INVERSIONE MULTICOMPONENTE FULL WAVEFORM DI ONDE SUPERFICIALI SU DATI SINTETICI: AMBIGUITÀ DELLE...
-
Upload
sansone-catania -
Category
Documents
-
view
217 -
download
1
Transcript of INVERSIONE MULTICOMPONENTE FULL WAVEFORM DI ONDE SUPERFICIALI SU DATI SINTETICI: AMBIGUITÀ DELLE...
INVERSIONE MULTICOMPONENTE FULL WAVEFORM
DI ONDE SUPERFICIALI SU DATI SINTETICI:
AMBIGUITÀ DELLE SOLUZIONI E PROBLEMATICHE DI
OTTIMIZZAZIONE
Stefano Angiò
Dr. Fabio Chiappa
Prof. Alfredo Mazzotti
Difficoltà a riconoscere il modo fondamentale e i modi
superiori
?Incertezza nel
picking
CURVE DI DISPERSIONE:AMBIGUITÀ NELLA SOLUZIONE DEL PROBLEMA INVERSO
METODO FULL WAVEFORM:
INVERSIONE DI UN SISMOGRAMMA SINTETICO
Profondità sorgente: 5 m
Numero di ricevitori: 12Profondità ricevitori: 10 mPrimo offset: 60 mCampionamento spaziale: 30 m
Tempo di registrazione: 4 sPeriodo di campionamento: 4 ms
PARAMETRI AMBIENTALI PARAMETRI DI ACQUISIZIONE
VP
ρ
h0
VS-H2O
Informazioni a priori:
VS-1,2,3
h1,2
Gradi di libertà:
MODELLO DA INVERTIRE
DATO OSSERVATO: COMPONENTE X
DATO OSSERVATO: COMPONENTE Z
INVERSIONE FULL WAVEFORM:
ESPLORAZIONE SISTEMATICA DELLO SPAZIO DEI
MODELLI
Velocità al di sotto della quale non viene rilevata energia:Slowness = 6·10-3 s/m → Velocità = 166 m/s
INFORMAZIONI QUALITATIVE DALLE CURVE DI DISPERSIONE
MODI SUPERIORI
(di che grado??)
ARTEFATTI
Range approssimativo di velocità:Slowness = 3 ÷ 6 s/m → Velocità = 333 ÷ 166 m/s
INFORMAZIONI QUALITATIVE DALLE CURVE DI DISPERSIONE
ARTEFATTIMODI SUPERIORI ??
(di che grado??)
Vs1 = 160 : 19 : 255
Vs2 = 220 : 19 : 315
Vs3 = 300 : 19 : 395
h1 = 5 : 6 : 24
h2 = 5 : 6 : 24
Griglia di esplorazione
RISULTATI:
Modello migliore: #1478
Parametri: [ h1 VS1 h2 VS2 VS3 ] = [ 11 198 11 277 338 ]
Misfit (valore della funzione oggetto) = 40,2721
3456 modelli
VS = 160 ÷ 395 m/s
ESPLORAZIONE SISTEMATICA
PROMEMORIA:Parametri usati per il forward modeling: [ h1 VS1 h2 VS2 VS3 ] = [ 10 200 10 250 350 ]
INVERSIONE FULL WAVEFORM:
SEZIONI DELLE FUNZIONI OGGETTO E
PROBLEMATICHE DI OTTIMIZZAZIONE
OTTIMIZZAZIONE FULL WAVEFORM: RISULTATI
ITERAZIONI: 93FUNCTION EVALUATIONS: 173
( Si ricorda che il risultato desiderato è [ 10 200 10 250 350 ] ! )
La soluzione dell'ottimizzazione è buona
MA......in un caso reale è difficile avere uno start-point così vicino alla
soluzione desiderata!
ITERAZIONI: 105FUNCTION EVALUATIONS: 208
( Si ricorda che il risultato desiderato è [ 10 200 10 250 350 ] ! )
PROBLEMA DEI MINIMI RELATIVI!
...l'algoritmo di ottimizzazione viene “attratto” dai minimi locali, i quali lo conducono lontano dalla soluzione desiderata.
OTTIMIZZAZIONE FULL WAVEFORM: RISULTATI
SEZIONI DELLA FUNZIONE OGGETTO
SEZIONE: m = [ h1 250 20 200 400 ]
SEZIONI DELLA FUNZIONE OGGETTO
10 16 22
h1
SEZIONE: m = [ 20 Vs1 20 200 400 ]
SEZIONI DELLA FUNZIONE OGGETTO
200 230 270
VS1
SEZIONE: m = [ 20 250 h2 200 400 ]
SEZIONI DELLA FUNZIONE OGGETTO
10 16 22
h2
INVERSIONE FULL WAVEFORM:
APPROCCIO PROBABILISTICO ALL’OTTIMIZZAZIONE
Si ricorda che il forward model che genera dOBS è caratterizzato dai seguenti parametri:
h1 = 10m (spessore primo strato)
Vs1 = 200m/s (velocità S primo strato)
h2 = 10m (spessore secondo strato)
Vs2 = 250m/s (velocità S secondo strato)
Vs3 = 350m/s (velocità S semispazio sottostante al secondo strato)
APPROCCIO PROBABILISTICO ALL'OTTIMIZZAZIONE FULL WAVEFORM
FUNZIONE DI MISFIT
INFORMAZIONE A PRIORI SUL MODELLO
INFORMAZIONE A POSTERIORI
INFORMAZIONI IN FORMA GAUSSIANA
Valore atteso dei parametri del modello a priori.
Matrice di varianza-covarianza per i parametri del modello a priori.
“Matrice” di varianza-covarianzaper i dati.
INPUT PER IL CALCOLO DELL'INFORMAZIONE A POSTERIORI
ESPONENTE DELL'INFORMAZIONE A PRIORI (PER DATI E MODELLO) E DELL'INFORMAZIONE A POSTERIORI
- Informazione sui DATI
- Informazione sul MODELLO
- Informazione a POSTERIORI
OTTIMIZZAZIONE PROBABILISTICA: RISULTATI
ITERAZIONI: 223FUNCTION EVALUATIONS: 365
( Si ricorda che il risultato desiderato è [ 10 200 10 250 350 ] ! )
La soluzione dell'ottimizzazione è perfetta
MA......in un caso reale il modello a priori non coincide con la soluzione
ottima!
Valore atteso dei parametri del modello a priori.
“Matrice” di varianza-covarianzaper i dati.
Matrice di varianza-covarianza per i parametri del modello a priori.
INPUT PER IL CALCOLO DELL'INFORMAZIONE A POSTERIORIPERTURBAZIONE DELLA MEDIA DEL MODELLO A PRIORI
ESPONENTE DELL'INFORMAZIONE A PRIORI (PER DATI E MODELLO) E DELL'INFORMAZIONE A POSTERIORI
- Informazione sui DATI
- Informazione sul MODELLO
- Informazione a POSTERIORI
Tutti i parametri si spostano verso la soluzione desiderata
MA......l'ottimizzazione incappa in un minimo relativo!
OTTIMIZZAZIONE PROBABILISTICA CON PERTURBAZIONE DI mprior: RISULTATI
ITERAZIONI: 151FUNCTION EVALUATIONS: 268
( Si ricorda che il risultato desiderato è [ 10 200 10 250 350 ] ! )
ESPONENTE DELL'INFORMAZIONE A PRIORI (PER DATI E MODELLO) E DELL'INFORMAZIONE A POSTERIORI
SEZIONE: m = [ h1 239.55 10.6621 209.748 364.582 ]
10 14 18
h1
OTTIMIZZAZIONE (fminsearch - Optimization Tool di Matlab):CONFRONTO FULLWAVEFORM vs PROBABILISTICA
ITERAZIONI: 105FUNCTION EVALUATIONS: 208
mfinal = [ 15.2451 509.4221 24.4076 166.2917 131.9707 ];
mstart = [ 15 240 15 210 380 ];
Full Waveform
mprior = [ 11 210 8 230 370 ];
ITERAZIONI: 142FUNCTION EVALUATIONS: 260
mfinal = [ 13.6492 206.5212 10.6029 219.0296 375.4515 ];
Probabilistica
mprior = [ 10 200 10 250 350 ];
ITERAZIONI: 219FUNCTION EVALUATIONS: 365
mfinal = [ 10.0539 199.9565 9.9974 251.8641 349.8241 ];
Probabilistica
Tutti i p
roce
ssi di o
ttimizza
zione so
no sta
ti lascia
ti pro
seg
uire
fin
che' lo
step tra
un
'itera
zione e
la su
ccessiv
a
non e
ra m
inore
di 0
.1 (o
ptim
set.T
olX
= 0
.1).
mdesired = [ 10 200 10 250 350 ];
CONCLUSIONI
- I processi di ottimizzazione finalizzati all'inversione di onde superficiali presentano delle problematiche che non è possibile arginare nell'ambito dei metodi locali.
- I metodi probabilistici forniscono risultati tanto migliori quanto più accurate sono le conoscenze a priori del modello e impediscono la divergenza della soluzione, ma non sempre riescono ad ovviare al problema dei minimi locali.
→ L'esplorazione sistematica costituisce il metodo più adatto alla risoluzione del problema inverso delle onde superficiali, perché permette l'osservazione di una funzione oggetto in forma esplicita, da cui estrarre il minimo globale.
→ Nel caso in cui si desiderasse affidarsi a metodi di ottimizzazione, l'esplorazione sistematica potrebbe essere sfruttata come punto di partenza per alleviare il problema dei minimi locali.
DATO OSSERVATO vs. DATO INVERTITO
DATO OSSERVATO vs. DATO INVERTITO
SEZIONE: m = [ 10 200 10 250 Vs3 ]
SEZIONI DELLA FUNZIONE OGGETTO
SEZIONE: m = [ 20 250 20 Vs2 400 ]
SEZIONI DELLA FUNZIONE OGGETTO
SEZIONE: m = [ 20 250 20 200 Vs3 ]
SEZIONI DELLA FUNZIONE OGGETTO