradas, ası́ como la resistividad del medio en el cual se encuentran sumergidas. Cabe destacar que esta inversión logra reducir notablemente la aparición de artefactos resistivos poco profundos, presentes en el modelo estimado CC. V Índice general Agradecimientos III 1. Introducción 1 1.1. Objetivos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2 1.2. Estructura del presente informe . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3 2. Propiedades eléctricas de las rocas 5 2.1. Mecanismos de conducción . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7 2.2. Ley de Archie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7 3. Método eléctrico con corriente continua (CC) 9 3.1. Potenciales en un semiespacio homogéneo . . . . . . . . . . . . . . . . . . . . . . 9 3.2. Configuración de los arreglos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11 3.3. Profundidad de investigación . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14 4. Método radiomagnetotelúrico (RMT) 16 4.1. Ecuaciones de Maxwell . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16 4.2. Ecuaciones de difusión . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18 4.3. Profundidad de penetración (skin depth) . . . . . . . . . . . . . . . . . . . . . . . 19 4.4. Funciones de transferencia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20 4.5. Modos TE y TM. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21 VI 5. Teorı́a de inversión 23 5.1. El problema de inversión . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23 5.2. El problema no lineal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24 5.3. Tipos de problemas inversos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26 5.3.1. Problemas de inversión con determinabilidad mixta . . . . . . . . . . . . . 27 5.4. Descomposición en valores singulares (SVD) . . . . . . . . . . . . . . . . . . . . 28 5.5. Resolución y varianza . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29 5.5.1. Resolución . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30 5.5.2. Varianza . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31 5.5.3. Equilibrio entre resolución y varianza . . . . . . . . . . . . . . . . . . . . 31 5.5.4. Análisis no lineal de resolución y varianza . . . . . . . . . . . . . . . . . . 32 5.6. Nota acerca de la raı́z cuadrática media (RMS) . . . . . . . . . . . . . . . . . . . 33 6. El programa de inversión 35 6.1. REBOCC previamente modificado . . . . . . . . . . . . . . . . . . . . . . . . . . 35 6.2. Nuevas modificaciones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36 6.2.1. Tres modalidades para CC . . . . . . . . . . . . . . . . . . . . . . . . . . 37 6.2.2. Respuestas del problema directo CC . . . . . . . . . . . . . . . . . . . . . 37 6.2.3. Matriz de sensitividades CC . . . . . . . . . . . . . . . . . . . . . . . . . 38 6.2.4. Rutina para el número de onda . . . . . . . . . . . . . . . . . . . . . . . . 39 6.3. Descomposición en valores singulares truncada (TSVD) . . . . . . . . . . . . . . 40 7. Las inversiones 44 7.1. El modelo sintético . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44 7.2. Datos sintéticos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46 7.3. Productos de la inversión . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47 VII 8. Análisis de resolución 54 8.1. Valores singulares . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54 8.2. Semiejes no lineales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55 8.3. Comparación entre semiejes lineales y no lineales . . . . . . . . . . . . . . . . . . 56 8.4. Kernels de resolución . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58 9. Conclusiones 63 Recomendaciones 65 Referencias 67 Apéndice 70 VIII Índice de figuras 3.1. Arreglo genérico de cuatro electrodos. . . . . . . . . . . . . . . . . . . . . . . . . 10 3.2. Campo eléctrico y lı́neas equipotenciales originados por electrodos de corriente. . . 10 3.3. Tendidos de electrodos más comunes en el método de resistividad CC. . . . . . . . 13 3.4. Patrón de datos en una pseudosección eléctrica para los tres arreglos considerados. 14 4.1. Modos TE y TM en una discontinuidad vertical. . . . . . . . . . . . . . . . . . . . 22 5.1. Ilustración de la superficie pseudo hiperelipsoidal, como aproximación a la superficie de confianza. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33 6.1. Esquema general del programa de inversión empleado. . . . . . . . . . . . . . . . 37 6.2. Datos de entrada y de salida para la rutina de respuestas directas del método CC. . 38 6.3. Datos de entrada y de salida para la rutina de sensitividades del método CC. . . . . 39 6.4. Matriz de sensitividades. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40 6.5. Datos de entrada y de salida para la rutina de números de onda. . . . . . . . . . . . 40 6.6. Diferencia entre respuestas directas con cantidades distintas de números de onda. . 41 6.7. Diagrama de flujo simplificado de la rutina de TSVD. . . . . . . . . . . . . . . . . 43 7.1. Modelo sintético utilizado para generar datos. . . . . . . . . . . . . . . . . . . . . 45 7.2. Malla utilizada para los modelos discretos. . . . . . . . . . . . . . . . . . . . . . . 45 7.3. Datos de CC simulados a partir del modelo sintético. . . . . . . . . . . . . . . . . 46 7.4. Datos RMT sintéticos para el modo TE. . . . . . . . . . . . . . . . . . . . . . . . 47 IX 7.5. Decaimiento del RMS con respecto al incremento del nivel de truncamiento. . . . . 49 7.6. Modelo producido en la inversión CC simple. . . . . . . . . . . . . . . . . . . . . 50 7.7. Modelo estimado en la inversión RMT simple con el modo TE. . . . . . . . . . . . 51 7.8. Modelo producido en la inversión conjunta. . . . . . . . . . . . . . . . . . . . . . 52 8.1. Valores singulares del modelo sintético para las tres técnicas. . . . . . . . . . . . . 55 8.2. Semiejes no lineales para las tres técnicas con respecto al modelo sintético. . . . . 56 8.3. Semiejes lineales y no lineales de los tres problemas de inversión para el modelo sintético. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57 8.4. Las diez celdas analizadas en el modelo sintético . . . . . . . . . . . . . . . . . . 59 A.1. Kernels de resolución de la celda 1 (50 m a la izquierda del conductor y 15 m de profundidad). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 71 A.2. Kernels de resolución de la celda 2 (50 m a la izquierda del conductor y 55 m de profundidad). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 72 A.3. Kernels de resolución de la celda 3 (sobre el conductor). . . . . . . . . . . . . . . 73 A.4. Kernels de resolución de la celda 4 (en el tope del conductor). . . . . . . . . . . . 74 A.5. Kernels de resolución de la celda 5 (en la base del conductor). . . . . . . . . . . . 75 A.6. Kernels de resolución de la celda 6 (debajo del conductor). . . . . . . . . . . . . . 76 A.7. Kernels de resolución de la celda 7 (sobre el resistor). . . . . . . . . . . . . . . . . 77 A.8. Kernels de resolución de la celda 8 (en el tope del resistor). . . . . . . . . . . . . . 78 A.9. Kernels de resolución de la celda 9 (en la base del resistor). . . . . . . . . . . . . . 79 A.10.Kernels de resolución de la celda 10 (debajo del resistor). . . . . . . . . . . . . . . 80 X Índice de tablas 2.1. Resitividad eléctrica de algunos minerales, rocas y sedimentos. . . . . . . . . . . . 6 3.1. Relación entre la profundidad de investigación y la longitud total del arreglo (Edwards, 1977) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15 4.1. Suposiciones del método RMT (modificado de Simpson y Bahr (2005)). . . . . . . 18 7.1. Frecuencias usadas para simular datos RMT del modo TE. . . . . . . . . . . . . . 47 7.2. Resumen de los resultados de inversión. . . . . . . . . . . . . . . . . . . . . . . . 48 8.1. Resumen de las propiedades de resolución. . . . . . . . . . . . . . . . . . . . . . 60 XI Capı́tulo 1 Introducción En su afán por descubrir lo que existe en el subsuelo, el geofı́sico recurre a técnicas que le facilitan alcanzar su objetivo a partir de datos recolectados en superficie. Sin embargo, todavı́a no existe método alguno, que permita extraer de observaciones indirectas información exacta y precisa de lo que existe en el subsuelo. Todos los métodos geofı́sicos conllevan, en menor o mayor grado, a resultados ambiguos. Esto se debe principalmente a que limitaciones en el proceso de adquisición o inherentes a la concepción del método (o una combinación de ambas), impiden la obtención de un conjunto de datos vinculados a un único modelo del subsuelo (Roy, 1962). En el caso de la adquisición, las restricciones más comunes son irregularidades en el terreno, factores ambientales o deficiencias de los dispositivos utilizados. Mientras que los problemas del método como tal, son principalmente circunstancias como la imposibilidad de colocar detectores alrededor del objeto de estudio y disponer de ellos sólo en la superficie o la presencia de más de una variable determinante, lo que en lı́neas generales se reduce a una gran dificultad para obtener un problema bien constreñido. Para reducir los efectos de esta situación, el empleo conjunto de más de un método es recomendable. La combinación de información de diferente naturaleza en distintos niveles de la investigación geofı́sica, permite precisar aún más los resultados y obtener un modelo más fiable (Harinarayana, 1999). Esta integración puede hacerse en cualquiera de las etapas requeridas para obtener 1 un modelo del subsuelo, ya sea durante el procesamiento, modelado o interpretación, teniendo en cuenta que la mejor manera de combinar los datos dependerá en gran parte de las caracterı́sticas de las técnicas empleadas. Particularmente, en el trabajo que aquı́ se presenta, se emplean métodos eléctricos y electromagnéticos, ambos dependientes de la misma propiedad fı́sica del subsuelo: la resistividad. Varios estudios han demostrado que éstos, a pesar de responder a la misma caracterı́stica de las rocas, lo hacen de manera distinta, por lo que su combinación siempre conlleva a mejores resultados que cada uno de los métodos por separado (Vozoff y Jupp, 1975). Considerando lo expuesto anteriormente y con la intención de obtener un mayor provecho de los métodos eléctricos y electromagnéticos, se plantea en este trabajo su combinación en un mismo proceso de inversión. En especı́fico, se utilizan las técnicas de resistividad eléctrica con corriente continua (CC) y radiomagnetotelúrica (RMT), que aunque detectan un mismo parámetro del subsuelo envuelven concepciones fı́sicas muy distintas. 1.1. Objetivos Como objetivos generales del presente trabajo pueden enumerarse los siguientes: 1. Adaptar un programa de inversión para realizar inversiones conjuntas de los métodos mencionados. 2. Probar el programa utilizando datos sintéticos y comparar los productos de inversiones simples (cada método por separado) con el de la inversión conjunta. 3. Analizar la resolución de los modelos estimados en las inversiones simples y conjunta. Para la realización del primer objetivo, se modifica un programa de inversión para datos radiomagnetotelúricos que emplea la descomposición en valores singulares truncada (REBOCC Siripunvaraporn y Egbert 2000, modificado previamente), al cual se le añaden las rutinas correspondientes 2 para invertir datos eléctricos de corriente continua. Las modificaciones realizadas permiten tanto inversiones simples de cualquiera de los dos métodos, como la inversión conjunta de ambos. Posteriormente, se diseña un modelo del subsuelo que permitirá la obtención de datos sintéticos para realizar las tres inversiones planteadas en el segundo objetivo, que luego serán sometidas a un análisis de resolución no lineal (tercer objetivo) para descubrir la bondad de los modelos estimados. 1.2. Estructura del presente informe El presente informe empieza exponiendo los conceptos básicos que sustentan el trabajo. Contiene una breve descripción de la resistividad eléctrica de las rocas, que es la propiedad fı́sica empleada, seguida de una reseña sobre el método eléctrico de corriente continua, incluyendo fundamentos teóricos, adquisición y alcance. Luego se ofrece un breve recorrido sobre la teorı́a electromagnética, necesaria para la comprensión del método radiomagnetotelúrico, además de presentar la adquisición y alcance de este método. Posteriormente se discute la teorı́a de inversión, con especial énfasis en los problemas de determinabilidad mixta, ya que el problema de interés (la inversión de los métodos CC y RMT) es de esta ı́ndole, y en la técnica de descomposición en valores singulares truncada (TSVD), puesto que es la empleada para resolverlo. También se explican los términos de resolución y varianza, ası́ como el método de análisis de resolución que se aplica sobre los modelos estimados. Adicionalmente se detalla el concepto de raı́z cuadrática media (RMS), que se utiliza para escoger los modelos de inversión. Una vez concluido el marco teórico, se exponen los cambios realizados al programa base (REBOCC modificado) y las tres rutinas añadidas para el método eléctrico. Después se presentan el modelo sintético utilizado, las respuestas calculadas a partir de éste y los modelos estimados de inversión. De estos últimos además, se incluye el análisis y la comparación entre los mismos. Después de ello, se especifican los resultados del análisis de resolución aplicado sobre 10 celdas 3 particulares, a través del estudio de los semiejes (lineales y no lineales) de cada problema y la comparación de las propiedades de resolución de las celdas en cada uno de los modelos. Finalmente, se presentan las conclusiones del trabajo y algunas recomendaciones para consideraciones a futuro. 4 Capı́tulo 2 Propiedades eléctricas de las rocas Una de la propiedades más importantes y útiles de las rocas es su resistividad eléctrica, la cual se halla relacionada con otras propiedades como porosidad, saturación de fluido y litologı́a. La resistividad eléctrica puede determinarse a través de diferentes métodos eléctricos y electromagnéticos, lo que hace posible encontrar una técnica adecuada para cada situación y circunstancia. Además, la resistividad del suelo varı́a dentro de un amplio rango de valores, desde 1,6 · 10−8 Ωm para el mineral de plata hasta 106Ωm para el azufre puro (Reynolds, 1997). Este aspecto facilita ampliamente la interpretación, ya que rocas diferentes pueden poseer valores de resistividad muy distintos y ser identificadas con cierta facilidad. Sin embargo esto no ocurre siempre, el solapamiento de valores todavı́a ocurre (ver tabla 2.1). La resistividad eléctrica (ρ), se define como la resistencia de un cilindro de área y longitud unitaria (Dobrin, 1976). Las unidades SI correspondientes son ohms metro (Ω·m) y su inverso la conductividad (σ), está dada en Siemens sobre metros (S/m). La ecuación que relaciona resistividad y resistencia es: ρ= RA , L (2.1) donde R (en Ω) es la resitencia del cuerpo conductor, A (m2 ) es el área de la sección transversal y L (m) es su longitud (Telford et al. , 1976). 5 Resistividad (Ω m) −5 10 −4 10 −3 10 −2 10 −1 10 0 10 1 10 2 3 10 10 4 10 5 10 6 10 7 10 8 10 9 10 10 10 11 10 12 10 13 10 Pirrotita Hematita Cuarzo Granito Granito meteorizado Basalto Mármol Pizarras Areniscas Calizas Morrena Lutita consolidada Sal rocosa Grava (seca) Grava (saturada) Aluvión y arena Arenas recientes/Cuaternario Suelo arenoso seco Arcilla arenosa/Arena arcillosa Arcillas Relleno no saturado Relleno saturado Tabla 2.1 Resitividad eléctrica de algunos minerales, rocas y sedimentos. Obsérvese que para ciertos materiales existe solapamiento mientras que para otros no. También se evidencia la influencia de la presencia de fluidos en la resistividad efectiva. (Valores de resistividad tomados de Reynolds 1997) En un circuito eléctrico, la resistencia R cumple con la ley de Ohm: R= V , I (2.2) com V (v) la diferencia de potencial a través del resistor e I (A) la corriente que circula a través de él. Entonces, la resistividad ρ también puede escribirse como: ρ= VA . IL 6 (2.3) 2.1. Mecanismos de conducción Existen tres mecanismos que permiten la conducción de corriente a través de las rocas: conducción electrónica, dieléctrica y elctrolı́tica (Reynolds, 1997; Dobrin, 1976; Telford et al. , 1976). Conducción electrónica ocurre en metales, donde los electrones son libres y pueden moverse rapidamente. Tiene una gran importancia en el estudio de yacimientos. Conducción dieléctrica es común en aislantes, donde los electrones no son libres y sólo pueden desplazarse ligeramente con respecto al núcleo. Este fenómeno puede despreciarse en estudios eléctricos de baja frecuencia, pero tiene una gran importancia en la polarización espectral inducida. Conducción electrolı́tica es asociada a fracturas y poros, debido al movimiento de los iones en el fluido intersticial. Este es el mecanismo más importante en estudios eléctricos y electromagnéticos someros. 2.2. Ley de Archie En muchas situaciones, la resitividad del fluido contenido en poros y fracturas, es más importante y determinante que la resistividad de la roca caja. En esas ocasiones, la ley de Archie describe la resistividad efectiva de toda la roca (incluyendo el fluido intersticial) considerando porosidad, saturación de fluido y resistividad (Reynolds, 1997): ρ = aφ−m s−n ρw , donde ρ es la resistividad efectiva de la roca (Ω·m), ρw es la la resistividad del fluido de poro (Ω·m), 7 (2.4) φ es la porosidad, s es la fracción de volumen de poros con fluido (saturación), a es una constante entre 0.5 y 2.5 denominada factor de cementación, m también constante entre 1.3 y 2.5, conocida como exponente de cementación n otra constante muy cercana a 2. Las constantes a, m y n son determinadas empı́ricamente y se conocen de antemano. 8 Capı́tulo 3 Método eléctrico con corriente continua (CC) Aplicar corriente directa al suelo y luego medir la diferencia de potencial producida en diferentes puntos de la superficie, es el método más común para determinar la resistividad del subsuelo. Es ampliamente utilizado en arqueologı́a, en la ubicación y monitoreo de acuı́feros subterráneos, en la localización de cavidades, fallas y fracturas, entre otras aplicaciones. Para esta técnica se utilizan regularmente arreglos de cuatro electrodos. Dos de ellos empleados en la inyección de corriente al suelo y los otros dos en la medición de diferencias de potencial (ver la Figura 3.1). 3.1. Potenciales en un semiespacio homogéneo Para un único electrodo de corriente en un semiespacio homogéneo, el potencial Vp en cualquier punto p ubicado a una distancia r de la fuente (ver Figura 3.2(a)), se define como: Vp = ρI , 2πr 9 (3.1) C1 P1 P2 C2 U +I -I A M N B ρ AM BM AN Figura 3.1 BN Arreglo genérico de cuatro electrodos. Los electrodos P 1 y P2 son los electrodos potenciales (empleados para medir la diferencia de potencial), mientras que los electrodos C1 y C2 son los electrodos de corriente. Todos los electrodos se hallan dispuestos dentro de la misma lı́nea. La nomenclatura aquı́ empleada es la más utilizada. r1 r2 +I r -I p I p ρ z (a) Un único electrodo de corriente Figura 3.2 (b) Dos electrodos de corriente Campo eléctrico y lı́neas equipotenciales originados por electrodos de corriente. donde ρ es la resistividad del semiespacio. Para dos electrodos de corriente y considerando el principio de superposición eléctrico, el potencial en cualquier punto p es igual a la suma de los potenciales originados por cada una de las fuentes individualmente, en este caso los electrodos: 1 ρI 1 , − Vp = 2π r1 r2 (3.2) donde r1 y r2 son las distancias entre p y el primer (+I) y segundo (−I) electrodo de corriente, respectivamente (ver Figura 3.2(b)). 10 Los potenciales en los puntos M y N, de un arreglo en general como el descrito en la Figura 3.1, vienen dados por: VM ρI 1 1 , = − 2π AM BM ρI 1 1 VN = . − 2π AN BN La diferencia de potencial entre ambos, es un voltaje VM N que puede medirse fácilmente en campo: VM N = VM ρI − VN = 2π 1 1 1 1 − . − − AM BM AN BN (3.3) En términos de la resistividad ρ (la propiedad fı́sica de interés), es posible reescribir la ecuación 3.3 como: VM N ρ= 2π I −1 1 1 1 1 − − − AM BM AN BN ó ρ= VM N K, I (3.4) donde K es denominado el factor geométrico y depende únicamente de la disposición de los electrodos en un determinado arreglo. Cuando la resistividad en el medio estudiado no es constante, ρ en la ecuación 3.4 no es igual a la resistividad verdadera de éste, en cambio, es un promedio de las resistividades correspondientes a un volumen del subsuelo, determinado por la posición relativa de los electrodos, denominado resistidivad aparente ρa . 3.2. Configuración de los arreglos Existen diferentes formas de organizar los electrodos en un arreglo en el momento de realizar mediciones en campo. Algunos de estas están diseñadas para simplificar cálculos posteriores con un factor geométrico sencillo asociado, y otros para facilitar el proceso de adquisición proveyendo la practicidad necesaria para mover los electrodos con rapidez. Sin embargo, el arreglo del tendido eléctrico no afecta únicamente estos dos parámetros, determina también parte de la resolución de 11 los datos y la profundidad de investigación. Entonces, el arreglo a utilizar depende del objetivo de estudio, las estructuras involucradas y la profundidad de interés. En la Figura 3.3, se muestran los arreglos más comunes: Wenner-alpha, Schlumberger, WennerSchlumberger y dipolo-dipolo. En todos ellos los electrodos se encuentran a lo largo de la misma lı́nea. A continuación se ofrece una breve descripción de cada uno. En el arreglo Wenner-alpha todos los electrodos tienen la misma separación a, la cual incrementa al multiplicarse por un factor entero n (comunmente llamado nivel) para alcanzar mayores profundidades. Cada vez que el nivel aumenta se pierden 3 puntos de datos a lo largo del perfil. Esto se evidencia en la Figura 3.4(a), donde se muestra el patrón de datos de los arreglos considerados. En promedio, la profundidad de investigación es an/2. Los datos adquiridos con este arreglo son particularmente sensibles a variaciones verticales en la resistividad del subsuelo, pero resuelven pobremente cambios horizontales. El factor geométrico asociado es K = 2πa (Loke, 1999). El tendido Schlumberger también favorece la detección de cambios verticales en la resistividad. Los electrodos potenciales están en el medio del arreglo separados por una distancia pequeña a. Mientras que los electrodos de corriente se ubican en los extremos con una separación mayor L del punto medio del tendido (tecnicamente debe cumplirse L ≥ 5a). Para incrementar la profundidad de penetración, L debe aumentar. Normalmente,L crece de forma logarı́tmica. El factor geométrico K es πL2 [1 a − a2 ]. 4L2 Existe una variante del arreglo Schlumberger, donde L se elige de tal forma que L − a/2 = na donde n es el nivel del arreglo (ver Figura 3.3(c)). Este arreglo hı́brido es llamado WennerSchlumberger y tiene la ventaja de poder implementarse con electrodos equiespaciados. Es sensible a estructuras verticales y horizontales. Como puede verse en la Figura 3.4(b), los datos tienen mejor cobertura en la dirección horizontal que el arreglo Wenner, ya que sólo se pierden 2 puntos de datos por nivel (Loke, 1999). En el arreglo dipolo-dipolo, los electrodos de corriente se encuentran a un lado y los electrodos potenciales al otro (ver Figura 3.3(d)). Cada par de electrodos tiene el mismo espaciamiento a, 12 C1 P1 P2 C2 U +I -I ρ na na na (a) Arreglo Wenner-alpha C1 P1 P2 C2 U +I -I ρ a L (b) Arreglo Schlumberger C1 P1 P2 C2 U +I -I ρ na a na (c) Arreglo Wenner-Schlumberger C1 C2 P1 P2 U +I -I ρ a na a (d) Arreglo Dipolo-dipolo Figura 3.3 Tendidos de electrodos más comunes en el método de resistividad CC. P1 y P2 son los electrodos potenciales C1 y C2 los de corriente, a es la separación caracterı́stica de cada arreglo y n el nivel. minetras que la distancia entre los pares es el nivel n multiplicado por a. Este arreglo presenta buenos resultados en dirección horizontal, pero no en la vertical. Es ampliamente utilizado en la detección de cambios resistivos laterales. 13 n 1 2 3 4 5 6 7 8 (a) Wenner-alpha n 1 2 3 4 5 6 7 8 (b) Wenner-Schlumberger n 1 2 3 4 5 6 7 8 (c) Dipolo-dipolo Figura 3.4 Patrón de datos en una pseudosección eléctrica para los tres arreglos considerados, n representa el nivel necesario para obtener cada fila de datos. El programa modificado para elaborar este trabajo, es compatible con los arrglos Wenner-alpha, Wenner-Schlumberger y dipolo-dipolo. 3.3. Profundidad de investigación La máxima longitud del arreglo determina la profundidad de penetración o investigación, para aumentar ésta, la distacia entre los electrodos tiene que aumentar también. Edwards (1977) encontró relaciones lineales y factores que relacionan la longitud del arreglo con la profundidad efectiva obtenida (ver tabla 3.1). Recientemente, Oldenburg y Li (1999) introdujeron un ı́ndice de profundidad de investigación. Este ı́ndice indica qué tan relevante es un modelo a profundidad obtenido con cierta técnica de inversión y ayuda a reconocer qué estructuras vienen dadas por los parámetros de inversión (i.e. parámetros de amortiguación) y no por estructuras en el subsuelo. 14 Tipo de arreglo Nivel Wenner-alpha PI/L 0.173 Dipolo-dipolo 1 2 3 4 5 6 0.139 0.174 0.192 0.203 0.211 0.216 Wenner-Schlumberger 1 2 3 4 5 6 0.173 0.186 0.189 0.190 0.190 0.190 Tabla 3.1 Relación entre la profundidad de investigación (PI) y la longitud total del arreglo (L) (Edwards, 1977) 15 Capı́tulo 4 Método radiomagnetotelúrico (RMT) El método radiomagnetotelúrico es una técnica electromagnética en el dominio de la frecuencia. Las fuentes empleadas son transmisores de radio remotos, que proveen ondas electromagnéticas planas con frecuencias entre 14 kHz y 250 kHz. Midiendo las componentes de los campos eléctricos (E) y magnéticos (H) en la superficie, es posible obtener la resistividad aparente del subsuelo y la fase electromagnética dependiente de la frecuencia. Para extraer esta información es necesaria la aplicación de la teorı́a electromagnética. En este capı́tulo se presenta un breve recorrido a través de los conceptos más básicos necesarios. 4.1. Ecuaciones de Maxwell Las bases de la teorı́a electromagnética son la ecuaciones de Maxwell. Ellas describen y gobiernan el comportamiento de los campos eléctricos y magnéticos. ∂B , ∂t ∂D , ∇×H = j+ ∂t ∇×E = − [Ley de Faraday] (4.1) [Ley de Ampere] (4.2) ∇ · D = q, [Ley de Gauss] (4.3) ∇ · B = 0, [Ausencia de monopolos magnéticos] (4.4) 16 donde E es el campo eléctrico (V/m), H es el campo magnético (A/m), B es la densidad de flujo magnético (T), D es el desplazamiento eléctrico (C/m2 ), j es la densidad de corriente (A/m2 ) y q es la densidad de carga (C/m3 ). La inducción de los campos electromagnéticos está dada por la ley de Faraday (4.1) y la ley de Ampere (4.2). El flujo eléctrico es descrito por la ley de Gauss (4.3) y la inexistencia de monopolos magnéticos aislados está definida en la ecuación 4.4. Los campos vectoriales en estas ecuaciones (4.1 – 4.4) se acoplan gracias a las relaciones constitutivas: D = εE, (4.5) B = µH, (4.6) j = σE, (4.7) donde las siguientes constantes son propiedades del medio ε es la permitividad eléctrica (F/m), µ es la permeabilidad magnética (H/m) y σ es la conductividad (S/m). Las ecuaciones 4.1 – 4.4 pueden simplificarse aplicando las suposiciones listadas en la Tabla 4.1. Luego, usando las relaciones constitutivas 4.5 – 4.7 y despreciando el efecto de las corrientes de 17 Suposiciones del método RMT a) b) c) d) e) f) g) h) Las ecuaciones de Maxwell se cumplen. La Tierra no genera energı́a electromagnética, sólo la disipa o absorbe. Todos los campos son conservativos y analiticamente lejos de la fuente. Los campos electromagnéticos utilizados son generados por transmisores lejanos al área de estudio y pueden tratarse como ondas planas. No existe acumulación de cargas libres dentro de una subsuelo unidimensional estratificado. Sin embargo, cuando se consideran más de una dimensión, las cargas pueden acumularse en las discontinuidades. Esto genera un fenómeno no inductivo, conocido como ruido estático. La carga se conserva y la Tierra se comporta como un conductor óhmico. A frecuencias suficientemente bajas, el desplazamiento del campo eléctrico es quasi-estático y las corrientes por desplazamiento son despreciadas. A bajas frecuencias, cualquier variación en las permitividades eléctricas y permeabilidades magnéticas se suponen despreciables en comparación a las variaciones de resistividades. Tabla 4.1 Suposiciones del método RMT (modificado de Simpson y Bahr (2005)). desplazamiento (i.e., ∂D/∂t = 0), las ecuaciones de Maxwell pueden reescribirse de la siguiente forma: ∇×E = − ∂B , ∂t (4.8) ∇ × B = µσE, (4.9) ∇ · E = q/ε, (4.10) ∇ · B = 0. (4.11) 4.2. Ecuaciones de difusión Ahora es posible trabajar sobre las expresiones 4.8 – 4.11 para obtener las ecuaciones de E y B. Usando la identidad vectorial ∇ × (∇ × F) = ∇(∇ · F) − ∇2 F y tomando el rotacional de las ecuaciones 4.8 y 4.9, se obtienen las ecuaciones de difusión: ∂E − ∇(∇ · E), ∂t ∂B µ − ∇σ × j. ∇2 B = µσ ∂t σ ∇2 E = µσ 18 (4.12) (4.13) Suponiendo ondas planas con una dependencia en el tiempo de la forma eiωt , las ecuaciones 4.12 y 4.13 pueden escribirse en el dominio de la frecuencia como: ∇2 E = iωµσE − ∇(∇ · E), (4.14) µ ∇σ × j. σ (4.15) ∇2 B = iωµσB − Las soluciones de las ecuaciones diferenciales de segundo orden 4.14 y 4.15 son de la forma: y donde k= p −iωµσ o E = E0 ei(ωt−kz) , (4.16) B = B0 ei(ωt−kz) , r ωµσ k = (1 − i) . 2 (4.17) (4.18) 4.3. Profundidad de penetración (skin depth) Los campos eléctricos y magnéticos, como puede verse en las ecuaciones 4.16 y 4.17, decaen cuando z aumenta. La profundidad en que la amplitud disminuye en un factor igual a 1/e, se define como profundidad de penetración (skin depth en inglés) y está dada por la siguiente fórmula: δ= r 2 , ωµσ (4.19) donde ω es la frecuencia angular de la onda incidente y σ la conductividad del medio (inverso de la resistividad). Nótese que la profundidad de penetración depende de las frecuencias utilizadas y la distribución de conductividades en el subsuelo. Sin embargo, esta profundidad no es igual a la profundidad de investigación, la cual se define según Spies (1989) como la máxima profundidad a la que un cuerpo anómalo puede ser detectado por una técnica y frecuencia en particular. Para el caso magnetotelúrico en general, él mismo establece que un estimado satisfactorio de la profundidad de investigación, es 1.5 veces la profundidad 19 de penetración: δ = 1,5 r 2 . ωµσ (4.20) La ecuación 4.20 es considerada una buena aproximación de las profundidades que pueden ser alcanzadas efectivamente con el método RMT. 4.4. Funciones de transferencia Las componentes horizontales del campo electromagnético se relacionan a través del tensor de impedancia: Zxx Zxy Z= , Zxx Zxy con EH = ZBH /µ: Esto puede simplificarse como Ex 1 Bx . = Z µ By Ey 0 Zxy Z= Zxx 0 (4.21) (4.22) (4.23) si en el caso 2D, el perfil considerado es perpendicular al rumbo de las estructuras en el subsuelo. La componente vertical del campo magnético se relaciona con las componentes horizontales, a través del tipper: A T= , B 20 (4.24) como puede verse en la siguiente ecuación: Hz = 1 Bx T . µ By (4.25) También puede ser simplificado para el caso 2D, donde A = 0, y se relaciona con el modo TE (vea sección 4.5), ya que las ecuaciones 4.26 y 4.28 consideran las componentes verticales del campo magnético. 4.5. Modos TE y TM. Consideremos ahora el caso presentado en la figura 4.1, donde la resistividad del medio ya no es constante. Existe una discontinuidad vertical con rumbo paralelo a la dirección x. La corriente debe conservarse a través de los bordes, lo que obliga a la componente perpendicular del campo eléctrico Ey a ser discontinua (jy = σEy ). Si el cuerpo anómalo es significativamente mayor a la profundidad de penetración en la dirección del rumbo, no habrán variaciones en los campos paralelos (i.e. ∂/∂x = 0). Particularmente, considerando el caso 2D ideal donde los campos eléctricos y magnéticos son ortogonales, las eacuaciones 4.8 y 4.9 pueden desacoplarse en dos modos independientes. Modo TE: donde las corrientes fluyen paralelamente al rumbo y el campo magnético inducido es perpendicular y contenido en el plano vertical. La componente del campo eléctrico a lo largo del rumbo, Ex , es continua a través de la discontinuidad. Pero la densidad de corriente j no lo es. Las variaciones en la impedancia, resistividad aparente y fase, son suaves. Las 21 ecuaciones desacopladas son: ∂Ex ∂Bz = , ∂y ∂t ∂By ∂Ex = , ∂z ∂t ∂By ∂Bz − = µσEx . ∂y ∂z (4.26) (4.27) (4.28) Modo TM: con corrientes que fluyen a lo largo del borde y el campo magnético es paralelo al rumbo. En este caso j es continuo a través de la discontinuidad y Ex no lo es (jx = σEx ). La impedancia, resistividad aparente y fase no son suaves y presentan saltos discontinuos. ∂Bx = µσEz , ∂y ∂Bx = µσEy , − ∂z ∂Ez ∂Ey ∂Bx − = . ∂y ∂z ∂t Figura 4.1 Modos TE y TM en una discontinuidad vertical. 22 (4.29) (4.30) (4.31) Capı́tulo 5 Teorı́a de inversión Una vez discutidos las propiedades de las rocas y los métodos involucradas en este trabajo, es conveniente mencionar los conceptos teóricos empleados. En este capı́tulo se ofrece una descripción de la teorı́a de inversión, la técnica de descomposición en valores singulares (SVD) utilizada para calcular las inversiones, y finalmente, se comenta un método para analizar la resolución y varianza de los modelos estimados. 5.1. El problema de inversión El geofı́sico usa su conocimiento en fı́sica para estimar las propiedades del subsuelo a partir de observaciones en la superficie. El vı́nculo entre las observaciones o medidas y los parámetros estimados de un modelo del suelo, es un modelo fı́sico. En el caso más general, la situación puede expresarse matemáticamente como (Menke, 1989): f(d, m) = 0, (5.1) donde d es el vector que contiene las medidas adquiridas, m es un vector con los parámetros del modelo y f contiene las ecuaciones implı́citas que relacionan a ambos (i.e. el modelo fı́sico). 23 Las ecuaciones contenidas en f pueden ser de cualquier tipo, y muy frecuentemente, muy complicadas. El caso más simple ocurre cuando la relación entre d y m es lineal y explı́cita, entonces, la ecuación anterior (5.1) puede escribirse de la siguiente forma (Menke, 1989): d − Gm = 0, (5.2) que es el más simple y estudiado problema de inversión. G es una matriz llamada kernel de datos de dimensión N × M, con N el número total de datos existentes y M el número de parámetros del modelo. El objetivo de la inversión es encontrar m, a partir de d conociendo G, es decir, m = G−1 d. Este es el problema inverso ideal. No todos los problemas tienen una solución única, o esta puede ser muy difı́cil de encontrar. Pero encontrar soluciones aproximadas puede ser posible y mucho más sencillo. Entonces, la meta es encontrar la mejor solución: un conjunto de parámetros m̂, que sean capaces de predecir observaciones sintéticas d̂ muy cercanas a las observaciones reales d. En otras palabras, el objetivo es obtener el vector m̂ que ocasione el menor error predictivo e (Menke, 1989): d − d̂ = d − Gm̂ = e. (5.3) Existen varias formas para minimizar e. Cada técnica de inversión involucra una función de error dependiente de e, para ser minimizada de tal manera, que la solución posea unas caracterı́sticas determinadas. 5.2. El problema no lineal Desafortunadamente, la mayor parte de los problemas de inversión no son lineales y no pueden escribirse como en la ecuación 5.2. Sin embargo, existe la posibilidad de aproximarlos a problemas lineales semejantes. Una manera de hacerlo es expandiendo el sistema de ecuaciones no lineales 24 g(m) = d a través del teorema de Taylor alrededor de un punto m̂n . Despreciando los términos de orden superior, el sistema linealizado es el siguiente (Menke, 1989): g(m) ≈ g(m̂n ) + ∇g[m − m̂n ] = g(m̂n ) + Gn [m − m̂n ], donde Gn es una matriz de derivadas comúnmente llamada matriz de sensitividades en mn o Jacobiano. Escogiendo ∆mn+1 = m − m̂n , las ecuaciones aproximadas e iterativas son (Menke, 1989): Gn ∆mn+1 = d − g(m̂n ), (5.4) m̂n+1 = m̂n + ∆mn+1 . (5.5) Para resolver este problema linealizado, se requiere entonces una estimación inicial de m̂n . Luego se aplican pequeñas perturbaciones ∆mn+1 en cada iteración, hasta que el mı́nimo de la función de error es encontrado. La función de error de un problema no lineal, generalmente posee una forma irregular, puede tener varios mı́nimos locales e incluso varios mı́nimos absolutos. Las ecuaciones iterativas anteriores (5.4 y 5.5) sólo consideran el comportamiento de la función de error alrededor de m̂n , no en su totalidad. Esto implica que si la estimación inicial de m̂n no se encuentra lo suficientemente cerca del mı́nimo global, la minimización de la misma sólo encontrará un mı́nimo local y no será capaz de encontrar el mı́nimo absoluto (Menke, 1989). Para asegurar el haber alcanzado un mı́nimo global, debe examinarse la función de error tratando con diferentes estimaciones iniciales. Sin embargo, es prácticamente imposible examinar con el detalle requerido el comportamiento de toda la función. 25 5.3. Tipos de problemas inversos La existencia o no de las soluciones de los problemas de inversión, provee un criterio para su clasificación. En este sentido, los problemas inversos pueden ser (Menke, 1989): Indeterminados: cuando los datos no proveen suficiente información para obtener una solución única del problema. Es posible encontrar múltiples soluciones con un error de predicción igual a cero (e = 0). Compatibles determinados: cuando existe la información suficiente en los datos para determinar exactamente los parámetros requeridos. El problema puede resolverse de forma exacta (solución única con e = 0). Sobredeterminados: cuando los datos contienen más información de la necesaria para resolver el problema de manera exacta. En consiguiente, es posible encontrar muchas soluciones, pero ninguna con un error de predicción igual a cero. Por lo que se requiere un criterio para seleccionar la mejor solución. De determinabilidad mixta: son una combinación de problemas indeterminados y sobredeterminados. Los datos proveen mucha información para calcular ciertos parámetros y muy poca para calcular otros. Si el problema a invertir es compatible determinado y puede ser descrito por la ecuación 5.2, entonces se resuelve sencillamente invirtiendo G, ya que existe sólo una solución para m̂: m̂ = G−1 d. (5.6) Nótese que G debe ser cuadrada e invertible. Cuando el problema no es de este tipo, se requieren técnicas adicionales. Los parámetros del modelo m̂ se obtienen resolviendo: m̂ = G−g d, 26 (5.7) donde G−g es denominado el inverso generalizado en analogı́a a G−1 en 5.6. El inverso generalizado puede derivarse a través de diferentes métodos de inversión (Menke, 1989). En el caso de problemas sobredeterminados e indeterminados, el método más empleado consiste en la minimización de normas. La solución de norma mı́nima se utiliza en casos indeterminados, mientras que los mı́nimos cuadrados suelen utilizarse en problemas sobredeterminados. Para los problemas mixtos, lo conveniente serı́a dividirlos en problemas indeterminados o sobredetermnados únicamente. 5.3.1. Problemas de inversión con determinabilidad mixta Dado que los problemas de inversión mixtos son ciertamente los más comunes en el momento de considerar datos reales, es conveniente discutirlos y entenderlos ampliamente para encontrar la mejor forma de resolverlos. Una forma de abordar estos problemas, es separándolos en dos, en problemas indeterminados y sobredeterminados, como se menciona en la sección anterior. A continuación, se explora esta posibilidad, tal y como se encuentra en Menke (1989), desde un punto de vista conceptual y haciendo uso de vectores espaciales. Considerando el problema mixto Gm = d, se sabe que ciertos componentes de m no pueden determinarse a partir de d (naturaleza indeterminada del problema) y, podrı́a decirse, se hallan dentro del espacio nulo S0 (m), mientras que el resto de los parámetros (aquellos que sı́ se pueden determinar) pertenecen a un subespacio Sp (m). Entonces se puede afirmar que m = mp + m0 , donde mp está contenido en Sp (m) y m0 en S0 (m). Como el problema en consideración, es también parcialmente sobredeterminado, existen componentes en d que no son abarcados por ningún m posible, y por tanto están contenidas en el subespacio nulo S0 (d), mientras que las otras componentes pertenecen al subespacio Sp (d). Por tanto y de manera análoga, se obtiene que d = dp + d0 . Sustituyendo esta relación y la anterior en el problema considerado inicialmente, se obtiene: G(mp + m0 ) = dp + d0 , 27 (5.8) Restarı́a entonces encontrar los subespacios p y nulos, tanto para los datos como los parámetros, para dividir el problema mixto. Sin embargo, esta tarea no es sencilla. Una forma de hacerlo es aplicando una descomposición en valores singulares (SVD). 5.4. Descomposición en valores singulares (SVD) La descomposición en valores singulares (abreviada SVD por sus siglas en inglés), a veces denominada descomposición espectral, es una descomposición en autovalores. Puede utilizarse sobre el kernel de datos para identificar (como se señala en la sección anterior) los subespacios p y nulos (Menke, 1989). A continuación una breve descripción de esta técnica. Cualquier matriz puede escribirse como: G = UΛVT , (5.9) donde G tiene dimensión N ×M (como en la ecuación 5.2), U es una matriz N ×N de autovectores que abarcan el espacio de datos S(d), V es una matriz M × M de autovectores que abarcan el espacio de los parámetros S(m) y Λ es una matriz diagonal N × M de autovalores ordenados, llamados valores singulares. Algunos valores singulares de Λ pueden ser iguales a cero. Si existen sólo p autovalores mayores a cero, la ecuación 5.9 se convierte en G = Up Λp VpT , donde Λp es la matriz diagonal con todos los valores singulares distintos de cero, Up y Vp son las primeras p columnas de U y V, respectivamente. Los otros vectores en las matrices se cancelan con los ceros en Λ, y G no contiene información acerca de los subespacios que ellos abarcan, pues estos son los subespacios nulos esbozados en la sección 5.3.1. La solución del problema inverso planteado anteriormente (ecuación 5.9) serı́a entonces: T m̂ = Vp Λ−1 p Up d. 28 (5.10) T Puede demostrarse que el inverso generalizado de la ecuación anterior (i.e., G−g = Vp Λ−1 p Up ), se corresponde con el de mı́nimos cuadrados para problemas sobredeterminados y al de la solución con norma mı́nima si son indeterminados. Frecuentemente, los valores singulares en Λ decaen y son cada vez más pequeños sin llegar a ser iguales a cero. En dado caso, es conveniente establecer un valor de corte y considerar todos los valores menores a él, iguales a cero. Al hacer esto, la solución que se obtenga ya no es la verdadera solución del problema, sin embargo, será una muy cercana a ella si sólo son despreciados valores muy pequeños. Esta medida mejorará la varianza de los parámetros que conforman la solución, pero su resolución será menor (ver sección 5.5.3 y Menke 1989). En vez de escoger un valor de corte abrupto para los valores singulares, es posible incluirlos todos amortiguando los más pequeños. Esto puede hacerse añadiendo un pequeño factor ε2 a todos los autovalores en Λ, que tendrá un efecto despreciable en los valores grandes, pero prevendrá que los pequeños conlleven a grandes varianzas. La resolución de la solución será inevitablemente degradada (Menke, 1989). En este caso particular, el inverso generalizado se corresponderı́a con el de mı́nimos cuadrados amortiguados. Tanto el valor de corte como el factor de amortiguamiento, juegan un papel muy importante en el balance entre resolución y varianza (ver la sección 5.5.3). Si son muy grandes (i.e., pocos valores singulares son incluidos), los parámetros del modelo serán fuertemente afectados por el modelo inicial. Si, en cambio, son muy pequeños, los parámetros de la solución serán muy inestables (Pedersen, 2004). De cualquier manera, la truncamiento del espectro elimina efectivamente los subespacios nulos, ası́ como también parte de la información del sistema (Muiuane y Pedersen, 2001). 5.5. Resolución y varianza Existen varias técnicas para resolver un problema de inversión, estas técnicas nos permiten hacer un estimado de los valores reales de los parámetros de un modelo. Sin embargo, estas es29 timaciones por sı́ mismas no aportan la información suficiente para dar por resuelto un problema inverso. Es necesario reportar también alguna medida de precisión y exactitud de los parámetros que conforman la solución. Un modelo que carezca de estimaciones de calidad, es una solución incompleta, ya que no es posible saber que tan confiable es. 5.5.1. Resolución Los parámetros reales de un modelo (mr ) mantienen la siguiente relación con los datos sin ruido (dr ), Gmr = dr . Sustituyendo esto en la ecuación para el problema inverso 5.7, donde d contiene ruido (i.e., d = dr + n), se obtiene: m̂ = G−g (dr + n) = G−g (Gmr ) + G−g n = Rmr + G−g n, (5.11) donde R se denomina matriz de resolución del modelo o kernel de resolución (Menke, 1989), e indica la desviación de los parámetros estimados del modelo respecto a los reales y en qué escala éstos están bien determinados. En el caso particular SVD, se puede observar de las ecuaciones 5.9 y 5.10 que: R = G−g G = Vp VpT , (5.12) y que la resolución del modelo depende únicamente de los autovectores del modelo (Menke, 1989). Como M es el número total de parámetros, R es una matriz M × M. Si cada parámetro es perfectamente resuelto, R serı́a la matriz identidad y los parámetros estimados serı́an iguales a los reales (i.e., m̂ = Imr ⇒ m̂ = mr ). Esto puede ocurrir si Vp abarca todo el espacio de los parámetros del modelo (i.e., p = M) (Menke, 1989). Entonces, los valores no diagonales en R son usualmente diferentes de cero, indicando que un determinado parámetro es realmente un promedio pesado de varios parámetros reales del modelo. Si alguno de los parámetros no es resuelto, el valor diagonal correspondiente será igual a cero. 30 5.5.2. Varianza Los datos (d) adquiridos en campo, siempre contienen ruido. Es imposible realizar medidas que no sean influenciadas a cierto nivel por el entorno. Sabiendo esto, es de esperarse que los ruidos contenidos en d, afecten de alguna manera la estimación de los parámetros del modelo (m̂) a obtener. La matriz de covarianza del modelo, explica como los errores en d se propagan y producen errores en m̂ (Menke, 1989): T [cov m̂] = G−g [cov d]G−g . (5.13) La matriz de covarianza de los datos ([cov d]) es una matriz diagonal que contiene los cuadrados de los errores en las mediciones (i.e., la varianza de cada componente de d). Los valores no diagonales se igualan a cero al suponer que los datos no están correlacionados. De la ecuación 5.13, puede observarse que los errores en el modelo dependen de los errores de los datos, ası́ como de la forma en que los parámetros son obtenidos de los mismos. En el caso particular del inverso generalizado SVD, y suponiendo datos no correlacionados de varianza uniforme σ 2 , la covarianza del modelo es: T T 2 −1 T T [cov m̂] = G−g [cov d]G−g = (Vp Λ−1 p Up ) · (σ I) · (Vp Λp Up ) T = σ 2 Vp Λ−2 p Vp . (5.14) Nótese que la covarianza del modelo es muy sensible a los valores singulares más pequeños (Menke, 1989). 5.5.3. Equilibrio entre resolución y varianza La mejor solución para el problema de inversión, serı́a aquel conjunto de parámetros que posea la menor varianza y la mayor resolución, sin embargo, esta situación no ocurre con frecuencia. El modelo con menor varianza, muy dudosamente poseerá la mejor resolución, pues ésta decre31 ce cuando la varianza disminuye. La mejor solución es entonces, aquella que presente un buen equilibrio entre los valores de varianza y resolución. En el caso de la inversión con SVD, este equilibrio depende del punto de corte seleccionado para igualar a cero los valores singulares. Kalscheuer y Pedersen (2007) muestran con las siguientes expresiones iterativas el efecto del punto de corte en la resolución y la varianza del modelo: T T Rp+1 = Vp VpT + vp+1 vp+1 = Rp + vp+1 vp+1 , (5.15) 1 2 v , 2 λp+1 k p+1 (5.16) var(m̂k p+1 ) = var(m̂k p ) + donde vp+1 es el autovector número (p + 1) del modelo, var(m̂k p+1 ) es la varianza del parámetro número k (i.e., el valor diagonal en la posición k de la matriz de covarianza) y vk p+1 es la késima componente del autovector p + 1 del modelo. Con estas expresiones (5.15 y 5.16), es muy sencillo ver como mejora la varianza añadiendo valores singulares al mismo tiempo que la resolución decrece, especialmente debido a que λp ≥ λp+1 . 5.5.4. Análisis no lineal de resolución y varianza La resolución y varianza de modelos estimados pueden analizarse tomando en cuenta la no linealidad del problema de inversión. Una método para hacerlo fue desarrollado por Kalscheuer y Pedersen (2007), se basa en una descomposición en valores singulares truncada (TSVD) y obtiene una descripción simplificada de la superficie de confianza no linal del problema. A continuación se anexa una breve explicación del cómputo de esta superficie (ver Kalscheuer y Pedersen, 2007 y las referencias que allı́ se encuentran). En el caso de un problema lineal, la superficie de confianza en el espacio de los parámetros es un hiperelipsoide centrado en el modelo óptimo. Este modelo posee el mı́nimo error posible para un valor de truncamiento dado, y la superficie de confianza indica la distancia entre este modelo y aquellos que presentan un error superior en cierta cantidad ∆Q. Los semiejes del hiper-elipsoide son paralelos a los autovectores del modelo y proporcionales al inverso del valor singular asociado. 32 En problemas no lineales, la forma de esta superficie es desconocida. La aproximación propuesta consiste en un pseudo hiperelipsoide donde los semiejes paralelos al mismo autovector, poseen longitudes diferentes (ver Figura 5.1). Entonces, se calculan las longitudes reales de los semiejes entre el modelo óptimo y la superficie de confianza, en dirección de los autovectores. Figura 5.1 Ilustración de la superficie pseudohiper-elipsoidal para dos parámetros, m1 y m2 , como aproximación a la superficie de confianza del problema no lineal. La lı́nea roja gruesa representa la verdadera superficie de confianza, el pseudo hiperelipsoide es descrito por la lı́nea delgada azul. Los ejes a1 y a2 se hallan en la dirección de los autovectores v1 y v2 , respectivamente. Los puntos extremos mmin y mmax de m1 sobre el pseudo hiperelipsoide 1 1 sobrestiman y subestiman, respectivamente, la verdadera variabilidad del modelo. (Kalscheuer y Pedersen, 2007). 5.6. Nota acerca de la raı́z cuadrática media (RMS) La raı́z cuadrática media (o RMS por sus siglas en inglés) es utilizada para evaluar la bondad del ajuste entre las predicciones realizadas a partir del modelo obtenido y los valores reales de datos. Se define a través de la siguiente expresión: RMS = s (d − d̂)T (d − d̂) , N[cov d] 33 (5.17) donde [cov d] es la matriz diagonal que contiene las varianzas de los datos (como en la ecuación 5.13), N es el número de datos, d es el vector con todos los datos y d̂ es el vector que contiene las predicciones de datos o respuestas directas del problema. Cuando el desajuste entre los datos calculados y reales, es en promedio igual al error asociado a estos últimos, el RMS será igual a uno. Un RMS menor, indica que el modelo está respondiendo en parte al ruido, por lo que puede suceder que el RMS deseado en varias oportunidades no es 1, sino un número un poco mayor. 34 Capı́tulo 6 El programa de inversión Una vez expuestos los conceptos teóricos que sustentan el trabajo, se procede a detallar la adaptación del programa de inversión que permitirá el cómputo de modelos estimados de cada método y su combinación. Primeramente se presentan las modificaciones realizadas al programa REBOCC (previamente alterado), luego las tres rutinas añadidas para el método CC y, finalmente se describe la aplicación del esquema de descomposición en valores singulares truncada (TSVD). 6.1. REBOCC previamente modificado El programa de inversión conjunta adaptado y desarrollado en este trabajo, utiliza como base el código de Siripunvaraporn y Egbert (2000), denominado REBOCC (Reduced Basis OCCam’s inversion) que consiste en una inversión OCCAM de base reducida para el método magnetotelúrico. Este programa ha sido modificado en varias oportunidades, hasta alcanzar la versión empleada para la realización de este trabajo. Esta versión se halla escrita en FORTRAN95, contiene las modalidades de inversión originales para el método magnetotelúrico: TE y TM para los modos con el mismo nombre y TP para el tipper (ver secciones 4.4 y 4.5). Además posee la modalidad denominada DET, que trabaja con el determinante de los datos RMT, independientes de la orientación del perfil de adquisición en relación al 35 rumbo de las estructuras en el subsuelo. Cabe destacar que el programa tiene la capacidad de realizar inversiones simples para cada modalidad, o inversiones conjuntas para cualquier combinación de éstas. Adicionalmente, esta versión de REBOCC, se encuentra acoplada a una rutina de inversión alterna y un análisis de resolución no lineal. Ambos procesos son opcionales y se realizan a través de la técnica TSVD. De esta manera, el programa en cuestión, no sólo invierte bajo el esquema OCCAM de base reducida, sino que también ofrece la alternativa de inversiones TSVD, que es la empleada en este trabajo (ver sección 5.4, donde se muestran los detalles de la inversión TSVD implementada). El análisis de resolución opera de manera independiente. 6.2. Nuevas modificaciones Para dar cabida a inversiones CC, son necesarias nuevas adaptaciones a este programa. Las cuales se pueden resumir en: 1. La creación de nuevas modalidades y estructuras de almacenamiento para los datos CC adquiridos con diferentes arreglos. 2. La añadidura de las rutinas necesarias, propias del método CC análogas a las RMT ya existentes en REBOCC. Es decir, se requieren rutinas para el cómputo de las respuestas del problema directo y la matriz de sensitividades del método CC. Adicionalmente, se precisa de una tercera rutina para el cómputo de números de onda, que complementa a las dos primeras. La Figura 6.1 muestra de manera esquemática el diseño del programa de inversión obtenido, señalando además, las rutinas adicionales. A continuación se describen las adaptaciones señaladas anteriormente y cada una de las rutinas añadidas. 36 Figura 6.1 Esquema general del programa de inversión empleado. 6.2.1. Tres modalidades para CC Para que el programa de inversión admita datos eléctricos CC, se añaden nuevas modalidades de inversión y las respectivas estructuras, que permiten el manejo de los datos eléctricos de manera análoga a los electromagnéticos. Las modalidades añadidas son: DCW, para el arreglo Wenner-alpha. DCS, para el arreglo Wenner-Schlumberger. DCD, para el arreglo Dipolo-dipolo. A estas modalidades le corresponden estructuras que, si bien tienen particularidades propias del método CC, son completamente compatibles con las modalidades originales del método RMT. Esto permite que el programa sea capaz de realizar inversiones simples de cualquiera de estas modalidades e inversiones conjuntas de cualquier combinación de éstas con las originales. 6.2.2. Respuestas del problema directo CC La rutina utilizada para calcular las respuestas CC de un modelo en particular, fue escrita en FORTRAN por Naser Meqbel (Meqbel, 2006), calcula el potencial eléctrico en cada nodo de un modelo 2D discretizado, utilizando el esquema de diferencias finitas desarrollado por Dey y Morrison (1979). Este esquema, considera la tridimensionalidad de la fuente y los potenciales generados, 37 para ello resuelve el sistema de ecuaciones diferenciales en el dominio del número de onda, aplicando transformadas de Fourier en los potenciales a lo largo del eje perpendicular al modelo propuesto. Luego, los potenciales son recuperados en el dominio del espacio con la transformada de Fourier inversa. La subrutina requiere como parámetros de entrada la posici ón de los electrodos de corriente (las fuentes), el modelo discretizado (malla) con la distribución de resistividades, ası́ como los números de onda y los factores de conversión asocidos para obtener la transformada inversa de Fourier (éstos se calculan con la rutina para el número de onda discutida en la sección 6.2.4). El resultado final de la rutina de respuestas eléctricas, es entonces el potencial eléctrico en cada nodo de la malla (ver Figura 6.2). Figura 6.2 Datos de entrada y de salida para la rutina de respuestas directas del método CC. Una vez que los potenciales se hallan disponibles, se pueden calcular fácilmente las resistividades aparentes para cada arreglo en particular (Wenner-alpha, Wenner-Schlumberger o dipolodipolo) y un nivel especı́fico con la ecuación 3.4 y el factor geométrico K correspondiente (ver sección 3.2). Un ejemplo de resistividades aparentes obtenidas con esta rutina, se encuentra en la Figura 7.3. 6.2.3. Matriz de sensitividades CC La rutina para el cómputo de sensitividades (o Jacobiano) en las modalidades CC, también fue escrita en FORTRAN por Naser Meqbel, no emplea el método por peturbación, ya que éste requiere el computo de las respuestas del modelo para cada parámetro, lo que invierte mucho tiempo computacional. Se utiliza en cambio, el principio de reciprocidad (Meqbel, 2006 y LaBrecque et al. 38 , 1999), con el que la derivada del potencial en el nodo i debido al electrodo de corriente en el nodo k se calcula con respecto a la conductividad de la celda j. De esta manera, no se requieren cálculos adicionales de las respuestas del modelo o inversiones matriciales, ya que cada electrodo potencial es usado también como electrodo de corriente y la matriz de problema directo es simétrica. Esto último es la expresión matemática de reciprocidad. Sólo se requiere el cálculo de las derivadas de la matriz del problema directo con respecto a la conductividad de cada celda. Para mayor detalle ver Meqbel (2006) and LaBrecque et al. (1999). Los parámetros de entrada necesarios para esta subrutina son las resistividades aparentes, la posición de los electrodos, el modelo discretizado, los potenciales eléctricos y los números de onda (ver sección 6.2.4); que permiten la obtención de una matriz de sensitividades para un conjunto especı́fico de parámetros del modelo (ver Figura 6.3). Figura 6.3 Datos de entrada y de salida para la rutina de sensitividades del método CC. En la Figura 6.4 se muestran dos matrices de sensitividades calculadas con esta rutina para diferentes niveles de un arreglo Wenner-alpha. 6.2.4. Rutina para el número de onda Esta rutina complementa las anteriormente discutidas al proveer parte de los parámetros requeridas por éstas. Es detallada en Xu et al. (2000) y se implementó para calcular los números de onda y los factores de conversión necesarios para obtener la transformada inversa de Fourier de los potenciales eléctricos. Esta rutina utiliza un método de optimización para seleccionar los números de onda que proveen una transformada inversas precisa y satisfactoria. La rutina requiere la longitud máxima y mı́nima de las celdas del modelo, además de la cantidad 39 0.015 4 0.01 6 0.005 8 0 10 −0.005 12 −0.01 14 −0.015 16 −0.02 18 −0.025 20 10 20 30 40 50 60 70 80 90 100 110 Número de nodos (verticales) Número de nodos (verticales) −3 2 x 10 2 4 4 3 6 2 8 1 10 0 12 −1 14 −2 16 −3 18 −4 −5 20 10 Número de nodos (horizontales) 20 30 40 60 70 80 90 100 Número de nodos (horizontales) (a) Nivel 1 Figura 6.4 50 (b) Nivel 4 Matriz de sensitividades para dos niveles diferentes de un arreglo Wenneralpha con un espacio caracterı́stico de 4 celdas entre electrodos. Los cuadrados negros denotan las posiciones de los electrodos. La escala es adimensional y representa el cociente ∂logρa /∂logρ. de números de onda deseados, para entregar los números de onda y los factores de conversión (ver Figura 6.5). Figura 6.5 Datos de entrada y de salida para la rutina de números de onda. El algoritmo permite la selección de la cantidad de números de onda, n, con el cual el intervalo (0, ∞) será discretizado. Se estableció por defecto n = 7, que es el valor sugerido por Xu et al. (2000) para un modelo de 1000 m de longitud (como el adoptado posteriormente para este trabajo, ver capı́tulo 7). Para comparar la influencia de este parámetro, se calculó la diferencia entre las respuestas directas de un semiespacio de resistividad constante de 100 Ωm con n igual a 4 y 7 (ver Figura 6.6). Se observó que las diferencias no son mayores a ±3Ωm. 6.3. Descomposición en valores singulares truncada (TSVD) A continuación se describe el esquema de inversión TSVD acoplado a REBOCC, el cual se utiliza para realizar las inversiones del capı́tulo siguiente. Dado que los problemas de inversión 40 1 3 Nivel 4 5 6 7 8 9 ∆ρapp(Ω m) 3.0 2.5 2.0 1.5 1.0 0.5 0.0 −0.5 −1.0 −1.5 −2.0 −2.5 −3.0 2 10 0 100 200 300 400 Distancia horizontal (m) Figura 6.6 Diferencia entre respuestas directas de un semiespacio homogéneo de 100 Ωm con un arreglo Wenner-alpha de 10 niveles y discretizaciones en el intervalo (0, ∞) de 4 y 7 números de onda. Las diferencias no son mayores a ±3Ωm. CC y RMT no son lineales, han de resolverse con las ecuaciones iterativas 5.4 y 5.5, del problema linealizado. Descomponiendo la matriz de sensitividades Gn en valores singulares (i.e., Gn = UΛVT y considerando la expresión 5.10, el problema inverso es: T ∆mn+1 = Vp Λ−2 p Up ∆dn . (6.1) Donde p es el valor de truncamiento, ∆mn+1 es la diferencia entre el modelo previo y el modelo a estimar, y ∆dn es la diferencia entre los datos y las respuestas directas del modelo previo. Entonces, el proceso de inversión comienza con un modelo inicial y un valor de truncamiento determinado, que permiten el cálculo de ∆mn+1 , es decir, de la perturbación del modelo. Con la cual se modifica el modelo previo para obtener un modelo estimado y dar inicio a otra iteración. A través de iteraciones sucesivas los parámetros del modelo van cambiando hasta obtener aquel conjunto de parámetros que mejor se ajuste a los requerimientos. En este caso, aquél que posea un RMS cercano a 1,10. Para regular la inversión y garantizar su convergencia, se especula con ciertos parámetros como el factor de amortiguación y el valor de truncamiento. Lo que resulta en una rutina con tres ciclos: 41 uno que incrementa el valor de truncamiento p cada vez que se halla un mı́nimo con un RMS asociado mayor al requerido; otro que itera con p constante hasta encontrar un mı́nimo; y el último, que incrementa el factor de amortiguamiento cada vez que el modelo más reciente posea un RMS superior al anterior (ver Figura 6.7). 42 Figura 6.7 Diagrama de flujo simplificado de la rutina de TSVD. Los valores con * están definidos por el usuario. RMS* es el RMS deseado y RMSdif es la mı́nima diferencia requerida para considerar dos RMS distintos. 43 Capı́tulo 7 Las inversiones Se diseñó un modelo para simular datos CC y RMT. Con estos datos sintéticos se llevaron a cabo tres inversiones: CC, RMT y la combinación de ambas, que luego fueron sometidas a un análisis de resolución. En este capı́tulo se discutirán las respuestas directas y los productos de la inversiones, dejando para el siguiente el análisis de resolución. 7.1. El modelo sintético Se utilizó un modelo con estructuras conductivas y resistivas embebidas en un medio de resistividad intermedia, para comparar las propiedades de resolución de ambos métodos, CC y RMT. El modelo se muestra en la Figura 7.1 y consiste en un semiespacio homogéneo de 100 Ωm, con una caja conductiva y otra resistiva de 10 y 1000 Ωm, respectivamente. El tope de las cajas se halla a 10 m de profundidad y su base alcanza los 40 m. El espacio entre ellas es de 50 m. El modelo se discretizó en una malla con celdas cada vez más amplias hacia los lados y la base, para simular bordes en el infinito y permitir la aplicación de un esquema de diferencias finitas (Aprea et al. , 1997; Dey y Morrison, 1979). La longitud total de la malla es 1015 m en dirección horizontal y está dividida en 126 celdas, de las cuales, 106 en el centro son de extensión reducida y constante (5 m). La máxima profundidad es de 211 m con 23 nodos. La alura de las celdas nunca es 44 0 3.00 2.75 2.50 2.25 40 2.00 1.75 1.50 60 log10 ρ(Ω m) Profundidad (m) 20 1.25 1.00 0.75 80 0.50 100 0 Figura 7.1 50 100 150 200 250 300 350 400 450 Modelo sintético utilizado para generar datos. La resitividad del medio es de 100 Ωm mientras que la resistividad de los bloques es de 10 y 1000 Ωm, respectivamente. Los triángulos negros en el tope indican la posición de los electrodos CC. constante y aumenta con la profundidad, siendo medio metro en la superficie y 25,7 m en la base. El número total de celdas es 126 × 22 = 2772 (ver Figura 7.2). Los bloques se ubican en el centro del mallado. Malla empleada Profundidad (m) 0 50 100 150 200 0 100 Figura 7.2 200 300 400 500 600 Longitud del perfil (m) 700 800 900 Malla utilizada para los modelos discretos. Las celdas anchas de los lados tienen una extensión variable y ocupan 240 m, mientras que las celdas finas (5 m) del centro se extienden a lo largo de 630 m. La longitud vertical en cada celda aumenta con la profundidad y se mantiene constante sólo dentro de una misma fila. 45 1000 7.2. Datos sintéticos En el caso del método CC, se calcularon las resistividades aparentes para un arreglo Wenneralpha con un espaciado de 10 m (i.e., dos celdas entre electrodos). Para cubrir un perfil de 400 m sobre los bloques se utilizaron 40 electrodos. Se simularon 7 niveles para un total de 196 mediciones, las cuales se contaminaron con 2 % de ruido Gaussiano (ver Figura 7.3). La profundidad de investigación esperada para este arreglo (usando la Tabla 3.1) está alrededor de los 36 m, más somera que la base de los bloques en el modelo sintético (Figura 7.1). 1 2.5 2 2.4 3 2.2 4 2.0 5 1.8 2.1 1.9 log10 ρapp(Ω m) Nivel 2.3 1.7 6 1.6 1.5 7 0 100 200 300 400 Distancia horizontal (m) Figura 7.3 Datos sintéticos CC del modelo presentado en la Figura 7.1 con un arreglo Wenner-alpha de 40 electrodos y 7 niveles, más un 2 % de ruido Gaussiano añadido. Los triángulos negros en el tope señalan la posición de los electrodos. Para los datos RMT, sólo se simularon datos del modo TE. Se situaron 15 estaciones con un espaciamiento de 20 m (i.e., 4 celdas entre estaciones) y se utilizaron 10 frecuencias contenidas en la banda 14 - 250 KHz (ver Tabla 7.1), generando 300 mediciones, 150 de resistividad aparente y 150 de fase. A todos los datos se les añadió ruido Gaussiano, 4 % a las resistividades y 1, 1 ◦ a la fase. La profundidad de investigación calculada para un medio homogéneo de 100 Ωm con 14 KHz de frecuencia (la menor frecuencia utilizada) es de aproximadamente ≈ 60 m. Por tanto, esta técnica deberı́a ser capaz de detectar la base de la caja resistiva, sin embargo, lo mismo no puede esperarse del bloque conductor, ya que bajas resistividades disminuyen la profundidad de penetración. Esto 46 2.5 2.1 2.0 1.9 Frecuencias (Hz) 2.2 log10 ρapp(Ω m) Frecuencias (Hz) 2.3 105 1.8 1.7 105 1.6 1.5 104 Phase φ(°) 65.0 62.5 60.0 57.5 55.0 52.5 50.0 47.5 45.0 42.5 40.0 37.5 35.0 2.4 104 0 100 200 300 400 0 Distancia horizontal (m) 200 300 400 Distancia horizontal (m) (a) Resistividad aparente Figura 7.4 100 (b) Fase Datos RMT sintéticos para el modo TE obtenidos a partir del modelo en la Figura 7.1 con 15 estaciones, 10 perı́odos y 4 % de ruido Gaussiano. Los triángulos negros en el tope señalan la posición de las estaciones. puede ser observado en la Figura 7.4, donde se muestran los datos RMT sintéticos. La base del conductor no parece visible, mientras que la base del resitor sı́, ya que las resistividades aparentes vuelven a adquirir valores bajos. Frecuencias (KHz) 14000 20882 25781 32620 42617 58007 83531 130517 180000 232030 Tabla 7.1 Frecuencias usadas para simular datos RMT del modo TE. 7.3. Productos de la inversión Con los datos sintéticos descritos anteriormente, se realizaron tres inversiones: a) inversión CC simple, b) inversión RMT simple y c) inversión conjunta de datos CC y RMT. Los parámetros ini- 47 ciales para todas las inversiones fueron los mismos: un semiespacio homogéneo de 50 Ωm como modelo previo, un valor de truncamiento (p) igual al número de estaciones y electrodos y un incremento de éste (∆p) igual a la mitad del valor inicial. Este último fue alterado en ciertas ocasiones de acuerdo al desarrollo de la inversión, para alcanzar el RMS deseado. Los modelos resultantes se muestran en las Figuras 7.6 a 7.8 y en la Tabla 7.2. Tanto en la inversión conjunta como en la RMT simple, los modelos resultantes alcanzan el RMS deseado de 1,10 (ver Tabla 7.2). El modelo CC simple tiene un RMS mayor, ya que el incremento más pequeño del nivel de truncamiento, ocasionaba un RMS mucho menor y menos conveniente (ver Figura 7.5). El nivel de truncamiento seleccionado para cada modelo fue diferente, pues cada inversión contaba con un número distinto de datos, lo que ocasiona que el decaimiento del RMS en cada proceso sea diferente, como se evidencia en la Figura 7.5. DC RMT Conjunta Cantidad de datos Valor de truncamiento RMS 196 300 496 87 40 108 1.18 1.10 1.10 Tabla 7.2 Resumen de los resultados de inversión mostrando el número total de datos calculados para cada técnica, el nivel de truncamiento empleado en cada inversión y el RMS asociado de los modelos estimados. La Figura 7.5 muestra como el RMS decrece con el aumento del nivel de truncamiento. La inversión RMT simple reduce considerablemente el RMS con un nivel de truncamiento pequeño, utilizando únicamente 13 % de los valores singulares para alcanzar el RMS igual a 1,10. La inversión CC simple, necesita incluir más valores singulares, 44 %, para alcanzar un valor similar. Finalmente, en la inversión conjunta, el RMS decae rápidamente con los primeros valores singulares y luego lentamente con un nivel de truncamiento mayor. El número de autovectores incluidos en la inversión conjunta es igual a 22 % del número total de datos. Prestando atención a las resistividades, los tres modelos resultantes comparten las mismas caracterı́sticas principales y son muy parecidos a grosso modo. Sin embargo, cada uno de ellos tiene 48 9 CC RMT Conjunta 8 7 RMS 6 5 4 3 2 1 0 0 20 40 60 80 100 120 140 Nivel de truncación Figura 7.5 Decaimiento del RMS en las tres inversiones con el incremento del nivel de truncamiento. Los cı́rculos muestran los modelos seleccionados y la lı́nea discontinua señala el valor RMS igual a 1,10. En el caso de CC no fue posible encontra un modelo que coincidiera exactamente con esta lı́nea. ciertas diferencias, especialmente cerca del borde de las estructuras. A continuación se presenta una breve descripción de las diferencias entre los modelos. Inversión CC simple En el modelo obtenido con los datos eléctricos (ver Figura 7.6), pueden distinguirse claramente los dos bloques originales. Sin embargo, también se observan ciertas estructuras resistivas alrededor del conductor que no existen inicialmente. Las caracterı́sticas de los bloques en el modelo recuperado, difieren en ciertos apectos de los originales, como se expresa a continuación: El resistor es más ancho y profundo en la base y el tope es 5 m más somero que en el modelo sintético. El tope del conductor es también más somero, ası́ como su base (8 m menos profundo). La resistividad del conductor está dentro del rango de 30 Ωm y 3 Ωm. Para el resistor, las resistividades varı́an entre 300 y 600 Ωm. 49 0 3.00 2.75 2.50 2.25 40 2.00 1.75 1.50 60 log10 ρ(Ω m) Profundidad (m) 20 1.25 1.00 0.75 80 0.50 100 0 50 100 150 200 250 300 350 400 450 Distancia horizontal (m) Figura 7.6 Modelo producido en la inversión CC simple, a partir de los datos sintéticos obtenidos del modelo mostrado en la Figura 7.1 con un arreglo Wenneralpha. Los triángulos negros en el tope señalan la posición de los electrodos. Se observa que la inversión recuperó efectivamente la resitividad de 100 Ωm alrededor de las estructuras, sin embargo, no recuperó la posición correcta de sus topes, ubicándolos a 5 m de profundidad en vez de a 10 m. La base del resistor es difuminada considerablemente. Los 100 Ωm de resistividad del medio que embebe las estructuras en el modelo original, se recupera únicamente alrededor del resistor, los artefactos resistivos y cerca de la superficie. La resitividad en el área debajo de los electrodos hasta los 100 m de profundidad y alrededor de las estructuras, varı́a entre 50 Ωm (la resistividad del modelo inicial) y 100 Ωm (la resitividad del modelo sintético). Inversión RMT simple En el modelo RMT (Figura 7.7), también se distinguen los bloques, sin embargo, la resistividad de fondo difiere significativamente del modelo verdadero. Los valores cercanos se encuentran únicamente alrededor de las estructuras, exceptuando la parte inferior del conductor, donde la re- 50 0 3.00 2.75 2.50 2.25 40 2.00 1.75 1.50 60 log10 ρ(Ω m) Profundidad (m) 20 1.25 1.00 0.75 80 0.50 100 0 50 100 150 200 250 300 350 400 450 Distancia horizontal (m) Figura 7.7 Modelo estimado en la inversión RMT simple a partir de los datos sintéticos obtenidos del modelo mostrado en la Figura 7.1 para el modo TE únicamente. Los triángulos negros en el tope señalan la posición de las estaciones de medición. El tope del conductor y la base del resistor se hallan bien definidos y correctamente localizados. Sin embargo, la resistividad del medio que rodea las estrucuturas, fue pobremente recuperada, ası́ como la base del conductor no es alcanzada y el tope del resistor no está bien precisado. sitividad obtenida es de 50 Ωm (igual al modelo inicial). Lo que indica que se posee muy poca información de estas celdas. A diferencia del modelo calculado con los datos CC, no se presentan estructuras resistivas cerca de la superficie del lado del conductor. Las principales caracterı́sticas de este modelo, en relaci ón al sintético, son: La base del conductor es completamente desconocida, sin embargo, su tope se halla muy bien definido y en la misma posición que en el modelo original. El resistor es más delgado y somero en el tope, y a la vez más ancho en la base, la cual se encuentra en la posición correcta (40 m de profundidad). Las resistividades atribuidas al conductor se encuentran entre 50 y 3 Ωm y al resitor, entre 170 y 300 Ωm. La de este último es muy baja en comparación a los 1000 Ωm que posee esta 51 estructura en el modelo original. Esto ocurre, debido al uso del modo TE, que por lo general no favorece a las estructuras resistivas. La resitividad de fondo se recupera bastante bien alrededor del resistor, del lado izquierdo del conductor y cerca de la superficie. Inversión conjunta 0 3.00 2.75 2.50 2.25 40 2.00 1.75 1.50 60 log10 ρ(Ω m) Profundidad (m) 20 1.25 1.00 0.75 80 0.50 100 0 50 100 150 200 250 300 350 400 450 Distancia horizontal (m) Figura 7.8 Modelo producido en la inversión conjunta a partir de los datos sintéticos obtenidos del modelo mostrado en la Figura 7.1. Los triángulos negros en el tope señalan únicamente la posición de las estaciones de medición RMT. La resistividad de fondo es ampliamente recuperada y las estructuras están bien definidas. Sus topes se hallan correctamente ubicados a 10 m de profundidad, mientras que sus bases se encuentran 10 m más y menos profundas,para el resitor y el conductor respectivamente. El modelo obtenido de la inversión conjuta (Figura 7.8) muestra los dos bloques con algunas distorsiones, pero se hallan significativamente mejor definidos que en los resultados previos. Los aspectos más remarcables son: 52 Existen pequeños artefactos resistivos cerca de la superficie, mucho más pequeños que en el modelo CC. El tope del conductor está ubicado correctamente, pero su base se desconoce. Sólo la primera mitad de la estructura es detectada propiamente. El resistor se halla bastante bien definido en tamaño y forma. La base es correctamente localizada, aunque un poco dispersa. La mitad inferior del bloque es 30 m más ancha que en el original, mientras que la parte superior presenta el ancho correcto. El tope se encuentra 5 m más somero, pero su forma es bastante parecida a la del original. Las resistividades están entre 2 y 50 Ωm para el conductor y entre 200 y 900 Ωm para el resistor. Mucho mejor definidas que en los otros modelos en el caso particular del resitor. El medio que contiene a los bloques se recupera mucho mejor en esta inversión que en las demás. Presenta un resistividad cercana a los 100 Ωm en un área mucho más amplia, incluyendo la parte inferior al conductor. 53 Capı́tulo 8 Análisis de resolución Para ver que tan confiables son los modelos estimados durante la inversión, se realizó un análisis de resolución no lineal (ver sección 5.5.4). A continuación se discuten los resultados arrojados y el comportamiento de los semiejes lineales y no lineales. Tómese en cuenta que los semiejes lineales son el inverso de los valores singulares. 8.1. Valores singulares Para comparar el comportamiento de los valores singulares en las tres inversiones (CC, RMT y conjunta), éstos fueron calculados para las tres situaciones considerando el modelo original (Figura 8.1). Se observa que los valores RMT presentan el más rápido decaimiento y que, como se esperaba, los autovalores de la inversión conjunta son los más elevados, pues el problema está más constreñido. Estudiando el comportamiento de las curvas con mayor cuidado, se advierte que los autovalores iniciales del problema combinado siguen muy de cerca los del problema CC, para luego desviarse sin presentar parecido alguno con las otras curvas. Esta desviación ocurre justamente cuando los autovalores RMT y CC alcanzan valores parecidos. El hecho de que los valores singulares CC no decaen tan rápido como los RMT, puede deberse 54 2 10 DC RMT JOINT 0 Singular values 10 −2 10 −4 10 −6 10 −8 10 −10 10 0 100 200 300 400 500 Index Figura 8.1 Valores singulares del modelo sintético para las tres técnicas. Se observa como los autovalores RMT decaen con mayor rapidez que los otros. Los valores singulares iniciales en el caso CC son muy similares a los del caso conjunto. a la mejor resolución que esta técnica presenta de la resistividad de fondo. Como puede verse en los modelos estimados (Figuras 7.6 y 7.7) el método CC recupera en una mayor extensión la resistividad de 100 Ωm propia del medio que rodea a los bloques. Otra particularidad del comportamiento de los autovalores en el caso CC, es que decaen con mayor pendiente durante un corto intervalo después de los 50 primeros valores, presentando una especie de escalón. 8.2. Semiejes no lineales Como en el caso de los valores singulares, los semiejes no lineales se calcularon en relación al modelo sintético, éstos se muestran en la Figura 8.2. El comportamiento general es bastante consistente con los discutido anteriormente para los valores singulares: los semiejes RMT crecen con mayor rapidez que los asociados a la inversión conjunta y CC, estos últimos son muy parecidos hasta el semieje número 50, donde los correspondientes al método CC, presentan un cambio en la pendiente y se separan. Todos los semiejes alcanzan un punto en el que empiezan a oscilar a la vez que crecen muy 55 1 10 0 Semi−axes 10 −1 10 DC RMT JOINT −2 10 0 100 200 300 400 500 Index Figura 8.2 Semiejes no lineales para las tres técnicas con respecto al modelo sintético. El comportamiento de los primeros semiejes es prácticamente igual al de los valores singulares. Las oscilaciones en el último segmento, se deben a la no linealidad de los problemas de inversión. lentamente. Este comportamiento es atribuido a la no linealidad de los problemas de inversión. El cálculo de estos semiejes se lleva a cabo despreciando la rotación de los autovectores de los parámetros del modelo en su espacio, cosa que ciertamente ocurre en los problemas no lineales. Este argumento se ilustra claramente al comparar los semiejes lineales y no lineales (Figuras 8.3(b) y 8.3(c)), donde se observa que los semiejes no lineales no presentan oscilaciones mientras sean iguales a los lineales. 8.3. Comparación entre semiejes lineales y no lineales En las Figuras 8.3(b) y 8.3(c) se muestran los semiejes lineales y no lineales para cada proceso de inversión. El comportamiento general en cada caso es bastante similar, ambos semiejes son prácticamente los mismos para los valores singulares iniciales. Luego, los semiejes lineales continuan creciendo mientras que los no lineales parecen mantenerse a longitud constante y empiezan a mostrar oscilaciones causadas por la no linealidad del problema. Este comportamiento de los se- 56 8 7 0 6 log10(s) log10(s) 5 4 3 2 −1 1 0 −1 100 200 100 singular value no. 200 300 400 singular value no. (a) CC. Los semiejes divergen alrededor del valor singular número 130, cuando su longitud es todavı́a inferior a uno. (b) RMT. Los semiejes son prácticamente los mismos hasta aproximadamente el autovalor número 60, donde los semiejes lineales continuan su crecimiento y los no lineales practicamente dejan de crecer. 4 9 8 3 7 6 log10(s) log10(s) 2 5 4 3 2 1 0 1 0 −1 −1 100 200 300 400 500 600 100 700 (c) Conjunta. Como en los casos CC y RMT, los semiejes lineales y no lineales son los mismos hasta el valor singular 150. Figura 8.3 200 300 400 singular value no. singular value no. (d) CC ampliado. Se añadieron 9 electrodos y 3 niveles para obtener 325 datos. Se observa que el comportamiento es bastante similar al presentado por los semiejes del método RMT. Semeiejes lineales y no lineales de los tres problemas de inversión para el modelo sintético y para el problema CC considerando más datos. Las lı́neas rojas representan los semiejes lineales y las lı́neas verdes y azules los no lineales. 57 miejes no lineales se corresponde bastante bien con los descubrimientos de Kalscheuer y Pedersen (2007) para el caso RMT. Para las técnicas RMT y CC, los semiejes empiezan a divergir antes de que su longitud sea mayor a 1. Esta divergencia ocurre más rápido en los semiejes asociados a RMT que en los correspondientes a CC, por lo que este último incluye más semiejes lineales, confirmando la creencia de que este problema es más lineal que el RMT (e.g. Friedel, 2003). Para hacer una comparación justa al respecto, se introdujo una figura adicional (Figura 8.3(d)) que contiene los semiejes lineales y no lineales de un problema inverso CC, considerando el mismo modelo sintético, pero con más datos. Se añadieron 9 electrodos y 3 niveles, obteniendo un total de 325 datos, una cantidad más similar a los datos utilizados en RMT (300). Al comparar la nueva Figura 8.3(d) de semiejes CC, con la Figura 8.3(b) de semiejes RMT, se observa claramente como la no linealidad del problema RMT aparece mucho antes, presentando una menor cantidad de semiejes lineales. En particular, comparando las Figuras 8.3(a) y 8.3(d), que representan los semiejes CC para menor y mayor cantidad de datos, respectivamente, se observa que la divergencia ocurre cerca del mismo valor singular (≈ 130). Deberı́a hacerse la misma prueba en el caso RMT con más estaciones y frecuencias. 8.4. Kernels de resolución Para completar el análisis, se computaron los kernels de resolución de 10 celdas para cada proceso de inversión, utilizando los mismos niveles de truncamiento que en los modelos estimados. En la Figura 8.4 se muestra la posición de las celdas analizadas. Cinco de ellas son someras y las otras cinco profundas. Dos se hallan a 50 m de distancia del lı́mite izquierdo del bloque conductivo, para estudiar las propiedades de resolución con una reducida influencia de las estructuras presentes. Las otras se encuentran en el tope y la base de los bloques, ası́ como encima y debajo de ellos, para estudiar la definición de los bordes. 58 0 3 4 1 7 8 3.00 2.75 2.50 5 40 2.25 9 2.00 2 6 1.75 10 1.50 60 log10 ρ(Ω m) Profundidad (m) 20 1.25 1.00 0.75 80 0.50 100 0 50 100 150 200 250 300 350 400 450 Distancia horizontal (m) Figura 8.4 Las diez celdas analizadas en el modelo sintético En la Tabla8.1, se encuentra un pequeño resumen de las propiedades de resolución de cada celda para cada modelo. Esta tabla provee una visión general del análisis de resolución, mostrando las longitudes de resolución y las varianzas asociadas a cada celda. Las varianzas se calcularon con el mismo nivel de truncamiento empleado para los kernels de resolución y los modelos estimados. Cabe destacar que las longitudes de resolución son propiedades aproximadas, que intentan expresar qué tan dispersa se halla la resolución de un parámetro en una dirección particular y no son tan confiables como los mismos kernels de resolución de donde se deducen. Por lo tanto, estos últimos se encuentran anexados en el Apéndice. Para comparar propiamente las propiedades de resolución de diferentes celdas, sus varianzas asociadas deben ser similares. Esto se debe a que, como se discute en la sección 5.5.3, las mejoras en la varianza conducen a un deterioro de la resolución y viceversa, de tal manera que la única forma de evaluar en base a estos parámetros, es manteniendo alguno de ellos fijo. Como puede verse en la Tabla 8.1, este no es el caso, las varianzas de las celdas analizadas no coinciden. Sin embargo, realizando un estudio cuidadoso de las propiedades de las celdas, se pueden obtener algunas conclusiones. En primer lugar se observa que las celdas con mayor resolución pertenecen al modelo estimado con el método RMT. Las longitudes de resolución obtenidas en casi todas las celdas para este caso, 59 Celda Modelo CC Modelo RMT Modelo conjunto Varianza Longitud horizontal Longitud vertical 1 1,09 137,57 53,27 1,06 82,74 22,51 1,25 185,86 22,85 Varianza Longitud horizontal Longitud vertical 2 1,02 312,77 53,27 1,01 271,55 37,89 1,03 251,06 60,69 Varianza Longitud horizontal Longitud vertical 3 1,06 150,94 18,82 1,09 46,41 15,72 1,13 64,44 16,57 4 1,14 211,36 30,50 1,11 38,98 19,16 1,24 82,29 19,90 5 1,03 251,87 45,28 1,01 97,32 28,54 1,05 279,45 62,73 6 1,01 289,87 57,27 1,00 265,16 44,56 1,03 331,25 70,09 7 1,09 159,62 22,54 1,05 38,07 17,36 1,12 98,83 18,04 8 1,09 198,87 26,89 1,04 49,25 21,14 1,17 118,02 21,08 9 1,03 236,12 60,56 1,04 175,49 49,24 1,10 217,10 53,93 10 1,02 250,58 71,99 1,03 325,22 53,80 1,06 257,94 71,36 Varianza Longitud horizontal Longitud vertical Varianza Longitud horizontal Longitud vertical Varianza Longitud horizontal Longitud vertical Varianza Longitud horizontal Longitud vertical Varianza Longitud horizontal Longitud vertical Varianza Longitud horizontal Longitud vertical Varianza Longitud horizontal Longitud vertical Tabla 8.1 Para facilitar la interpretación se reunieron las longitudes de resolución y las varianzas de cada celda en esta tabla. Se debe tener en cuenta que las longitudes de resolución no son tan fidedignas como los kernels de resolución (ver Apéndice) y que las varianzas se hallan expresadas en función del logaritmo en base 10 de la resitividad (i.e., el parámetro se encuentra en el rango [log ρ − varianza, log ρ + varianza]). 60 son mucho más pequeñas que las asociadas a los otros modelos estimados, presentando al mismo tiempo varianzas menores o iguales. En el modelo estimado con los datos eléctricos, todas las celdas someras tienen una mejor resolución que las profundas. A excepción de la celda 4, en el tope del conductor, donde la resolución no es tan buena. Esta última presenta longitudes de resolución mayores a las otras celdas someras (1, 3, 7 y 8) y al mismo tiempo posee mayor varianza. Lo que indica que el método CC detecta mucho mejor los cuerpos resistivos que los conductivos en el modelo particular aquı́ empleado. Las celdas más profundas (2, 6 y 10), como se esperaba, no poseen buena resolución en el modelo estimado CC. La profundidad de investigación teórica es de 36 m en el centro del perfil (ver secciones 3.3 y 7.2) y estas celdas se hallan a 50 m de profundidad. Las celdas 5 y 9 (20 m menos profundas que las anteriores) tienen una resolución un poco mejor, como puede observarse en los kernels de resolución (ver Figuras A.5 y A.9 en el apéndice). La situación es similar en el modelo RMT estimado. Las longitudes de resolución son pequeñas en todas las celdas someras y las varianzas se mantienen bastante constantes exceptuando las celdas en el tope y sobre el conductor (3 y 4), donde son significativamente más grandes. Lo que indica que la resolución en estas celdas no puede ser tan buena como en las otras. Se esperaba que el modo TE lograra resolver la celda profunda a 50 m del lı́mite izquierdo del conductor (celda 2) y aquellas en la base y debajo del resistor (celdas 9 y 10), ya que la profundidad de investigación hipotética es de 60 m en estas áreas. Sin embargo, la resolución es bastante pobre. En el caso de las celdas en la base y debajo del conductor, la falta de resolución se debe a la baja conductividad de la estructura suprayacente (ver sección 4.3). Las varianzas asociadas a las celdas del modelo estimado con la inversión conjunta, son significativamente diferentes, lo que obstaculiza cualquier estudio comparativo. Es imposible afirmar que el grupo de celdas someras (1, 3, 4, 7 y 8) posee mejor resoluci ón que las celdas profundas (2, 5, 6, 9 y 10). Sin embargo, es posible realizar comparaciones dentro de estos grupos. Por un lado, en las celdas poco profundas, puede observarse que aquellas que se encuentran 61 por encima del tope de las estructuras (celdas 3 y 7), presentan longitudes de resolución más pequeñas que aquellas en el tope de las mismas (celdas 4 y 8). Mientras que la celda separada de las estructuras (celda 1) tiene longitudes de resolución mayores a las otras cuatro. Por otro lado, las celdas profundas parecen carecer de resolución alguna (tal y como puede observarse en los kernels de resolución mostrados en el apéndice, Figuras A.2, A.5, A.6, A.9 y A.10). La comparación de las propiedades de resolución entre las celdas de los diferentes modelos es todavı́a más complicada o imposible. Para poder hacerlo se requirirı́a un análisis de resolución con nivel de truncamiento variable. 62 Capı́tulo 9 Conclusiones Para la configuración seleccionada del modelo sintético para este trabajo (ver capı́tulo 7, sección 7.1), el método eléctrico de Corriente Continua (CC) demuestra alcanzar mayores profundidades y resolver áreas más amplias que el método Radiomagnetotelúrico (RMT). Sin embargo, la resolución con la que la técnica CC detecta las resistividades del subsuelo, no es tan buena como la RMT, distingue las estructuras principales pero no sus lı́mites precisos. RMT demostró un mayor poder de resolución para los detalles, como los lı́mites abruptos y la extensión horizontal del tope del conductor, a cambio de proveer muy poca información de las áreas profundas del perfil de interés, especialmente, debajo del conductor (capı́tulo 7). De cualquier forma, estos resultados dependen fuertemente del modelo empleado y los parámetros de la adquisición (frecuencias, espaciado de las estaciones, número de electrodos, niveles, etc.). Respecto a la inversión conjunta, se puede observar que los parámetros del modelo obtenido a partir de ésta, estiman mucho mejor el modelo originario que las inversiones simples. Particularmente presenta un buen desempeño recuperando el ancho y la forma de las estructuras involucradas, ası́ como la resistividad del medio en el cual se encuentran sumergidas. Cabe destacar que esta inversión logra reducir notablemente la aparición de artefactos resistivos poco profundos, presentes 63 en el modelo estimado CC. El análisis de resolución no aportó resultados aptos para la comparación entre las celdas estudiadas, ya que las varianzas asociadas difieren significativamente de una celda a otra. Debido a esto, no es posible saber si las propiedades de resolución de los parámetros del modelo mejoran o no con la inversión conjunta (ver sección 8.4). Es necesario un análisis de resolución que mantenga la varianza fija y emplee un nivel de truncamiento variable. El comportamiento no lineal de los problemas de inversión CC y RMT, resultaron ser bastante similares, como puede verse a través de los semiejes lineales y no lineales en la sección 8.3. Ambos problemas se comportan linealmente para los primeros valores singulares y presentan su comportamiento no lineal en el resto de ellos. Cuando los semiejes asumen el comportamiento no lineal, poseen una longitud menor a 1 para ambos casos. La principal diferencia entre los dos procesos (inversión CC y RMT), reside en que la linealidad para la técnica CC es más pronunciada, pues un mayor n úmero de los semiejes no lineales, coinciden con los lineales. 64 Recomendaciones El trabajo presentado aquı́ debe considerarse apenas un inicio en el intento por comprender ampliamente la combinación e interacción de estos dos métodos. Se necesitan más pruebas para entender realmente este tópico. A continuación se destacan aspectos importantes que serı́a conveniente profundizar. Se recomienda realizar una inversión de máximos cuadrados para comprobar la verdadera variabilidad de los parámetros de los modelos estimados. Aunque debido a la semejanza entre los semiejes lineales y no lineales, es de esperarse que las varianzas ya obtenidas sean bastante precisas. Deberı́an estudiarse los efectos de la inclusión de los modos TM y Tipper en la inversión conjunta, para tener una mayor comprensión del comportamiento de los valores singulares en la inversión. Es necesaria la realización de las mismas pruebas aquı́ presentadas, a diferentes modelos con combinaciones variadas de estrucutras, para poder generalizar o particulizar los resultados aquı́ obtenidos. Se deben considerar técnicas de inversión distintas a la aquı́ empleada (TSVD) para evitar la dependedencia del modelo estimado en el modelo inicial. Es recomendable aplicar un análisis de resolución (aunque sea en un subespacio del mode65 lo) con nivel de truncamiento variable, para obtener resultados comparables en los distintos modelos estimados. 66 Referencias Aprea, C., Booker, J. R., y Smith, J. T. (1997). The forward problem of electromagnetic induction: accurate finite-difference approximations for two-dimensional discrete boundaries with arbitrary geometry. Geophys. J. Int., 129, 29–40. Dey, A., y Morrison, H. F. (1979). Resistivity modelling for arbitrarily shaped two-dimensional structures. Geophysical Prospecting, 27, 106–136. Dobrin, M. B. (1976). Introduction to Geophysical Prospecting. Third edn. McGraw-Hill. Edwards, L. S. (1977). A modified pseudosection for resistivity and IP. Geophysics, 42, 1020– 1036. Friedel, S. (2003). Resolution, stability and efficiency of resistivity tomography estimated from a generalized inverse approach. Geophys. J. Int., 153, 305–316. Harinarayana, T. (1999). Combination of EM and DC. Surveys in Geophysics, 20, 257–278. Kalscheuer, T., y Pedersen, L. B. (2007). A non-linear truncated SVD variance resolution analysis of two-dimensional magnetotelluric models. Geophys. J. Int., 169, 435–447. LaBrecque, D. J., Morelli, G., Daily, W., Ramirez, A., y Lundegard, P. (1999). In Three- Dimensional Electromagnetics. pp. 575—-590 En: Spies, B. (ed), Occam’s inversion of 3D ERT data. SEG. Loke, M. H. (1999). Electrical imaging surveys for environmental and engineering studies. 67 Menke, W. (1989). Geophysical data analysis: discrete inverse theory. International Geophysics Series, vol. 45. Academic Press. Meqbel, N. (2006). Integrierte Methoden zur Interpretation DC-geoelektrische Daten in ein und zwei Dimensionen. M.Phil. thesis, Institute für Geophysik und Meteorologie der Universität zu Köln. Muiuane, E. A., y Pedersen, L. B. (2001). 1D inversion of DC resistivity data using a quality-based truncated SVD. Geophysical Prospecting, 49, 387–394. Oldenburg, D. W., y Li, Y. (1999). Estimating depth of investigation in DC resistivity and IP surveys. Geophysics, 64, 403–416. Pedersen, L. B. (2004). Determination of the regularization level of truncated singular-value decomposition inversion: The case of 1D inversion of MT data. Geophysical Prospecting, 52, 261–270. Reynolds, J. M. (1997). An Introduction to Applied and Environmental Geophysics. John Wiley and Sons. Roy, A. (1962). Ambiguity in Geophysical Interpretation. Geophysics, 27(1), 90–99. Simpson, F., y Bahr, K. (2005). Practical Magnetotellurics. Cambridge University Press. Siripunvaraporn, W., y Egbert, G. (2000). An efficient data-subspace inversion method for 2-D magnetotelluric data. Geophysics, 65(3), 791–803. Spies, B. R. (1989). Depth of investigation in electromagnetic sounding methods. Geophysics, 54(7), 872–888. Telford, W. M., Geldart, L. P., Sheriff, R. E., y Keys, D. A. (1976). Applied Geopgysics. Cambridge University Press. 68 Vozoff, K., y Jupp, D. L. B. (1975). Joint inversion of geophysical data. Geophys. J. R., 42, 977–991. Xu, S., Duan, B., y Zhang, D. (2000). Selection of the wavenumbers k using an optimization method for the inverse Fourier transform in 2.5D electrical modelling. Geophysical Prospecting, 48, 789–796. 69 Apéndice En esta sección se encuentran las Figuras correspondientes a los kernels de resolución de las celdas analizadas (ver sección 8.4). Las Figuras se presentan agrupadas de acuerdo al número de celda, en otras palabras, cada grupo presenta el kernel de resolución de la misma celda para los tres modelos estimados diferentes. Cada kernel de resolución proviene de una fila de la matriz R de la expresión 5.12, introducida en la sección 5.5 de resolución. Como allı́ se explica, cada elemento del kernel indica en qué medida un parámetro especı́fico es influenciado por otros en el modelo. En este caso, a cada celda se asocia un único parámetro, por lo que el kernel de resolución señala a qué otras celdas se asocia el valor obtenido para una en particular. El eje vertical de las Figuras indica la profundidad, mientras que el horizontal expresa la distancia del perfil. 70 0 2 2 2 2 2 1 1.00 0.90 2 20 0.50 2 40 0.30 0.10 −0.10 60 −0.30 rij/maxj|rij| Depth (m) 2 0.70 −0.50 −0.70 −0.90 80 2 −1.00 2 100 0 50 100 150 200 250 300 350 400 450 Profile (m) (a) En el modelo estimado a partir de datos CC 2 2 2 0 2 1.00 2 0.90 1 20 0.70 2 2 0.30 0.10 −0.10 2 60 −0.30 rij/maxj|rij| Depth (m) 0.50 40 −0.50 −0.70 2 −0.90 80 −1.00 100 0 50 100 150 200 250 300 350 400 450 Profile (m) (b) En el modelo estimado a partir de datos RMT 0 2 2 2 2 1.00 0.90 1 20 2 0.70 2 2 0.50 2 0.30 2 −0.10 60 −0.30 rij/maxj|rij| 0.10 2 2 Depth (m) 1 40 −0.50 −0.70 −0.90 80 −1.00 2 100 0 50 100 150 200 250 300 350 400 450 Profile (m) (c) Kernel de resolución para el modelo conjunto Figura A.1 Kernels de resolución de la celda 1 (50 m a la izquierda del conductor y 15 m de profundidad). 71 0 2 2 2 2 2 1 1.00 0.90 2 20 0.50 2 40 0.30 0.10 −0.10 60 −0.30 rij/maxj|rij| Depth (m) 2 0.70 −0.50 −0.70 −0.90 80 2 −1.00 2 100 0 50 100 150 200 250 300 350 400 450 Profile (m) (a) En el modelo estimado a partir de datos CC 2 2 2 0 2 1.00 2 0.90 1 20 0.70 2 2 0.30 0.10 −0.10 2 60 −0.30 rij/maxj|rij| Depth (m) 0.50 40 −0.50 −0.70 2 −0.90 80 −1.00 100 0 50 100 150 200 250 300 350 400 450 Profile (m) (b) En el modelo estimado a partir de datos RMT 0 2 2 2 2 1.00 0.90 1 20 2 0.70 2 2 0.50 2 0.30 2 −0.10 60 −0.30 rij/maxj|rij| 0.10 2 2 Depth (m) 1 40 −0.50 −0.70 −0.90 80 −1.00 2 100 0 50 100 150 200 250 300 350 400 450 Profile (m) (c) Kernel de resolución para el modelo conjunto Figura A.2 Kernels de resolución de la celda 2 (50 m a la izquierda del conductor y 55 m de profundidad). 72 0 2 2 2 2 2 1 1.00 0.90 2 20 0.50 2 40 0.30 0.10 −0.10 60 −0.30 rij/maxj|rij| Depth (m) 2 0.70 −0.50 −0.70 −0.90 80 2 −1.00 2 100 0 50 100 150 200 250 300 350 400 450 Profile (m) (a) En el modelo estimado a partir de datos CC 2 2 2 0 2 1.00 2 0.90 1 20 0.70 2 2 0.30 0.10 −0.10 2 60 −0.30 rij/maxj|rij| Depth (m) 0.50 40 −0.50 −0.70 2 −0.90 80 −1.00 100 0 50 100 150 200 250 300 350 400 450 Profile (m) (b) En el modelo estimado a partir de datos RMT 0 2 2 2 2 1.00 0.90 1 20 2 0.70 2 2 0.50 2 0.30 2 −0.10 60 −0.30 rij/maxj|rij| 0.10 2 2 Depth (m) 1 40 −0.50 −0.70 −0.90 80 −1.00 2 100 0 50 100 150 200 250 300 350 400 450 Profile (m) (c) Kernel de resolución para el modelo conjunto Figura A.3 Kernels de resolución de la celda 3 (sobre el conductor). 73 0 2 2 2 2 2 1 1.00 0.90 2 20 0.50 2 40 0.30 0.10 −0.10 60 −0.30 rij/maxj|rij| Depth (m) 2 0.70 −0.50 −0.70 −0.90 80 2 −1.00 2 100 0 50 100 150 200 250 300 350 400 450 Profile (m) (a) En el modelo estimado a partir de datos CC 2 2 2 0 2 1.00 2 0.90 1 20 0.70 2 2 0.30 0.10 −0.10 2 60 −0.30 rij/maxj|rij| Depth (m) 0.50 40 −0.50 −0.70 2 −0.90 80 −1.00 100 0 50 100 150 200 250 300 350 400 450 Profile (m) (b) En el modelo estimado a partir de datos RMT 0 2 2 2 2 1.00 0.90 1 20 2 0.70 2 2 0.50 2 0.30 2 −0.10 60 −0.30 rij/maxj|rij| 0.10 2 2 Depth (m) 1 40 −0.50 −0.70 −0.90 80 −1.00 2 100 0 50 100 150 200 250 300 350 400 450 Profile (m) (c) Kernel de resolución para el modelo conjunto Figura A.4 Kernels de resolución de la celda 4 (en el tope del conductor). 74 0 2 2 2 2 2 1 1.00 0.90 2 20 0.50 2 40 0.30 0.10 −0.10 60 −0.30 rij/maxj|rij| Depth (m) 2 0.70 −0.50 −0.70 −0.90 80 2 −1.00 2 100 0 50 100 150 200 250 300 350 400 450 Profile (m) (a) En el modelo estimado a partir de datos CC 2 2 2 0 2 1.00 2 0.90 1 20 0.70 2 2 0.30 0.10 −0.10 2 60 −0.30 rij/maxj|rij| Depth (m) 0.50 40 −0.50 −0.70 2 −0.90 80 −1.00 100 0 50 100 150 200 250 300 350 400 450 Profile (m) (b) En el modelo estimado a partir de datos RMT 0 2 2 2 2 1.00 0.90 1 20 2 0.70 2 2 0.50 2 0.30 2 −0.10 60 −0.30 rij/maxj|rij| 0.10 2 2 Depth (m) 1 40 −0.50 −0.70 −0.90 80 −1.00 2 100 0 50 100 150 200 250 300 350 400 450 Profile (m) (c) Kernel de resolución para el modelo conjunto Figura A.5 Kernels de resolución de la celda 5 (en la base del conductor). 75 0 2 2 2 2 2 1 1.00 0.90 2 20 0.50 2 40 0.30 0.10 −0.10 60 −0.30 rij/maxj|rij| Depth (m) 2 0.70 −0.50 −0.70 −0.90 80 2 −1.00 2 100 0 50 100 150 200 250 300 350 400 450 Profile (m) (a) En el modelo estimado a partir de datos CC 2 2 2 0 2 1.00 2 0.90 1 20 0.70 2 2 0.30 0.10 −0.10 2 60 −0.30 rij/maxj|rij| Depth (m) 0.50 40 −0.50 −0.70 2 −0.90 80 −1.00 100 0 50 100 150 200 250 300 350 400 450 Profile (m) (b) En el modelo estimado a partir de datos RMT 0 2 2 2 2 1.00 0.90 1 20 2 0.70 2 2 0.50 2 0.30 2 −0.10 60 −0.30 rij/maxj|rij| 0.10 2 2 Depth (m) 1 40 −0.50 −0.70 −0.90 80 −1.00 2 100 0 50 100 150 200 250 300 350 400 450 Profile (m) (c) Kernel de resolución para el modelo conjunto Figura A.6 Kernels de resolución de la celda 6 (debajo del conductor). 76 0 2 2 2 2 2 1 1.00 0.90 2 20 0.50 2 40 0.30 0.10 −0.10 60 −0.30 rij/maxj|rij| Depth (m) 2 0.70 −0.50 −0.70 −0.90 80 2 −1.00 2 100 0 50 100 150 200 250 300 350 400 450 Profile (m) (a) En el modelo estimado a partir de datos CC 2 2 2 0 2 1.00 2 0.90 1 20 0.70 2 2 0.30 0.10 −0.10 2 60 −0.30 rij/maxj|rij| Depth (m) 0.50 40 −0.50 −0.70 2 −0.90 80 −1.00 100 0 50 100 150 200 250 300 350 400 450 Profile (m) (b) En el modelo estimado a partir de datos RMT 0 2 2 2 2 1.00 0.90 1 20 2 0.70 2 2 0.50 2 0.30 2 −0.10 60 −0.30 rij/maxj|rij| 0.10 2 2 Depth (m) 1 40 −0.50 −0.70 −0.90 80 −1.00 2 100 0 50 100 150 200 250 300 350 400 450 Profile (m) (c) Kernel de resolución para el modelo conjunto Figura A.7 Kernels de resolución de la celda 7 (sobre el resistor). 77 0 2 2 2 2 2 1 1.00 0.90 2 20 0.50 2 40 0.30 0.10 −0.10 60 −0.30 rij/maxj|rij| Depth (m) 2 0.70 −0.50 −0.70 −0.90 80 2 −1.00 2 100 0 50 100 150 200 250 300 350 400 450 Profile (m) (a) En el modelo estimado a partir de datos CC 2 2 2 0 2 1.00 2 0.90 1 20 0.70 2 2 0.30 0.10 −0.10 2 60 −0.30 rij/maxj|rij| Depth (m) 0.50 40 −0.50 −0.70 2 −0.90 80 −1.00 100 0 50 100 150 200 250 300 350 400 450 Profile (m) (b) En el modelo estimado a partir de datos RMT 0 2 2 2 2 1.00 0.90 1 20 2 0.70 2 2 0.50 2 0.30 2 −0.10 60 −0.30 rij/maxj|rij| 0.10 2 2 Depth (m) 1 40 −0.50 −0.70 −0.90 80 −1.00 2 100 0 50 100 150 200 250 300 350 400 450 Profile (m) (c) Kernel de resolución para el modelo conjunto Figura A.8 Kernels de resolución de la celda 8 (en el tope del resistor). 78 0 2 2 2 2 2 1 1.00 0.90 2 20 0.50 2 40 0.30 0.10 −0.10 60 −0.30 rij/maxj|rij| Depth (m) 2 0.70 −0.50 −0.70 −0.90 80 2 −1.00 2 100 0 50 100 150 200 250 300 350 400 450 Profile (m) (a) En el modelo estimado a partir de datos CC 2 2 2 0 2 1.00 2 0.90 1 20 0.70 2 2 0.30 0.10 −0.10 2 60 −0.30 rij/maxj|rij| Depth (m) 0.50 40 −0.50 −0.70 2 −0.90 80 −1.00 100 0 50 100 150 200 250 300 350 400 450 Profile (m) (b) En el modelo estimado a partir de datos RMT 0 2 2 2 2 1.00 0.90 1 20 2 0.70 2 2 0.50 2 0.30 2 −0.10 60 −0.30 rij/maxj|rij| 0.10 2 2 Depth (m) 1 40 −0.50 −0.70 −0.90 80 −1.00 2 100 0 50 100 150 200 250 300 350 400 450 Profile (m) (c) Kernel de resolución para el modelo conjunto Figura A.9 Kernels de resolución de la celda 9 (en la base del resistor). 79 0 2 2 2 2 2 1 1.00 0.90 2 20 0.50 2 40 0.30 0.10 −0.10 60 −0.30 rij/maxj|rij| Depth (m) 2 0.70 −0.50 −0.70 −0.90 80 2 −1.00 2 100 0 50 100 150 200 250 300 350 400 450 Profile (m) (a) En el modelo estimado a partir de datos CC 2 2 2 0 2 1.00 2 0.90 1 20 0.70 2 2 0.30 0.10 −0.10 2 60 −0.30 rij/maxj|rij| Depth (m) 0.50 40 −0.50 −0.70 2 −0.90 80 −1.00 100 0 50 100 150 200 250 300 350 400 450 Profile (m) (b) En el modelo estimado a partir de datos RMT 0 2 2 2 2 1.00 0.90 1 20 2 0.70 2 2 0.50 2 0.30 2 −0.10 60 −0.30 rij/maxj|rij| 0.10 2 2 Depth (m) 1 40 −0.50 −0.70 −0.90 80 −1.00 2 100 0 50 100 150 200 250 300 350 400 450 Profile (m) (c) Kernel de resolución para el modelo conjunto Figura A.10 Kernels de resolución de la celda 10 (debajo del resistor). 80