Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
Semestre PRIMAVERA/2007
CONTENIDOS
MDULO I: Introduccin (~ 2.5 semanas)
MDULO II: Geofsica de Potencial Descriptiva (~ 1 semana)
MDULO III: Teora de Potencial (~ 2 semanas)
MDULO IV: Modelacin Directa (~ 2 semanas)
MDULO V: ANALISIS EN EL DOMINIO DE FRECUENCIAS (~ 2 semanas)
MDULO VI: PROCESO DE DATOS (~ 3 semanas)
MDULO VII: TEORIA DE INVERSIN (~ 3 semanas)
BIBLIOGRAFIA
BALKELEY, POTENTIAL THEORY, 2002
TELFORD ET AL., APPLIED GEOPHYSICS, 2000
GRANT & WEST, INTERPRETATION THEORY IN APPLIED GEOPHYSICS, 1965
PARKER, GEOPHYSICAL INVERSE THEOR, 1994
VOGELSANG, ENVIRONMENTAL GEOPHYSICS, 1995
BURGER, EXPLORATION GEOPHYSICS OF THE SHALLOW SURFACE, 1992
TURCOTTE & SHUBERT, GEODYNAMICS, 2000
STVE, GEODYNAMICS OF THE LITHOSPHERE, 2002
LOWRIE, FUNDAMENTALS OF GEOPHYSICS, 1997
MODULO 1: INTRODUCCIN
GMm
R2
g = aceleracin de gravedad
En este caso M= Masa de la Tierra
R = Radio de la tierra
U(P) = G dm/r = G
v
(x,y,z) dv
r
(x,y,z) ^
r
g(P) = -Grad. U(P) = G
r2
v
dv
R Cte. ; M =
(x,y,z) dV
; efectos dinmicos
U = Ug + Ur (U Potencial Gravitacional)
Ug = Potencial Propio ; Ur = Potencial Rotacional
g() = 9.7803267714
1+0.00193185138639sin2
(1-0.00669437999013sin2)1/2
gobs g()
Taylor (h<<r)
Corr. de Aire Libre (gfa)
- Como estimar B ?
Correccin Topogrfica
(terrain correction)
Anomala de Bouguer (completa)
gB = gobs g() gfa gB gt
GRAVEDAD: Instrumental
La COSTE & RONBERG
POZO
WORDEN
TIERRA
SCINTREX
TIERRA
Principio Fsico
Lacoste&Romberg
m
G
A
l
MARINO
0.1
SUBMARINO
TERRESTRE
0.01
POZO
ABSOLUTO
0.001
0.00001
1
10
100
1000
10,000
100,000
dIa
r
dIb
Ib
dI a (dI b r$)
df a = Cm I a I b
r2
Fuerza de Lorentz
Cm es una constante de
proporcionalidad, anloga a
G = constante gravitacional
dBb = CmIb
dIb x r^
r2
,
dI b r$
B = Cm I b
r2
Ley de Biot-Savart
r
1
Fr
1
r2
-p
p
2 l
Para un dipolo:
A
+ l
1
2 rl cos
+ l
lml
r3
1
+ 2 rl cos
2 l p cos
r2
]
=
lml cos
r2
[2cos r + sin ]
M = kH
- Colatitud ; Longitud
N
x
Fh
Fx
D
Fy
F
Fz
100
103
106
Origen Externo
109
Inversiones
Variaciones Seculares
Recurrencia de Tormentas
(Semianual)
Pulsaciones
Atmosfricas
10-3
Tormentas Mag.
Y Variacin Diurna
1012
Origen Interno
Tiempo [s]
1015
VARIACIONES CAMPO
MAGNETICO TERRESTRE
Externas:
periodicidad de 11 aos
variacin diurna ~ 30 nT
variacin lunar ~ 2 nT
tormentas solares
VARIACIONES CAMPO
MAGNETICO TERRESTRE
Internas:
variaciones seculares (precesin)
[I=10/400 aos; D=35/400 aos]
[IGRF actualizacin cada 5 aos]
Inversin de campo magntico
[comportamiento catico del proceso
magneto-hidrodinmico que genera
el campo magntico terrestre en el
ncleo lquido de la tierra y el
desarrollo de la capa D en la
interfase manto-ncleo
FERROMAGNESIANOS: El grado
de magnetizacin en las rocas se
puede expresar en un diagrama
triangular Fe-Ti-O,
SUSCEPTIBILIDA
D MAGNETICA
ROCAS Y
MINERALES
(2)
(1)
(3)
MAGNETIZACION DE LAS
ROCAS: REMANENCIA
En presencia de un campo externo
variable, la magnetizacin de las
rocas puede contener una
magnetizacin remanente (Mr) que
es funcin de la historia de
magnetizacin a la cual ha estado
sometida la muestra. Esta
magnetizacin remanente puede
tener diversos orgenes pero en
trminos simples puede expresarse
como una componente vectorial neta
que presenta una angularidad
relativa con respecto a la
magnetizacin inducida por el campo
actual (Mt). La importancia relativa
de cada componente se expresa en el
RADIO DE KONIGSBERG : Q= Mr/Mt.
MAGNETISMO: Instrumental
MAGNETOMETRO GEOMETRICS G-858
PRECESION (VAPORES DE CESIO)
PRINCIPIO FISICO
MAGNETOMETROS DE PRECESION
MAGNETISMO:
Instrumental
(VOGELSANG, 1993)
SATELITAL (CONTINENTAL)
REGIONAL (MARINA-TERRESTRE)
LOCAL (EXPLORACION)
GRAVEDAD:
Gravedad Satelital,
Sandwell-Smith, 1997
GRAVEDAD
SATELITAL
SUDAMERICA
MAGNETISMO: MAGSAT
MAGNETOMETRIA
SATELITAL:
PROYECTO
MAGSAT:
ATLANTICO
MAGNETOMETRIA
SATELITAL: PROYECTO
MAGSAT: PACIFICO
MAGNETOMETRIA
SATELITAL:
PROYECTO
MAGSAT:
MODELACION
PACIFICO
RESPUESTA
GRAVIMTRICA
EN DORSAL
OCEANICA
Interpretacin tectnica
Interpretacin tectnica
Implicancias:
Cinemtica
Reconstruccin de placas
PROYECTO CONDOR:
MAGNETISMO EN CORTEZA
OCEANICA ASOCIADA A LA
COLISION DE LA DORSAL DE
JUAN FERNANDEZ
AREA DE
TRABAJO
RAW DATA
200
[nT]
-200
-400
0
20000
40000
60000
80000
100000
120000
140000
160000
180000
distance [m]
200000
A'
SYNTHETIC MODEL
[nT]
-200
-400
0
20000
40000
60000
80000
A
16
17
100000
120000
140000
160000
180000
200000
A'
distance [m]
18
Anomaly
500 m
35.5
36.5
37.5
38.5
39.5
Ma
ANALISIS
FLEXURAL
MEDIANTE LA
COMBINACION
DE GRAVEDAD Y
RELIEVE
EXPLORACION CARTA
MAGNETICA
2.34
-0.1
-0.2
2.34
2.33
-0.1
2.33
2.32
-0.2
2.32
-0.3
2.31
-0.4
2.3
-0.5
2.29
-0.6
2.28
-0.7
normalized depth]
normalized depth]
-0.3
2.31
-0.4
2.3
-0.5
2.29
-0.6
2.28
-0.7
2.27
-0.8
2.27
-0.8
2.26
-0.9
2.26
-0.9
-1
2.25
0
0.2
0.4
0.6
normalized distance
0.8
-1
0.2
0.4
0.6
normalized distance
0.8
2.25
-0.32
-0.33
-100
-0.32
-0.33
-100
-0.34
-0.34
-200
-200
-0.35
-300
-0.36
-400
-0.37
-0.38
-500
depth [m]
depth [m]
-300
-0.35
-0.36
-400
-0.37
-0.38
-500
-0.39
-600
-0.39
-600
-0.4
-700
-0.41
-800
0
2000
4000
6000
distance [m]
8000
10000
-0.4
-700
-800
-0.41
2000
4000
6000
distance [m]
8000
10000
700
-0 . 3 5
depth [m]
600
-0 . 3 6
-0 . 3 7
500
-0 . 3 8
-0 . 3 9
400
-0 . 4
300
-0 . 4 1
2000
4000
6000
d is t a n c e [ m ]
8000
COMPARACION
MODELO DE DENSIDAD
CON SECCION
ESTRUCTURAL EN
TEGUACHI
PAMPA DE
LIMON VERDE
GRAVEDAD:
cuenca de mas de 1000m
en flanco norte; sistema
estructural NS que
coincide con ramal de
falla oeste en sector
occidental
MAGNETISMO:
anomalas de mas alta
frecuencia asociada
a cuerpos mas someros;
anomala de baja frecuencia
sobre cuenca gravimetrica
(relleno magntico?)
DESCRIPCION
GEOFISICA
CANDELARIA
(MODELO TIPO)
CAMPO MAGNETICO
RTP
MAGNETIZACION DE
LAS ROCAS
DURANTE LOS
EVENTOS
MAGMATICOS Y DE
ENRRIQUECIMIENTO
DURANTE EL
PERIODO QUIETO
DEL CRETACICO =>
MAGNETIZACION EN
LA DIRECCION DEL
CAMPO ACTUAL
ESTRATIGRAFIA Y ALTERACION
MODELACION
MAGNETICA
EXPLORACION
BRASIL:
Ambientes de
borde cratnico
30
253 00
9190000
25300
0
30
25
500
25
0
2530
300
25
25500
0
9 0
3
2 5
9180000
24
0
80 0
24
0
2530
0
00
20
L12
25100
0
70
24
2 5200
2 4 6
2530
0
3
0
0
200
0
24
90
0
20
25
0
10
25
0
00
25
0
0
2530
2560
252 00
2
L12
0
25 60
6
25
00
0
530
9160000
6
25
00
0
50
25
L2
C.T.
9170000
0
253
0
55 0
25
200
Scale 1:350000
25000
2 4
2
5000
5000
9150000
9150000
[nT]
0
00
25
metres
25
70 0
00
2 56
25
200
CODELCO DO BRASIL
25
500
2530
0
00
252
0
4
5
20 0
225532 0 0
00
256
0
2 5
5
2 5
PROYECTO GRADAUS
2
5
3
0
0
MAGNETOMETRIA AEREA
25100
510000
520000
530000
540000
550000
9140000
00
255
00
253
25400
9140000
EXPLORACION
BRASIL: CAMPO
MAGNETICO
25
25100
25
9190000
00
54
25572
25508
25473
25447
25428
25412
25395
25378
25364
25354
25346
25342
25337
25331
25324
25317
25309
25302
25294
25288
25281
25273
25264
25254
25241
25228
25213
25196
25181
25163
25143
25114
25073
25018
24942
24842
24734
24552
550000
9180000
540000
9170000
530000
L2
9160000
520000
9200000
9200000
510000
AMBIENTES
CRATNICOS DE
ROCAS MAFICAS CON
GRAN CONTRASTE
MAGNTICO
MODULO 3: TEORIA DE
POTENCIAL
Campos
Se defienen dos tipos de campos:
campo de material: que caracterizan una propiedad fisica
en el espacio (densidad, magnetizacion, temperatura)
campo de fuerza: fuerza actuando en una determinada
posicion en el espacio y tiempo (gravedad, magnetismo,
campo electrico)
Campos
Los campos vectoriales pueden exprezarse en trminos de
las lneas de campo o lneas de flujo. Por ejemplo el campo
gravitacional:
m
g ( P ) = G
Campos
Se puede desmostrar que si la funcin F es un campo
vectorial continuo entonces las lineas de campo se pueden
expresar como la integracin de las ecuaciones diferenciales:
dx dy dz
=
=
Fx Fy Fz
Ejercicio: demostrar esta afirmacin
d
F = m v
dt
Tal que al multiplicar por v (velocidad) a ambos lados se
obtiene:
d 2 d
Fv = m v = E
dt
dt
1
2
t1
p1
to
po
( E Eo ) = F vdt ' = F ds = W ( po , p1 )
x1
F ds = F dx = W (x , x )
o
po
xo
W
Fx =
x
r W W W
F =
= W
,
,
x y z
La derivada del trabajo en cualquier direccin es igual a la
componente de fuerza en esa direccin. En consecuencia
cualquier cualquier campo de fuerzas cuya funcin trabajo
tiene derivadas es un campo conservativo.
El potencial asociado a un campo vectorial se define como
el trabajo hecho a favor o en contra del campo dependiendo
de la naturaleza de la fuerza:
r
F =
Fuerzas de repulsin (electrosttica):
r
F =
El potencial se define como el trabajo efectuado para traer
una dada particula desde el infinito hasta su posicin actual:
P
= F ds
( x, y, z ) = constante
Funciones armonicas: Mas adelante veremos que la siguiente
ecuacin diferencial (de Laplace) tiene importantes
implicancias en la teoria de potencial. Esta ecuacin presenta
la siguiente forma:
=0
2
POTENCIAL: Consecuencias
En la presentacin anterior se definio la funcin potencial en
campos de fuerzas conservativos, ahora se revisara una serie
de caracteristicas que son fundamentales para el
tratamiento posterior de la teoria de potencial
Identidades de Green:
Considerar dos funciones U y V continuas y diferenciables en
primer orden en un espacio R cerrado. Ademas considerar
que U presenta una segunda derivada continua en la frontera
R. Definiendo:
A = V U
POTENCIAL: Consecuencias
Entonces:
= V U + V U dv
2
Adv
=
A
n
dS
=
V
n
dS = V
dS
R
S
S
n
S
POTENCIAL: Consecuencias
Entonces se obtiene la primera identidad de Green:
[
R
U
V U + V U dv = V
dS
n
S
2
U
S n dS = 0
Si la funcin U es armonica el flujo nulo atravez de la
frontera implica la ausencia de fuente al interior del dominio:
POTENCIAL: Consecuencias
[
R
U
V U + V U dv = V
dS
n
S
2
U
R (U ) dv = S U n dS
2
POTENCIAL: Consecuencias
Segunda identidad de Green:
Si se intercambian U y V en la primera identidad de Green y
se resta a esta:
U
V
R U V V U dv = S U n V n dS
2
POTENCIAL: Consecuencias
Tercera identidad de Green:
Considerar V=1/r en segunda identidad de Green (r es la
distancia entre los puntos P y Q):
[U
R
2 1
r
U dv = U
S
1
r
1r 1 U
dS
r
n
n
1
U
1r 1 U
r
U ( P) =
dv + U
dS
n
n
4 R r
S
POTENCIAL: Consecuencias
Tercera identidad de Green:
Si U es armnico:
1 1r 1 U
r
U ( P) =
U
dS
n
4 S n
MODULO 4: MODELACION
DIRECTA
Gravedad
El potencial gravitatorio se define
como:
U ( P) = G
V
dv
g ( P ) = U = G
V
rdv
o en particular en direccin de z:
U
g ( P ) = U =
= G
z
x'
y'
z'
(
z z ')
( x' , y ' , z ' )
dx' dy ' dz '
r3
Gravedad
Donde la distacia observadorfuente r es:
2
r=
A) PRISMAS RECTANGULARES
Para prismas rectangulares
centrados en el origen a una
profundidad z, que pueden
aproximar un cuerpo irregular
(Plouff, 1975):
g = G
x2
x1
y2
z'
z2
z1
2 3/ 2
Gravedad
A) PRISMAS RECTANGULARES
Integrando en los lmites correspondientes del prisma:
g = G
i =1
xi y j
2
2
xi log(Rijk + y j )
z k atan
z k Rijk
ijk
j =1 k =1
yi log(Rijk + x j )
Rijk = x + y + z ;
2
i
2
j
2
k
ijk = ( 1) ( 1) ( 1)
i
Gravedad
B) LAMINAS DE PLANTA VARIABLE
Para cuerpos de forma irregular
Talwani & Ewing proponen separar la
integral de volumen en una
integracin de lnea en planta para
luego efectuar la integracin c/r a z
como una sumatoria de la secuencia
de laminas horizontales.
g = G z 'dz '
z'
dx' dy '
y'
2 3/ 2
z'
( z ')
Gravedad
B) LAMINAS DE PLANTA VARIABLE
La integral (z) se resuelve mediante una integracin de lnea
(teorema de Stokes):
A dl = ( A) nds
s
A=
x'
2 1/ 2
; dl = dy '
Gravedad
B) LAMINAS DE PLANTA VARIABLE
Discretizando entonces en trazos
rectos, la integral de lnea se
expresa como:
M y m+1
( z ' ) =
x' dy '
m =1 y m
2 1/ 2
Gravedad
B) LAMINAS DE PLANTA VARIABLE
Esta integral se resuelve para los M segmentos del permetro
de la planta del cuerpo para la profundidad z:
M
m =
[(
z ' m ym m z '
] (
z ' ( y
)z ' + ] (
xm 1 + m2 z '2 + m2 m2 z '2 + m2
m +1 =
[(
xm +1 1 + m2
x' = m y '+ m ;
2
m
)
)
'
z
m +1
m
2
m
z '2 + m2
xm +1 xm
m =
;
ym +1 ym
xm ym +1 xm +1 ym
m =
ym +1 ym
Gravedad
B) LAMINAS DE PLANTA VARIABLE
Finalmente la integracin segn z se resuelve subdividiendo
el volumen en lminas de espesor dh a una profundidad hi:
M
g = Gh hn ( z ' , hn ) = hn [atan( m +1,n ) atan( m ,n )]
n =1
n =1
m =1
N
Gravedad
C) MODELACION 2-D
Para cuerpos que se extienden
en forma infinita en una
direccin (p.ej cuencas
sedimentarias elongadas en
direccin del rumbo), la
integral de volumen se
transforma en una integral de
superficie (integrando entre - y
+infinito en direccin y:
potencial logartmico), cuya
gravedad corresponde a:
Gravedad
C) MODELACION 2-D
Esta integral de superficie puede tambien expresarse como una
integral de lnea mediante la aplicacin del teorema de stokes:
n rn +1
log
g = 2G
n ( n +1 n )
2
rn
n =1 1 + n
xn +1 xn
; n = xn n z n
x' = n z '+ n ; n =
z n +1 z n
rn = xn2 + z n2 ;
n = atan( z n / xn )
MAGNETISMO
P(x,y,z)
M(x',y',z')
r
En consecuencia el potencial
magntico de todo el volumen
V se expresa como:
A(ro ) =
M ( ro )
G ( ro )
(Relacin de Poisson).
Gm
Fuerza gra vitacional F = = U U (r ) =
r
o bien para una distribucin en un volumen dado :
Gm
r2
U (ro ) = G
v
dm
r ro
= G
v
dv
r ro
= G
v
dv
r ro
(densidad constante)
Relacin de Poisson:
A(ro ) =
M ( ro )
G ( ro )
1
A(r ) M (r )
r ro
V
dv
1
H = A = M (r )
r ro
s
dv
dv
M = M
H =
M (r )
s
r ro
Al igual que en gravimetra, es posible derivar una
expresin similar del potencial magntico para
cuerpos infinitamente extendidos en la direccin del
rumbo. Utilizando la relacin de Poisson se obtiene:
H (ro ) = M (ro )
dv
r ro
N
Donde es la direccin de
magnetizacin del cuerpo
magnetizado:
d
i
M ()
La derivada direccional en
direccin se expresa en un
sistema cartesiano como:
Z
x
y
z
peroH << H o
T H = A =
H
T
x
y
z
: direccin del campo magntico terrestre,
I , D : inclinaci n y declinacin del campo magntico
Ho
2
T (ro ) = ' Fo
2
1
r ro
dv
T (ro ) = M
1
r ro
dv
M = M o + ' Fo
EJEMPLO:
VERTICAL
MODELACION
MAGNETICA
DE
DIQUE
dv
1
r ro
1
dv = 2 log(
)ds
s
r ro
A ( ro ) = 2 M log ( r 1 r ) ds
o
1
1
A(ro ) = 2 M x log( r r )ds + z log( r r )ds
o
o
z s
x s
x : cos(i ) cos(d );
z : sin(i )
N.M.
Y
A(ro ) = 2 M x
s
x
r ro
ds + z
s
z
2 ds
r ro
A
A
T = A(ro ) = x
+ z
x
z
x : cos( I ) cos( D );
T = 2 M
x
x s
x
r ro
x
z s
x
r ro
z : sin( I )
ds + z
s
ds + z
s
z
+
ds
r ro
z
ds
r ro
x x
s
T = 2 M
z x
s
z 2 x 2 ds +
2 x z ds +
z
4
4
r ro
r ro
2 x z ds +
x 2 z 2 ds
z
4
4
r ro
r ro
s
T = 2 M { x [ xU xx + zU xz ] + z [ xU xz zU xx ]}
U xx =
z 2 x 2 ds;
4
r ro
U xz =
2 x z ds
4
r ro
x = x = cos(i ) cos(d )
z = z = sin(i )
]+
U xx =
z 2 x 2 ds;
4
r ro
U xz =
2 x z ds
4
r ro
U xx =
[
s
z 2 ( x xo ) 2
( x xo ) 2 + z
2 2
ds;
U xz =
[
s
2( x xo ) z
( x xo ) 2 + z
x=0
2d
2 2
ds
x
x = d z =
U xz =
[
dx
x = d z = h
2( x xo ) z
( x xo ) 2 + z
2 2
dz
Integrando c/r a z:
x=d
U xz =
[
(x x ) +h ]
x = d
Integrando c/r a x:
( x xo )
2
dx
2
2
d
+
(
d
+
x
)
+
h
1
1
o
U xz ( xo ) = log ( x xo )2 + h2 d = log
2
2
(d + xo )2 + h2
U xx =
[
dx
z 2 ( x xo ) 2
( x xo ) 2 + z
2 2
dz
Integrando c/r a x / z:
h
h
U xx = arctan
arctan
xo + d
xo d
(d + xo ) 2 + h 2
1
U xz ( xo ) = log
2
( d + xo ) 2 + h 2
4
2
U xz
U xx
0
-2
-4
-5000 -4000 -3000 -2000 -1000
1000
2000
3000
4000
5000
h
h
U xx = arctan
arctan
+
x
d
x
d
o
o
0
-1000
-2000
-5000 -4000 -3000 -2000 -1000
1000
2000
3000
4000
5000
Para variaciones
del ngulo de
inclinacin vemos
que la componente
par es mxima en
los polos y mnima
en el ecuador.
A su vez la
componente impar
es nula en los polos
y ecuador y dipolar
antisimtrica para
inclinaciones
positivas y
negativas
cos 2 (i ) cos 2 (d )
U xx
+
T = 2 M
sin 2 (i )
r1 A (X1, Z1)
r2
B (X2, Z2)
]+
U xx =
[
s
z 2 ( x xo ) 2
( x xo ) 2 + z
2 2
ds;
U xz =
[
s
2( x xo ) z
( x xo ) 2 + z
2 2
ds
z2
U xx =
dz
z1
z ( x xo )
2
[
(x x ) + z ]
c + m z
2
2 2
z2
dx
U xz =
dz
z1
2( x xo ) z
[
(x x ) + z ]
c + m z
2
2 2
dz
r2
2
U xx = ( 2 1 ) sin( ) cos( ) sin( ) log
r1
r1
2
X
A (X1, Z1)
r2
r2
U xz = ( 2 1 ) cos( ) sin( ) + sin( ) log
r1
2
B (X2, Z2)
z21 x21
z21 x21
2
z21
r2
U xx = ( 2 1 )
log
2
2
2
2
r1
x21 + z21 x21 + z 21
r2
U xz = ( 2 1 )
+
log
2
2
2
2
r1
x21 + z21 x21 + z 21
x21 = x2 x1;
z21 = z 2 z1;
r2 = sqrt ( x22 + z 22 )
Ttot = Tl
X
DX=150 M
CUERPOS TRIDIMENSIONALES:
MODULO 5: ANALISIS
DOMINIO DE LAS
FRECUENCIAS
F(k) =
f(x)e-ikx dx
-
k= 2/ Nmero de Onda
donde:
(k) = Tan-1 ImF(k)
ReF(k)
F(k)eikx dk
dn
FT[
f(x)] = (ik)nF(k)
n
dx
h(x)
g(x) = f(x)*h(x)
(* Convolucin)
Aliasing
Frecuencia de Nyquist = fn = 1 / 2
Intervalo de Muestreo
Continuaciones Analticas
Partiendo del teorema de Green,
[U V V U]dv = [U V
n
2
- V U ]ds
n
g(x,y,z) =
z
2
g(x,y,z)
- -
R3
dxdy
Continuaciones Analticas
Si nos alejamos de la fuente hablaremos de Continuacin Hacia
Arriba (Upward Continuation), mientras que si nos acercamos a la
fuente hablaremos de Continuacin Hacia Abajo (Downward
Continuation). En este ltimo caso, la expresin tendr validez slo
mientras estemos fuera del volumen (2U=0).
Este resultado es directamente generalizable para el campo magntico.
Veamos la transformada de Fourier de la expresin obtenida:
Fz(Kx,Ky) =
g(x,y,z)
- - -
-
z
[ 2
R3
-i(kxx+kyy)
dxdy ] e
dxdy
Continuaciones Analticas
Fz(Kx,Ky) =
Pero
- -g(x,y,z) e
z
1
-
=
(
R3
z R )
-i(kxx+kyy)
z -i(kxx1+kyy1)
dxdy
e
dx1dy1
2R3
- -
-lzl(kx+ky)1/2
Fz(Kx,Ky) = Fz(Kx,Ky) e
|z|(kx+ky)1/2
Fz(Kx,Ky) = Fz(Kx,Ky) e
EJEMPLO DE
CONTINUACIO
N SOBRE
CUERPOS
TEORICOS
EJEMPLO DE
CONTINUACIO
N SOBRE
CUERPOS
TEORICOS:
CONTINUADO
1000M
ARRIBA
EJEMPLO DE
CONTINUACIO
N SOBRE
CUERPOS
TEORICOS:
CONTINUADO
1000M ABAJO
OBSERVACION
1000M ARRIBA
CONTINUACION
1000M ARRIBA
OBSERVACION
1000M ARRIBA
CONTINUACION
1000M ARRIBA
OBSERVACION
OBSERVACION
1000M ABAJO
CONTINUACION
1000M ABAJO
OBSERVACION
OBSERVACION
1000M ABAJO
CONTINUACION
1000M ABAJO
Continuaciones Analticas
- Condiciones para la existencia de la antitransformada ?
- Aplicaciones de las Continuaciones Analticas
(x,y,z) =
1
2
(,) r
r3
dS
El sistema ser mas estable mientras mas cerca est del nivel de
observacin (z mximo).
Derivadas
Vimos dentro de las propiedades de la FT:
dn
FT[
f(x)] = (ik)nFT(f(x))
n
dx
En 2-D tendremos por lo tanto que (iKx)n e (iKy)n, son filtros que
transforman la funcin medida en sus derivadas espaciales respecto
a x e y respectivamente.
- Procedimiento en tres pasos: Transformada/Filtro/Antitransformada
- Forma del Filtro (Pasa Alto)
- Aplicaciones de las Derivadas
- Segunda Derivada Vertical
Consecuencia Directa de la Ecuacin de Laplace
2U
2U
+
2
x
y2
FT[
2f(x,y)
z2
2U
+
= 0
2
z
Reduccin al Polo
La relacin de Poisson establece:
A(r) =
M
M
U(r)
g =
G
G
T(r) =
M 2
U(r)
G t
(2) Tpolo(r) =
M 2
U(r)
G z2
t = ai+bj+ck
= i+j+k
Reduccin al Polo
Tomando FT a las ecuaciones (1) y (2) e igualando FT[U(r)],
obtenemos:
FT[Tpolo(r)] = FP(kx,ky) FT[T(r)]
Con
FP(kx,ky) =
Kx2 + Ky2
[iakx+ibky+c(kx2 + ky2 )1/2] [ikx+iky+(kx2 + ky2 )1/2]
kx
REDUCCION AL POLO
OBSERVACION
OBSERVACION
I=90
REDUCCION AL
POLO
D
I
Este
1
[icosIcos(D- )+sinI] [icosI0cos(D0- )+sinI0]
Reduccin al Ecuador
Tal como la Reduccin al Polo, la Reduccin al Ecuador puede ser
realizada como una transformacin lineal y puede ser usada como
una alternativa a la Reduccin al Polo en bajas latitudes
geomagnticas, donde sta presenta ciertas inestabilidades.
El filtro de Reduccin al Ecuador puede ser expresado como:
FE() = FP()[sinDsinD0sin2 + sin(D+D0)sincos + cosDcosD0cos2]
Transfer Properties of the Reduction of Magnetic Anomalies to the
Pole and to the Equator. K. Kis., Geophysics Vol.55 N9 pp.1141-1147
Seal Analtica
Corresponde a la envolvente de energa de las anomalas magnticas y
no depende de la direccin de magnetizacin de las fuentes.
La amplitud de la Seal Analtica tendr directa relacin con la
intensidad de la magnetizacin, y presentar valores mximos sobre los
bordes de las fuentes magnticas.
Seal Analtica
Se define como:
AS(x,y,z) = (Tx2 + Ty2 + Tz2)1/2
Donde Tx, Ty, Tz corresponden a los gradientes (derivadas) en las
direcciones x, y, z respectivamente, que pueden ser fcilmente
calculados en el dominio de Fourier.
El ruido presente en los datos observados, es amplificado al calcular la
Seal Analtica (recordar que las derivadas equivalen a filtros pasaalto), por lo que es recomendable filtrar las altas frecuencias antes de
calcular AS.
An Analytic Signal Approach to the Interpretation of Total Field
Magnetic Anomalies. Shuang Qin., Geophysical Prospecting Vol.42
pp.665-675
REDUCCION
AL POLO
SEAL
ANALITICA
n
TF n f ( x) = (ik x ) TF [ f ( x)]
dx
2
2
1
[
]
==
+
TF
k
k
TF
T
y
x
dz n
POLO 1a DER.Y
POLO 2a DER.Z
t(l,m,n)
h
2b
2a
e << h
z
c) Lmina Rectangular
b) Prisma Finito
s(L,M,N)
a) Prisma Infinito
42S2e-2hr[R
sin2kxa sin2kyb
t()Rs()]
2
(kyb)2
(kxa)
DOMINIO DE LA FRECUENCIA
Se ha visto en clases anteriores la teora sobre el tratamiento
de datos en el dominio de la frecuencia orientado a
la
obtencin de diversos sub-productos que son utilizados en la
interpretacin de datos de potencial:
continuaciones analticas
planos de derivadas
reduccin al polo
seal analtica
En este mdulo veremos en forma detalla el proceso de
datos necesario para la obtencin de estos subproductos
sobre un set de datos.
Ecuaciones
La formulacin matemtica de cada uno de los procesos
anteriores en el dominio de las frecuencias corresponde a:
continuaciones analticas
Fz + z (k x , k y ) = Fz ( k x , k y ) exp z k x2 + k 2y
planos de derivadas
dn
n
FT n f ( x) = (ik ) FT ( f ( x))
dx
Ecuaciones
reduccin al polo
FT T polo ( x, y ) = FP (k x , k y ) FT (T ( x, y ))
FP (k x , k y ) =
[i(ak + bk )+ c(k
x
k x2 + k 2y
2
x
) ] [i(k
2 1/ 2
+ ky
seal analtica
2
y
2 1/ 2
z
AS ( x, y, z ) = T + T + T
2
x
+ k y ) + k + k y
dT
dT
d 2T d 2T
Tx =
; Ty =
; Tz =
+ 2;
2
dx
dy
dx
dy
2
x
) ]
2 1/ 2
Tratamiento numrico
Para efectuar el proceso de datos en el dominio de la
frecuencia en forma prctica trabajaremos con el siguiente
set de datos correspondiente a un levantamiento magntico efectuado
en el norte de Chile
(latitud aproximada 15S);
con lneas de medicin
cada 250m y volado a
una altura de 200-300m
sobre el relieve.
Tratamiento numrico
Estos datos han sido corregidos por lineas de control voladas
en sentido perpendicular a las lneas de produccin (en
direccin E-W) a fin de reducir los efectos de lnea de
direccin NS. El algortimo de nivelacin utilizado considera
los siguientes pasos:
(1) Indentificar puntos de cruce
(2) Determinar residuos
(3) Minimizar estos residuos
modificando el valor del campo de cada
lnea de produccin de acuerdo a una
funcin lineal simple del campo de
residuos (de orden 0 o 1 en general)
(4) repetir puntos (2) y (3) hasta
alcanzar el ajuste propuesto
Tratamiento numrico
El trabajo con lneas de control y la minimizacin de los
residuos se fundamenta en la condicin de las lneas de
control:
Registradas en forma continua, cortando todas las lneas
de produccin, tal que potenciales errores de medicin son
comunes a todas las lneas. En consecuencia al trabajar con
los residuos se estn corrigiendo los errores de nivel en las
lineas de produccin.
Los errores de nivel que pueden ser corregidos de esta forma
se asocian generalmente a problemas con la reduccin de la
estacin base.
Tratamiento numrico
Sin embargo hay otro tipo de errores comunes a la adquisicin
de datos areos cuya reduccin es compleja mediante el uso
de lneas de control, y que dicen relacin con la ejecucin de
lneas a distinta altura.
En este caso los puntos de cruce entre lneas de produccin y
control no tienen un significado real ya que el punto de cruce
planimtrico entre lineas de produccin y base no miden el
mismo campo.
Para corregir este tipo de efectos es necesario continuar los
datos a un plano comn de observacin (mediante la
continuacin a superficies arbitrarias).
Por ejemplo en el set de datos utilizados en este ejercicio se
aprecian efectos de lnea importantes:
plot(imag(ZZ_c))
2) Definicin de filtro
Las frecuencias en la transformada de fourier
mapean el espectro en las siguientes frecuencias:
2 (i 1)
NF
2 (i 1)
NC
=
+1
;
1
:
=
K
i
Kx =
; i = 1:
+1
y
2
NF dy
2
NC dx
2 (i 1)
NF
2 (i 1)
NC
+ 2 : NF
;i =
Kx =
;i =
+ 2 : NC K y =
NF dy
2
NC dx
2
iix=0:1:nc;
iiy=0:1:nf;
IIx=[iix fliplr(iix(2:length(iix)-1))];
IIy=[iiy fliplr(iiy(2:length(iiy)-1))];
[freqx,freqy]=
2*pi*meshgrid(IIx/(2*nc*dx),IIy/(2*nf*dx));
2) Definicin de filtro
Continuacin analtica:
Fz ( k x , k y ) = Fz ' (k x , k y ) exp
z kx +k y
)1 / 2
filtro=exp(-h*sqrt(freqx.^2+freqy.^2));
Calculo de la anti-transformada
ZZ_cont1=real(ifft2(ZZ_c.*filtro,2*nf,2*nc));
ZZ_cont=ZZ_cont1(1:NF,1:NC);
n
TF n f ( x) = (ik x ) TF [ f ( x)]
dx
d 2T d 2T
d 2T
2 = 2 + 2 = TF 1 (k x2 + k y2 ) TF [T ]
dz
dy
dx
filtro= (freqx.^2+freqy.^2);
Calculo de la anti-transformada
ZZ_cont1=real(ifft2(ZZ_c.*filtro,2*nf,2*nc));
ZZ_cont=ZZ_cont1(1:NF,1:NC);
Tpolo = TF 1 FP(k x , k y , l , m, n, L, M , N ) TF [T ]
FP =
k x2 + k y2
[i (lk x + mk y ) + n(k x2 + k y2 )1/ 2 ][i ( Lk x + Mk y ) + N (k x2 + k y2 )1/ 2 ]
freqz=sqrt(freqx.^2+freqy.^2);
freqz(1,1)=complex(1,0);
ang_I=ang_i*pi/180;ang_D=ang_d*pi/180;
l=cos(ang_I)*cos(ang_D);
m=cos(ang_I)*sin(ang_D);
n=sin(ang_I);
filtro_polo=((complex(0,l*freqy+m*freqx)+n*freqz).
*(complex(0,l*freqy+m*freqx)+n*freqz))./(freqz.^2+0.0001);
dT dT dT
+
SA(T ) =
+
dx dy dz
dT
dT
1
= TF [i k x TF [T ]];
= TF 1 i k y TF [T ]
dx
dy
dT
= TF 1 (k x2 + k y2 )1/ 2 TF [T ]
dz
2
dT dT dT
+
SA(T ) =
+
dx dy dz
2
contourf(ZZ_SA,[0.001:0.005:0.05]);
colorbar
axis equal
Fa =
Fc
a
C (a, b) = s (t )
R
1
t b
)dt
(
a
a
1
s (t ) =
K
t b dadb
1
R ' R C (a, b) a ( a ) a 2
dt = 0
R'
R'
n = 0,1,... p
2
2 1/ 4
2 x2
( x) = 1 x e
3
( x) = Ce
x2
2
cos(5 x)
APLICACIN DE WAVELETS
Deteccin de tendencias
APLICACIN DE WAVELETS
Deteccin de discontinuidades
APLICACIN DE WAVELETS
Eliminacin de ruido
APLICACIN DE WAVELETS
Compresin de imagen: utilizando un 7% de la seal
aproximada se retiene un 97% de la energa original
APLICACIN DE WAVELETS
Proceso de datos geofisicos: The wavelet transform in
aeromagnetic processing, Smith & Dentith, Geophysics, 1999,
1003-1013
APLICACIN DE WAVELETS
Proceso de datos geofisicos: Identification of sources of potential fields with
W o
1 bx
= o ( x ) (
)dx
a
a
R
APLICACIN DE WAVELETS
Proceso de datos geofisicos: Identification of sources of potential fields with
1x ( x) =
2x
(x 2 + 1)2
1z ( x) =
1 x2 1
(x 2 + 1)2
APLICACIN DE WAVELETS
Proceso de datos geofisicos: Proceso de datos geofisicos: Identification of
sources of potential fields with the continuous wavelet transform: Complex wavelets and
application to aeromagnetic profiles in French Guiana, Sailhac et al., Geophysics, 2001,
( x x )2 ( z z )2
(
x xo ) ( z zo )
o
o
T ( x) = 2
cos(2 I ' ) 4
sin(2 I ' )
2
2 2
2
2 2
( x xo ) + ( z zo )
(x xo ) + (z zo )
tan( I )
tan( I ' ) =
cos( D + )
I : inclinacin; D : declinacin; : rumbo
APLICACIN DE WAVELETS
Proceso de datos geofisicos: Proceso de datos geofisicos: Identification of
sources of potential fields with the continuous wavelet transform: Complex wavelets and
application to aeromagnetic profiles in French Guiana, Sailhac et al., Geophysics, 2001,
sinI
W 1 T ( x, a ) = 4
a exp i 2 I ' [( x xo ) + i (a + zo )]
c
sinI '
Utilizando las formulas anteriores para dos cuerpos ubicados a
una profundidad de z=1 con inclinaciones aparentes de I=90 y
I=29, se obtienen los siguientes funciones de campo magntico
y coeficientes de wavelet:
APLICACIN DE WAVELETS
Proceso de datos geofisicos: Proceso de datos geofisicos: Identification of
sources of potential fields with the continuous wavelet transform: Complex wavelets and
application to aeromagnetic profiles in French Guiana, Sailhac et al., Geophysics, 2001,
Coeff.
wavelet
campo
APLICACIN DE WAVELETS
Proceso de datos geofisicos: Proceso de datos geofisicos: Identification of
sources of potential fields with the continuous wavelet transform: Complex wavelets and
application to aeromagnetic profiles in French Guiana, Sailhac et al., Geophysics, 2001,
En la figura anterior se
aprecia que los
coeficientes tienden a
converger a un valor de
a=-zo para la interseccin
de las dos funciones de
mximo en el dominio
[x,a]. Esta interseccin
puede ser calculada
numericamente tal cual se
aprecia en el diagrama
siguiente
APLICACIN DE WAVELETS
Proceso de datos geofisicos: Proceso de datos geofisicos: Identification of
sources of potential fields with the continuous wavelet transform: Complex wavelets and
application to aeromagnetic profiles in French Guiana, Sailhac et al., Geophysics, 2001,
TEORIA BASICA
La cadena de procedimientos que tiene como resultante el
entender un problema geolgico a partir de observaciones
geofsicas involucra el establecer las propiedades fsicas de las
rocas involucradas en los datos instrumentales. Para resolver
este problema se plantean dos estrategias extremas:
Modelacin directa
Proble
Modelacin inversa
ma
Directo
Datos d
Modelo m
Proble
ma
Inverso
TEORIA BASICA
La modelacin directa se plantea en general en trminos
iterativos de prueba y error, en el cual los datos u observaciones
se comparan con la respuesta del modelo. Un uso eficiente de
esta metodologa exige un nivel elevado de experiencia en el tipo
de respuesta geofsica del problema geolgico especfico. En
contraposicin, la modelacin inversa deriva los parmetros
directamente de las observaciones.
En algunos caos ideales es posible derivar una teora exacta en la
cual se puedan establecer en forma directa los parmetros del
modelo, sin embargo en condiciones reales esta situacin tiene
una aplicacin muy limitada.
TEORIA BASICA
Para problemas concretos el proceso de inversin debe ser
desagregado en dos etapas:
1) determinacin de un modelo estimado
2) inferencias sobre el modelo verdadero
ma
Directo
Modelo
verdadero M
P
in r o b
so fere lem
ve bre nc a d
rd m ias e
ad o
er d e
o lo
Proble
ma
Datos d
Estimacion
de Modelo m
Pr
de ob l
de es ema
p a ti m
ra ac
me ion
tro
s
Pr o b l e
o
ers
v
In
TEORIA BASICA
En teora de inversin el formulismo matemtico difiere si la
descripcin del modelo se fundamenta en parmetros continuos
o discretos, y si el modelo es una combinacin lineal de los
parmetros o bien no lineal. En este seminario efectuaremos una
descripcin del problema inverso partiendo en primer lugar con
el tratamiento del problema discreto lineal y luego las
aproximaciones necesarias para el tratamiento de problemas no
lineales. En una segunda etapa se presentara el problema de
variables de campo continuas, dando una breve resea sobre su
tratamiento y analoga con el problema discreto.
TEORIA BASICA
Elementos de lgebra lineal
En problemas de inversin geofsica el espacio comn de
operacin matemtica corresponde al espacio de vectores
lineales.
Los vectores (y matrices) son utilizados en este curso para
definir las observaciones (d=[d1, d2, , dN]T), y parmetros
(p=[p1, p2, ,pM]T).
Notacin :
Letras maysculas
matrices (A, B, C..).
itlicas
negritas
representan
letras
TEORIA BASICA
Elementos de lgebra lineal
Se considera conocidas todas las propiedades aditivas,
multiplicativas y distributivas de los espacios vectoriales, mas la
presencia de elemento neutro en la suma y producto por un
escalar en n (vector de n componentes). Para el caso de
matrices se considera el mismo grupo de propiedades pero en el
espacio nxm.
Dos matrices tienen la misma dimensin si el nmero de filas (n)
y columnas (m) son los mismos. Una matriz Anxm, representa a
una matriz de n filas y m columnas de acuerdo a la siguiente
A1,1 A1, 2 ..... A1, j .... A1,m
nomenclatura:
A
....
....
.......
...
2 ,1
.... ...
...
..
A= :
...
...
A
A
A
i, j
i ,m
i ,1
An ,1 An , 2
An , j
An ,m
TEORIA BASICA
Elementos de lgebra lineal
La traspuesta de esta matriz Anxm, es Bmxn = AnxmT. Es decir los
elementos de la matriz a se permutan de la siguiente forma Bi,j =
Aj,i. Para efectuar una multiplicacin entre dos matrices C=A * B
se debe cumplir que el nmero de filas de la matriz B sea igual al
numero de columnas de la matriz A, tal que el producto en
notacin tensorial se escribe como:
Ci , j = Ai ,k Bk , j = Ai ,k Bk , j
m
k =1
TEORIA BASICA
Elementos de lgebra lineal
Entre matrices y vectores existe un operador lineal que se
denomina producto punto, que permite la multiplicacin de
cada fila de una matriz Anxm por un vector xm:
A x = Ai ,k xk = Ai ,k xk
m
con i = 1, n
k =1
I =
0 0 1 0
0
0
0
1
TEORIA BASICA
Elementos de lgebra lineal
Matriz diagonal:
x1
0
diag ( x1 , x2 ,....., xn ) =
0
0
x2
0
0
0
0 0
... 0
0 xn
0
TEORIA BASICA
Norma de Vectores y matrices:
La informacin en nuestro problema de inversin esta contenida
en vectores y matrices, en consecuencia se debe establecer un
procedimiento para determinar el tamao relativo de cada
matriz o vector. En cantidades escalares el problema se reduce a
determinar el valor absoluto. En vectores y matrices esta
condicin de tamao se generaliza en el concepto de mtrica
llamado norma . Una norma dada se establece como tal si
cumple la siguiente definicin para dos vectores arbitrarios u, v
y un escalar arbitrario :
v > 0,
v 0,
v = v
v+u v + u
v = 0,
para v = 0
TEORIA BASICA
Norma de Vectores y matrices:
El tipo de norma mas utilizado en vectores de n esta dado por:
p
x = xi , p > 1
1
1/ p
Ejemplo
% determinacin de norma para vector x
% con p=1:9
clear all;
x=[1 2 3 4 20 4 7 1 9];
for i=1:9,
y(i)=norm(x,i);
end
plot(1:9,y);
xlabel('p');
ylabel('Lp');
title('Norma Lp ');
TEORIA BASICA
Norma de Vectores y matrices:
Veremos mas adelante que en problemas sobre determinados es
comn el uso de la norma euclidiana (p=2). Para problemas
indeterminados (mas incgnitas que ecuaciones) se utiliza una
norma con p cercano a 1. La eleccin de la norma depende
fuertemente de la estadstica de los datos. Como se ve en el
ejemplo anterior, los valores de mayor amplitud (peso o error)
son ms influyentes en normas de mayor p. En contraposicin la
norma L1 es menos sensitiva a valores alejados de los valores
medios (outliers), por tanto se afirma que es una mtrica que
asegura soluciones mas robustas. En matrices tambin es
posible definir una norma anloga al caso vectorial. En tal
sentido es comn el uso de la norma de Frobenius:
A F =
i=1
n
T
A
=
traza
(
A
A)
ij
j=1
1/ 2
Nota:
N
traza ( M ) = M i ,i
i =1
TEORIA BASICA
Dependencia e independencia lineal:
Para una familia de vectores {x1, x2, x3, , xm} de igual
dimensin, la siguiente combinacin lineal:
1x1 + 2x2 + 3x3+ + m xm = 0
indica independencia lineal entre los vectores si esta relacin
slo si se cumple:
1 = 2 = 3 = = m = 0
en caso contrario es posible escribir uno o varios vectores como
combinacin lineal de los restantes vectores, es decir se trata de
vectores linealmente dependientes.
TEORIA BASICA
Ax=0,
La combinacin lineal de vectores cuyo aporte neto al sistema de
ecuaciones es nulo. Esta solucin es de vital importancia en los
problemas de inversin ya que representa una combinacin lineal
de los parmetros que no puede ser resuelta por el modelo y en
consecuencia denota la falta de unicidad en la solucin (siempre es
posible incorporar el vector solucin en el subespacio nulo). El
rango del subespacio linealmente independiente es r, y el rango del
subespacio nulo es m-r.
TEORIA BASICA
Inversin de Matrices:
A C = I.
Se demuestra que si B y C existen ambas matrices deben ser
idnticas. En un sistema de ecuaciones lineales:
Ax=y
El rango r de la matriz es siempre menor o igual que el nmero de
ecuaciones (n), y solo puede llegar a ser igual a n si existen tantas
ecuaciones como incgnitas.
TEORIA BASICA
TEORIA BASICA
E = eTe = (d G m)T (d G m)
M
M
E = d i Gij m j d i Gik mk
i
j
k
q = 1, M
TEORIA BASICA
E = eTe = (d G m)T (d G m)
M
M
E = d i Gij m j d i Gik mk
i
j
k
q = 1, M
TEORIA BASICA
GT G m GT d = 0
El cual permite determinar una estimacin de m (mest):
TEORIA BASICA
GT G m GT d = 0
El cual permite determinar una estimacin de m (mest):
TEORIA BASICA
1 z1
d1
1 z
d
2
m 2
. . 1 = .
m2
. .
.
1 z N
d N
1
G G =
z1
T
1
z2
1 z1
1 z
2
. . 1
1
T
. . ; G d =
. . .
z1
.
.
1 z N
1
z2
d1
d
2
. . 1
.
. . .
.
d N
N
m1
m= = N
m2 zi
i=1
zi
i =1
N
2
zi
i =1
di
i=1
z i d i
i=1
TEORIA BASICA
m1 : 1.0000
m2 : 2.8727
TEORIA BASICA
TEORIA BASICA
B. Problemas indeterminados
Como ya ha sido descrito, en problemas indeterminados existen
mas incgnitas que ecuaciones (n < m). En estas condiciones la
inversa generalizada es singular: det( Gg) = 0. En consecuencia no
existe una solucin nica al sistema de ecuaciones, en la prctica
existe una familia infinita de potenciales soluciones al sistema de
ecuaciones. Bajo estas condiciones es necesario incorporar
informacin externa al sistema de ecuaciones (informacin a priori),
que permita acotar la familia de potenciales soluciones.
Un
ejemplo
simple
de
problemas
indeterminados lo constituye la definicin de
una recta que pretende ser definida con una
sola observacin. Existen infinitas soluciones
a este problema, de hecho la inversa
generalizada del ejemplo anterior involucra
la inversin de la matriz cuadrada:
1
1
z
1
z1
z12
TEORIA BASICA
B. Problemas indeterminados
El determinante de esta matriz es nulo, en consecuencia es una
matriz singular. Una forma de incorporar informacin a priori para
acotar la solucin de este problema no determinado es imponer que
la recta corta el origen. Bajo esta condicin el problema se resuelve
en forma completa. Existen variadas formas de imponer informacin
a priori, por ejemplo en la inversin gravimtrica se puede imponer
la condicin fsica de una densidad acotada en su limite superior e
inferior (0 y 3.3 gr/cc). Una forma de incorporar informacin a priori
en trminos formales consiste en asumir que la solucin del
problema inverso es simple, en donde la nocin de simplicidad es
cuantificada como una medida de la mtrica (euclidiana) de la
solucin L = mT m = mi. En ciertas circunstancias se puede
imponer que esta norma sea mnima, por ejemplo en problemas que
involucren consideraciones de mnima energa o masa mnima. Bajo
estas condiciones el problema original de minimizar el error en la
relacin lineal e = d G m, incorpora adems la condicin que la
norma L = mT m es mnima.
TEORIA BASICA
B. Problemas indeterminados
Este
problema
es
resuelto
directamente
utilizando
los
multiplicadores de Lagrange (ver recuadro), de tal forma que se
M
minimiza la funcin
(m) = L + i ei con respecto a m
i =1
(donde i corresponde a
los multiplicadores de
Lagrange).
La minimizacin de esta funcin produce la ecuacin:
2 m = GT ,
G m = d,
MULTIPLICADORES DE LAGRANGE
En la minimizacin de una funcin de dos variables E(x,y) con la restriccin de una
determinada funcin (x,y)=0, se establece que al minimizar la funcin E,
pequeas variaciones en x e y no alteran el valor
de E, es decir:
dE =
E
E
dx +
dy = 0
x
y
d =
dx +
dy = 0
x
y
dE + d = (
E
E
E
E
+
)dx + ( +
)dy = 0
x
x
y
y
MULTIPLICADORES DE LAGRANGE
En la ecuacin anterior si se elige un multiplicador de Lagrange apropiado para
que por separado cada trmino en parntesis sea igual a cero, entonces se cumple
automticamente que el otro trmino es tambin igual a cero. En consecuencia el
problema ha sido transformado en un sistema de ecuaciones de tres incgnitas y
tres sistemas de ecuaciones:
+ ) = 0;
x
x
+ ) = 0;
y
y
( x, y ) = 0
(m) = 0;
k
k = 1, q
TEORIA BASICA
C. Problemas mixtos
m s d s
= i
i
i
G m d
TEORIA BASICA
C. Problemas mixtos
m = [G G + I ] G d
est
TEORIA BASICA
Descomposicin en Valores singulares
Cuando una matriz A opera sobre un vector x normalmente produce
un cambio en la direccin de este, sin embargo si esta matriz A
simplemente escala al vector x, entonces se denomina a este vector
como un vector propio asociado al valor propio , tal que:
Ax=x
En esta expresin podemos re escribir x como I x, entonces:
(A - I) x=0,
es decir para un dado valor propio existe un vector propio x en el
espacio nulo de la matriz (A - I). Para que esta condicin se
cumpla, el determinante de (A - I) debe ser igual cero;
det(A - I) = 0.
TEORIA BASICA
Descomposicin en Valores singulares
Para una matriz cuadrada Anxn esta ecuacin implica la determinacin
de n valores propios (races del sistema).
Es posible demostrar (ver recuadro) que una matriz Gnxm puede
descomponerse en funcin del producto de las matrices de
TEORIA BASICA
Descomposicin en Valores singulares
Es comn organizar la descomposicin de la matriz G en funcin de
valores propios cuya magnitud es decreciente. Bajo este esquema es
posible distinguir una familia de p valores propios mayores que cero y
un conjunto de valores propios iguales a cero:
v1
v T
2
0 :
T
=
U
V
p
p p
0 v Tp
:
v T
m
T
= p
0
0
p
[
]
u
u
u
u
,
tal
que
..
..
p
n
1 2
0
0
TEORIA BASICA
Descomposicin en Valores singulares
En esta relacin Up y Vp corresponden a los primeros p vectores de las
matrices U y V. Para los restantes vectores propios de los datos Uo y
parmetros Vo, la matriz G no contiene informacin. Podemos asociar
las matrices Uo y Vo, a los espacios nulos que no pueden ser resueltos.
Es decir solo p vectores propios son en la prctica linealmente
independientes. En consecuencia, la identificacin de los valores
propios distintos de cero permite construir una matriz inversa
generalizada de valores propios mayores que cero:
mest = Vp p-1 Up T d
TEORIA BASICA
Descomposicin en Valores singulares
Ejemplo: Considere el siguiente sistema de ecuaciones:
1
1.0000 1.9500 4.0000
m2 =
1.0000 2.0000 5.0000
m3
1.0000 2.0000 6.0000
La
solucin
de
este
sistema de ecuaciones est
dada por:
14.0000
16.0550
20.0000
23.0000
clear all
G=[1 2 3;1 1.95 4; 1 2 5;1 2 6];
m=[1 2 3]';
d=G*m;
[U,S,V]=svd(G); n=length(S(1,:));
figure(3)
for i=1:3,
ii=(i-1)*2+1;
subplot(3,2,ii),bar(U(1:length(G(:,1)),i));
xlabel(strcat('valor propio:',num2str(floor(S(i,i)*100)/100)));
ylabel('U')
subplot(3,2,ii+1),bar(V(i,1:n));
xlabel(strcat('valor propio: ',num2str(floor(S(i,i)*100)/100)));
ylabel('V')
end
print -djpeg -r200 fig3.jpg
TEORIA BASICA
Descomposicin en Valores singulares
En este conjunto de valores propios el valor propio menor es cercano
a cero, lo cual esta indicando que el sistema es cuasi-singular. La
solucin del sistema de ecuaciones considerando los tres valores
propios:
m_est_3_0=V(:,1:3)*inv(S(1:3,1:3))*U(:,1:3)'*d
1.0000
= 2.0000
3.0000
1.0076
= 1.9961
3.0000
TEORIA BASICA
Descomposicin en Valores singulares
Esta ultima estimacin es una (buena) aproximacin de la solucin
verdadera, que es exacta en la tercera componente y solo aproximada
en los dos primeros trminos.
Podemos entender este comportamiento al analizar el peso del vector
propio de los parmetros asociado al valor propio ms cercano a cero
(ver en Figura anterior). En este caso el peso relativo de la tercera
componente es prcticamente nulo, por consiguiente su valor final
esta totalmente determinado por la combinacin lineal de los dos
primeros vectores propios.
Ahora bien si introducimos un porcentaje de ruido en el segundo
trmino del vector de observaciones (el punto de mayor peso en el
vector propio asociado a ese valor propio menor):
d(2)=d(2)*0.95;
TEORIA BASICA
Descomposicin en Valores singulares
Bajo esta condicin la estimacin con dos y tres valores propios
corresponde a:
m_est_2=V(:,1:2)*inv(S(1:2,1:2))*U(:,1:2)'*d
0.8967
= 1.7781
3.0747
- 32.8000
m_est_3=V(:,1:3)*inv(S(1:3,1:3))*U(:,1:3)'*d = 18.9000
3.0000
0
S= T
G
G
0
Esta matriz tiene n+m valores propios reales y un grupo de n+m vectores propios
wi que cumplen la relacin
G ui
ui
=
v
0 vi
i
G T ui = i vi
Gvi = i ui
GG T ui = i Gvi = i i ui = 2i ui
G T Gvi = i G T ui = i i vi = 2i vi
Dado que ambos sistemas de ecuaciones estn conformados por matrices
cuadradas y simtricas, existen m vectores vi que conforman una matriz V ortogonal
que mapea todo el espacio de los datos m, y n vectores ui que conforman una
matriz U ortogonal que a su vez mapea todo el espacio de las observaciones n.
Este conjunto de vectores se divide en p vectores que se asocian a valores propios
distintos de cero y los restantes vectores propios conforman el espacio nulo que se
asocia a valores propios nulos.
Escribiendo la ecuacin
Gvi = i ui
GV = U
GVV T = GI = UV T
o simplemente : G
= UV T
TEORIA BASICA
Elementos de probabilidades y estadstica
En la seccin anterior representamos las observaciones de un
determinado experimento como un vector d cuyos elementos
constituyen
medidas
individuales
e
independientes.
Esta
caracterizacin de un grupo de observaciones es sin embargo una
sobre simplificacin del trabajo experimental y prctico en geofsica
como en cualquier otra disciplina cientfica en la cual las
observaciones estn contaminadas
por ruido. En consecuencia, si una
determinada observacin es
repetida varias veces cada
medida sera diferente (ver en
figura). La completa
caracterizacin de la observacin
requerir entonces reconocer el
rango y forma de esta dispersin,
que son en la prctica inherentes
al trabajo experimental.
TEORIA BASICA
Elementos de probabilidades y estadstica
Para la descripcin de las caractersticas de la forma y rango en la
dispersin de una determinada observacin se utiliza el concepto de
variable aleatoria. Cada variable aleatoria presenta propiedades
definidas y precisas que permiten su caracterizacin, si bien ellas no
pueden ser medidas directamente. En la prctica nosotros solo
podemos efectuar medidas individuales o realizaciones de la variable
aleatoria, y en base a esta informacin se infieren las propiedades
reales del conjunto de datos.
Las propiedades reales de una variable aleatoria d se especifican
completamente a partir de una distribucin de probabilidad P(d). Se
puede entender la probabilidad como el nmero de realizaciones
iguales de un determinado experimento N(d), normalizado por el
nmero total de realizaciones N().
TEORIA BASICA
Elementos de probabilidades y estadstica
La probabilidad que una realizacin del experimento se encuentre en
el rango d + d es P(d) d. Por otra parte la probabilidad que la
variable aleatoria se ubique en el rango entre menos y ms infinito es
claramente absoluta es decir igual al 100%
o simplemente 1:
P(d )d = 1
max(P(d))
E ( d ) = d = d P ( d ) d
= (d d ) P(d )d
TEORIA BASICA
Elementos de probabilidades y estadstica
En problemas geofsicos se mide en general una serie de
observaciones, y en consecuencia es necesario cuantificar la
probabilidad de un conjunto de variables aleatorias. La probabilidad
conjunta es la probabilidad de que el primer datos se encuentre en la
vecindad de d1, el segundo en la vecindad de d2, y as sucesivamente.
Si los datos son independientes, es decir si no existe un patrn de
ocurrencia comn a dos o mas observaciones, entonces la
probabilidad conjunta es simplemente el producto de las
distribuciones individuales:
TEORIA BASICA
Elementos de probabilidades y estadstica
En ciertos casos las observaciones estan
correlacionadas. En estos casos la
funcin de probabilidad conjunta tiende
a privilegiar ciertas combinaciones en
los datos. En el ejemplo de la figura, la
probabilidad conjunta aumenta ante la
presencia de valores altos de la variable
d2 y pequeos de la variable d1.
Al igual que en el caso uni-variado, la
funcin de probabilidad multivariada se
caracteriza por una serie de parmetros
que se definen como:
valores medios o esperados:
d i = d1 d 2 ... d i P(d )d n
matriz de covarianza
TEORIA BASICA
Elementos de probabilidades y estadstica
La diagonal de la matriz de covarianza representa el ancho de la
distribucin multivariada, Los trminos fuera de la diagonal indican el
grado de correlacin entre pares de elementos.
Si se conoce la estadstica de las observaciones y si existe una
relacin lineal entre las observaciones y los parmetros, entonces es
posible expresar los parmetros en funcin de las observaciones:
m = M d + v;
[cov m] = M [cov d ]M T
TEORIA BASICA
Elementos de probabilidades y estadstica
Algunas funciones de probabilidad se describen a continuacin:
Distribucin Gaussiana (o normal):
(d d )
P(d ) =
exp
1/ 2
(2 )
2 2
1
TEORIA BASICA
Elementos de probabilidades y estadstica
Distribucin de Cauchy:
/
p(d ) =
+d
2
El parmetro controla el
ancho de la distribucin.
Distribucin lognormal:
1
d
1
P(d ) =
exp 2 log
2d 2
d
2
La distribucin lognormal es
asimtrica con respecto al valor
medio.
TEORIA BASICA
Elementos de probabilidades y estadstica
-Distribuciones condicionales (Regla de Bayes):
El considerar distribuciones condicionales es importante en el anlisis
de problemas que consideren informacin a priori, en las cuales por
ejemplo se disponga de informacin que permita inferir en que forma
las observaciones van a condicionar los parmetros del medio o en
sentido contrario. Asumiendo que A1 y A2 corresponden a potenciales
realizaciones de un determinado experimento, cuyas respectivas
propabilidades son P{ A1} y P{ A2}, en ambos casos esta probabilidad
se define como:
TEORIA BASICA
Elementos de probabilidades y estadstica
-Distribuciones condicionales (Regla de Bayes):
Al mismo tiempo es posible definir la probabilidad conjunta de ambos
eventos como:
P{ A1, A2}. Adicionalmente se define la probabilidad condicional que
habiendo ocurrido A2 ocurra A1: P{ A1| A2}. Por otra parte la
condicin de que ocurra A1 dado A2 involucra la probabilidad conjunta
P{ A1, A2}, y en consecuencia la probabilidad condicional esta
definida como:
P{A1 A2 } =
P{A1 , A2 }
P{A2 }
o bien :
P{A2 , A1 }
P{A2 A1 } =
P{A1 }
o bien :
TEORIA BASICA
Elementos de probabilidades y estadstica
-Distribuciones condicionales (Regla de Bayes):
Ambas probabilidades conjuntas son idnticas de tal forma que se
puede establecer una relacin entre ambas probabilidades
condicionales (regla de Bayes):
P{A2 A1 }P{A1 } = P{A1 A2 }P{A2 }
o bien :
P{A2 A1 } =
P{A1 A2 }P{A2 }
P{A1 }
P{y x}P{x}
P{x y} =
P{y}
TEORIA BASICA
Elementos de probabilidades y estadstica
-Distribuciones condicionales (Regla de Bayes):
En esta expresin el trmino P{x|y} se reconoce como la
probabilidad del modelo a posteriori (dadas las observaciones). Esta
probabilidad condicional involucra probabilidades marginales en
observaciones P{y} y modelo P{x}, esta ltima es una probabilidad a
priori que es independiente del modelo. A su vez la probabilidad
condicional P{y|x} se obtiene una vez que la informacin del
experimento comienza a ser generada considerando la probabilidad
conjunta como variable auxiliar. De esta forma es posible obtener
informacin estadstica del modelo a posteriori.
TEORIA BASICA
Problemas de inversin en sistemas discretos y continuos
-Inversin
1
2
E = [1
d4
2
G4
3
m] [cov(d )] [1
d G 3
m] min imo
1
424
3 424
1
eT
Wd
TEORIA BASICA
Problemas de inversin en sistemas discretos y continuos
-Inversin
ei2
TEORIA BASICA
Problemas de inversin en sistemas discretos y continuos
-Inversin
TEORIA BASICA
Problemas de inversin en sistemas discretos y continuos
-Inversin
0
I =
...
...
...
0
...
1 1
... ...
...
...
...
...
0 m1
... ... m1
... ... m1
T
T
T
D2
3
Dm
= Dm L = I I = m 1
1 1 mM
...
TEORIA BASICA
Problemas de inversin en sistemas discretos y continuos
-Inversin
- rugosidad:
1
0
0
I =
...
...
...
...
...
0
...
1
...
2
...
1
...
...
...
...
...
...
0 m1
... m1
... m1
T
T
T
D2
3
Dm
= Dm L = I I = m 1
... ...
Wm
... mM 1
1 mM
TEORIA BASICA
Problemas de inversin en sistemas discretos y continuos
- Formulacin Bayesiana del problema inverso:
De acuerdo a la definicin de la probabilidad condicional:
P{x y} =
P{y x} P{x}
P{y}
podemos identificar:
Es decir:
P{m d } =
P{d m} P{m}
P{d }
x : m parmetros
y : d observaciones
En esta relacin P(m) es la probabilidad marginal del vector parmetro independiente de las observaciones, anlogamente P(d) es la probabilidad de las observaciones independiente de los parmetros del
problema. Podemos entender esta probabilidad como una condicin
asociada ala metodologa de observacin y en consecuencia puede
considerarse una cantidad constante en relacin a los parmetros.
TEORIA BASICA
Problemas de inversin en sistemas discretos y continuos
- Formulacin Bayesiana del problema inverso:
En consecuencia la probabilidad de ocurrencia de un determinado
vector parmetro dado el set de observaciones (probabilidad a
posteriori) es proporcional al producto de la probabilidad de las
observaciones condicionadas por los parmetros P(d|m) (funcin de
similitud) y la probabilidad marginal de los parmetros P(m)
(distribucin a priori):
d=g(m)+n
TEORIA BASICA
Problemas de inversin en sistemas discretos y continuos
- Formulacin Bayesiana del problema inverso:
La probabilidad del error corresponde a:
nt = gt(m) g(m)
d = g ( m ) + n = gt(m) - nt +n = gt(m) + no
TEORIA BASICA
Problemas de inversin en sistemas discretos y continuos
- Formulacin Bayesiana del problema inverso:
En la prctica es difcil efectuar una distincin entre ambos errores y
en consecuencia se estima que el error considerado es en la prctica
una mezcla de efectos instrumentales y una teora imperfecta. Si los
errores en los datos y parmetros presentan a priori una distribucin
gaussiana, entonces la probabilidad a posteriori en los parmetros,
dadas las observaciones, corresponde a:
T
1
1
exp{ 2 [m m priori ] [cov(m)] [m m priori ]}
T
TEORIA BASICA
Problemas de inversin en sistemas discretos y continuos
- Formulacin Bayesiana del problema inverso:
Si el operador del problema directo es una funcin lineal, entonces
esta minimizacin se reduce a la solucin de mnimos cuadrados
pesados:
] [
E = [d G m] Wd [d G m] + [m m priori ] Wm [m m priori ]
1
2
1
2
TEORIA BASICA
Problemas de inversin en sistemas discretos y continuos
- Mtodos iterativos de Inversin para problemas cuasi-lineales
La solucin del problema inverso: m = g-1(d) para operadores cuasilineales se resuelve mediante un desarrollo en serie de Taylor
generalizado:
d = do + Go (m mo) + 0( m2)
G2 ,1
m1
donde Go = ...
...
GmN1,1
G1,1
m1
...
G1, j
m j
G2 , 2
m2
...
...
...
...
Gi , j
m j
...
GN , j
m j
...
...
...
... GmNM,M m = mo
...
...
...
...
G1,M
mM
TEORIA BASICA
Problemas de inversin en sistemas discretos y continuos
- Mtodos iterativos de Inversin para problemas cuasi-lineales
Si m es cercano a mo esta funcin de perturbacin tiene un error
pequeo (0( m2) 0), entonces:
inversa
generalizada
}
m = mo + Go1 [d d o ] o m = mo + Go1 [d g (mo )]
en terminos iterativos :
mi+1 = mi + Gi1 [d g (mi )]
La inversa generalizada se resuelve utilizando las tcnicas descritas
en capitulo 1, por ejemplo la solucin de mnimos cuadrados
corresponde a:
est
TEORIA BASICA
Problemas de inversin en sistemas discretos y continuos
- Mtodos iterativos de Inversin para problemas cuasi-lineales
En mnimos cuadrados amortiguados:
mi+1 = mi + Gi Gi + d2
m
est
est
T
I Gi [d g (miest )]
TEORIA BASICA
Problemas de inversin en sistemas discretos y continuos
- Mtodos iterativos de Inversin para problemas cuasi-lineales
Es importante tener en consideracin
que esta solucin iterativa es
dependiente de la condicin inicial tal
cual se aprecia en el siguiente esquema:
En este caso el esquema iterativo
tiende a mnimos locales al iniciar
el proceso iterativo en puntos 2 y 3.
Solo al iniciar en 1 es posible acceder
al mnimo absoluto. Una forma de
acceder al valor mnimo es utilizar
una tcnica de optimizacin global
como por ejemplo el mtodo de
mimin mi mimax
Monte-Carlo en el cual se mapea
nuevo
min
max
min
[
]
tal
que
:
m
=
m
+
P
m
m
a la funcin error en un dominio
i
i
n
i
i
1
4
4
244
3
( nmero aleatorio:01 )
amplio:
TEORIA BASICA
Problemas de inversin en sistemas discretos y continuos
- Introduccin a teora inversa con modelos continuos
Por simplicidad se restringe este anlisis al problema de sistemas
lineales. Una teora de perturbacin anloga a la utilizada en el caso
de problemas cuasi-lineales es aplicada para el caso de mayor
complejidad asociado a funciones no-lineales. En consecuencia:
di
{
observaciones
= Gi ( x) m
( x) dx + ei
{
{
123 parmetros
errores
Kernel G ,
equivalente
a matriz G
~ ( x) = a ( x)d
m
i
i
N
i =1
TEORIA BASICA
Problemas de inversin en sistemas discretos y continuos
- Introduccin a teora inversa con modelos continuos
Insertando la relacin anterior en esta expresin:
~ ( x ) m( x )
m
armnicos esfricos):
m( x ) = m j j
j =1
TEORIA BASICA
Problemas de inversin en sistemas discretos y continuos
- Introduccin a teora inversa con modelos continuos
La ventaja de esta representacin es que ahora el factor a invertir es
un vector discreto mj que puede ser truncado para su manejo
numrico. Insertando esta base en la solucin del problema directo:
d i = Gi ( x) m j j ( x) dx + ei
N
i =1
d i = m j Gi ( x) j ( x)dx j + ei
i =1
o bien : d i = m j Ai , j + ei
N
i =1
APLICACIONES
Problemas lineales: (a) Estimacin de magnetizacin en modelo de
bloques (corteza ocenica):
En este caso particular el campo magntico puede expresarse como
una funcin del tipo:
Ti = M j i , j
N
j =1
T1 1,1 1, 2 ..
T
2 , 2 ..
2 2 ,1
: = ..
.. i ,i
..
..
: ..
TL L ,1 L , 2 ..
.. 1,N M 1
.. 2 ,N M 2
.. .. :
.. .. :
.. L ,N M N
APLICACIONES
Problemas lineales: (a) Estimacin de magnetizacin en modelo de
bloques (p. Ej. corteza ocenica):
Este sistema de ecuaciones se resuelve directamente si L=N,
invirtiendo la matriz :
M = 1T
Si hay mas observaciones que coeficientes de magnetizacin (L>N),
se efecta una minimizacin de cuadrados:
M = [ T ] T T
1
(
)
x
x
2(x j xi )h
h2
j
i
2
2
2
i , j = 2R M i [cos I sin I ]
2 + [2 cos I sin I ]
2
2
((x j xi ) + h )
((x j xi )2 + h 2 )2
APLICACIONES
Problemas lineales: (a) Estimacin de magnetizacin en modelo de
bloques (p. Ej. corteza ocenica):
En el modelo anterior se ha asumido que el perfil es perpendicular al
campo terrestre y que la declinacin es nula, al igual que potenciales
remanencias. En la figura siguiente se ha modelado esta anomala
para una seccin ubicada a 2 km de la superficie, considerando una
secuencia de magnetizacin +/- 5 Am-1 (25000[nT]*0.02[cgs])
clear all
close all
a=500;b=500;R=sqrt((a*b)/pi); xi=-50*R:2*R:50*R;
xj=min(xi):200:max(xi);
I=input('ingrese inclinacion');
h=input('ingrese profundidad [m]');
I=I*pi/180; fact1=cos(I)^2-sin(I)^2; fact2=2*cos(I)*sin(I);
% definicion de dominio observaciones-parametros
[XI,XJ]=meshgrid(xi,xj); R4=((XJ-XI).^2+h*h).^2;
N1=(XJ-XI).^2-h*h; N2=2*(XJ-XI)*h;
func=2*pi*R*R*((fact1*N1./R4)+(fact2*N2./R4));
% definicin de vector de magnetizacin por funcin aleatoria
M=sign(random('Normal',0,0.5,length(xi),1))*500;
T=func*M;
figure(1)
subplot(3,1,1),plot(xj/1000,T);
title('campo magnetico'); subplot(3,1,2),bar(xi/1000,M/500); title('polaridad');
axis([-15 15 -2 2])
% inversion de parametros
M_est=inv(func'*func)*func'*T;
subplot(3,1,3),plot(xi/1000,M,xi/1000,M_est,'.-');
title('magnetizacin'); print -djpeg -r200 fig4.jpg
APLICACIONES
Problemas lineales: (a) Estimacin de magnetizacin en modelo de
bloques (p. Ej. corteza ocenica):
Si introducimos un 1% de ruido aleatorio vemos que la solucin se
deteriora en forma dramtica:
% Incorporacion de ruido aletorio de un 1% en la
seal
TT=T+(max(T)min(T))*0.01*random('Normal',0,0.5,length(xj),1);
figure(2)
subplot(3,1,1),plot(xj/1000,T,xj/1000,TT);
title('campo magnetico');
subplot(3,1,2),bar(xi/1000,M/500);
title('polaridad');
axis([-15 15 -2 2])
% inversion de parametros
M_est=inv(func'*func)*func'*TT;
subplot(3,1,3),plot(xi/1000,M,xi/1000,M_est,'.-');
title('magnetizacin');
print -djpeg -r200 fig5.jpg
APLICACIONES
Problemas lineales: (a) Estimacin de magnetizacin en modelo de
bloques (p. Ej. corteza ocenica):
Una forma de disminuir la inestabilidad en la solucin consiste en
aplicar la descomposicin en valores propios (en rojo en el grfico):
a medida que se toman menos valores propios la inversin es mas
estable pero pierde resolucin
% descomposicion en valores
singulares
[U,S,V]=svd(func);
m_est_1=(V(:,1:30)*inv(S(1:30,1:30)
)*U(:,1:30)')*TT;
m_est_1=(V(:,1:20)*inv(S(1:20,1:20)
)*U(:,1:20)')*TT;
m_est_1=(V(:,1:10)*inv(S(1:10,1:10)
)*U(:,1:10)')*TT;
APLICACIONES
Problemas lineales: (b) determinacin del espesor en una cuenca
sedimentaria mediante observaciones gravimtricas
g i 2Ghi
grav.
gi
hi
APLICACIONES
Problemas lineales: (b) determinacin del espesor en una cuenca
sedimentaria mediante observaciones gravimtricas
El proceso de inversin en este caso es directo y no involucra a los
restantes puntos ya que para cada estacin gravimtrica se cumplira
que:
g
hi
2G
rho=0.4
% contraste gr/cc
g = 0.00667;
% constante de gravitacion
fact=2*pi*g*rho
load datos_cuenca.dat;
x=datos_cuenca(:,1);
y=datos_cuenca(:,2);
g=datos_cuenca(:,3);
h=g/fact;
APLICACIONES
Problemas lineales: (b) determinacin del espesor en una cuenca
sedimentaria mediante observaciones gravimtricas
Observamos en la figura anterior que la solucin en la zona que
cumple en peor forma el supuesto de una capa plana (el fondo de la
cuenca) tiende a subestimar el valor del espesor sedimentario. Una
forma de corregir este resultado es introducir un proceso iterativo de
ajuste que agregue mayor espesor en funcin del residuo entre la
gravedad observada y la calculada:
obs
g
i
hi0
2G
[
g iobs g ik 1 ] / 2
k
k 1
hi hi
,
k = 1, N
2G
hik : prof . estacin i en iteracin k
APLICACIONES
Problemas lineales: (b) determinacin del espesor en una cuenca
sedimentaria mediante observaciones gravimtricas
APLICACIONES
Problemas lineales: (b) determinacin del espesor en una cuenca
sedimentaria mediante observaciones gravimtricas
Vemos que la solucin converge en forma progresiva hasta alcanzar
un buen ajuste en las observaciones y la profundidad.
El algoritmo anterior tiene la virtud de compensar la aproximacin de
una capa plana al calcular su efecto mediante un programa de
modelacin directa de 2-d (talwani), el cual va incorporando los
efectos de cada profundidad en los puntos aledaos.
APLICACIONES
Problemas no-lineales: determinacin magnetizacin, profundidad
y ancho de dique magntico vertical
El efecto magntico de un dique vertical de espesor 2d y profundidad
h, orientado perpendicular al campo magntico esta dado por:
2
2
2
U xx [cos (i ) cos (d ) sin (i )] +
T = 2Fo
= 2Fo {U xx xx + U xz xz }
2 U xz [cos(i ) cos(d ) sin(i )]
x=0
donde:
h
h
U xx ( x) = arctan
arctan
xd
x + d
2d
(d + x) + h
1
U xz ( x) = log
2
(d + x) 2 + h 2
2
APLICACIONES
Problemas no-lineales: determinacin magnetizacin, profundidad
y ancho de dique magntico vertical
Asumiendo conocida la inclinacin i, declinacin d, e intensidad del
campo magntico Fo, entoces los 3 parmetros a determinar son: el
espesor d, la profundidad h, y la susceptibilidad magntica k. De estos
parmetros solo la susceptibilidad magntica es lineal c/r al campo, y
en consecuencia el proceso de inversin exige una linealizacin de los
parmetros utilizando un desarrollo de Taylor:
est
est
est
i
i+1 i
h est = h est + [G T G ]1 G T T T h est
i
i
i
i
obs
i+1 i
d est
d iest+1 d iest
i
x=0
h
2d
donde Gi = :
TN
T1
T1
h
:
TN
h
:
TN
d
o , ho , d o
T1
d
APLICACIONES
Problemas no-lineales: determinacin magnetizacin, profundidad
y ancho de dique magntico vertical
Para resolver este problema es necesario el determinar las derivadas
de la matriz Gi, este proceso puede llevarse a cabo en forma numrica
(teora de lmite) o en forma analtica si es posible. En este caso se ha
optado por utilizar la teora de lmite, de tal forma que las derivadas
con respecto a las incgnitas se expresan como:
Gi Ti Ti ( xi , + , h, d ) Ti ( xi , , h, d )
=
Gi Ti Ti ( xi , , h + h, d ) Ti ( xi , , h, d )
=
h
h
h
Gi Ti Ti ( xi , , h, d + d ) Ti ( xi , , h, d )
=
d
d
d
APLICACIONES
Problemas no-lineales: determinacin magnetizacin, profundidad
y ancho de dique magntico vertical
En el problema planteado estas derivadas corresponden a:
function[G]=mat_der(x,h,d,susc,f0
,inc,dec);
[T0]=campo_dique(x,h,d,susc,f0,i
nc,dec);
[T_h]=campo_dique(x,h*1.01,d,su
sc,f0,inc,dec);
[T_d]=campo_dique(x,h,d*1.01,su
sc,f0,inc,dec);
[T_susc]=campo_dique(x,h,d,susc
*1.01,f0,inc,dec);
G(:,1)=100*(T_susc'-T0')/susc;
G(:,2)=100*(T_h'-T0')/h;
G(:,3)=100*(T_d'-T0')/d;
APLICACIONES
Problemas no-lineales: (a) determinacin magnetizacin,
profundidad y ancho de dique magntico vertical
En consecuencia la inversin iterativa de los parmetros asociados al
dique corresponde a:
[T]=campo_dique(x,h,d,susc,f0,inc,dec);
h1=h*1.2; d1=d/1.2; susc1=susc/1.2;
for l=1:5,
[T1]=campo_dique(x,h1,d1,susc1,f0,inc,dec);
[G1]=mat_der1(x,h1,d1,susc1,f0,inc,dec);
par=[susc1,h1,d1]'+inv(G1'*G1)*G1'*(T-T1)';
susc1=par(1); h1=par(2); d1=par(3);
end
APLICACIONES
Problemas no-lineales: linealizacin de problemas sobre
determinados: minimizacin de momento de inercia en gravedad
Un tipo de solucin de problemas inversos en secciones 2-D es
resolver una distribucin de densidades en una malla regular en la
cual la geometra queda establecida y solo se desconoce la propiedad
fsica de cada celda:
para una discretizacin por
cilindros, la gravedad observada
en superficie corresponde a:
g = A p
z i , j
dx dz
2
; Req =
;
Ai , j = 2GReq 2
2
xi , j + zi , j
2
j = 1, nx * nz; i = 1, N : observaciones
pk = densidad ; k = 1, nx * nz
APLICACIONES
Problemas no-lineales: linealizacin de problemas sobre
determinados: minimizacin de momento de inercia en gravedad
Esta solucin tiene la ventaja de una geometra fija en donde solo es
necesario resolver la propiedad fsica como una funcin lineal de una
geometra fija.
Sin embargo, para un problema as planteado la solucin esta
indeterminada porque el nmero de observaciones en superficie (np)
va a ser en general inferior al nmero de incgnitas (las nx*nz
densidades en la discretizacin del problema).
El problema tiene solucin si incorporamos informacin a priori sobre
alguna caracterstica de la distribucin de densidades, como por
ejemplo que la solucin sea compacta (que minimice el momento de
inercia, es decir que la solucin entregue cuerpos bien definidos y no
dominios de densidad con varios cuerpos pequeos distribuidos en
forma homognea en el espacio).
APLICACIONES
Problemas no-lineales: linealizacin de problemas sobre
determinados: minimizacin de momento de inercia en gravedad
Formalmente esta informacin a priori se establece mediante la
tcnica de multiplicadores de lagrange indeterminados en donde se
minimiza el funcional:
S ( p, g ) = Ap g + ( ) H ( p )
: norma euclidiana
min( H ( p )) ( p p o ) T W p ( p p o )
sujeto a : Ap g ( g A p ) T We ( g A p )
APLICACIONES
Problemas no-lineales: linealizacin de problemas sobre
determinados: minimizacin de momento de inercia en gravedad
En estas ecuaciones Wp y We son matrices diagonales definidas y
positivas asociadas a los paremtros y datos respectivamente, p0 es
una solucin inicial al problema. Estas ecuaciones indican que se esta
resolviendo una minimizacin de la condicin a priori pero sujeta a
que los parmetros explique dentro de un nivel de incertidumbre las
observaciones g. Minimizando el funcional S(p,g) c/r a los
parmetros:
S ( p, g )
=0
p
p = p + W p A {A W p A + ( ) We
*
} (g A p )
1 1
APLICACIONES
Problemas no-lineales: linealizacin de problemas sobre
determinados: minimizacin de momento de inercia en gravedad
La informacin a priori que condiciona la matriz diagonal Wp se
determina imponiendo una condicin de mnimo momento c/r a un
eje de referencia. El momento de inercia de todas las celdas se
expresa como:
M
I = p j j ( 2j + d j2 );
j =1
= rea de la celda j;
j
( + d
H ( p ) = w p ; donde : w =
p +
j
p, j
j =1
p, j
APLICACIONES
Problemas no-lineales: linealizacin de problemas sobre
determinados: minimizacin de momento de inercia en gravedad
Como la densidad debe ser siempre positiva, la minimizacin de este
funcional para un tendiendo a cero es equivalente a minimizar el
momento de inercia, de tal forma que los coeficientes de la matriz Wp
corresponden a:
2
2
( + d
w =
p +
j
p, j
*( n +1 )
=p
0(n)
+ [W p
( n ) 1
A {A[W p
( n ) 1
A + ( )[We
T
] } (g Ap )
1
( n ) 1
0(n)
[W ]
( n ) 1
ii
= 02 {A[W p( n ) ] AT }ii
1
APLICACIONES
Problemas no-lineales: linealizacin de problemas sobre
determinados: minimizacin de momento de inercia en gravedad
Donde es la estimacin de la desviacin standard del ruido en las
observaciones. La iteracin es inicializada con:
2
( ) = 0.01; = 0.1; = 10
o
APLICACIONES
Problemas no-lineales:
linealizacin de problemas sobre
determinados: minimizacin
de momento de inercia en
gravedad
Ejemplo de inversin: 1a
iteracin, (a): grav observada
(lnea continua) y calculada
(asteriscos); (b): error en el
ajuste; (c): modelo terico; (d)
modelo invertido
APLICACIONES
Problemas no-lineales:
linealizacin de problemas sobre
determinados: minimizacin
de momento de inercia en
gravedad
Ejemplo de inversin: 6a
iteracin. Vemos que se produce
un mejor ajuste del modelo
terico, en el cual la solucin
tiende a concentrar las masas
segn los ejes de inercia
correspondientes a las
distribuciones reales de las
masas. Es interesante destacar
que la calidad del ajuste original
no se ve sustancialmente
mejorado: ambas soluciones
son equivalentes desde el punto
de vista del ajuste de los datos.
APLICACIONES
APLICACIONES
donde:
=I+I +
m
( i + d )
APLICACIONES
[
T
sen h + cos ( x x )]
= 2 MC C sen
T =
R
z
[
T
sen ( x x ) + h cos ]
T =
= 2MC C sen
x
R
0
Im
Im
Tz = Av
[ sen h + cos (x x )]
0
R2
[
sen ( x x0 ) + h cos ]
Tx = Av
R2
APLICACIONES
T
T
= H
z
x
Que en el dominio de las frecuencias corresponde a:
T
T
TF (k ) = i sgn (k ) TF (k )
z
x
APLICACIONES
hn cos n + ( x x0 n )sen n
Tx ( x ) = An
2
2
hn + ( x x0 n )
1
tot
hn sin n + ( x x0 n ) cos n
Tz ( x ) = An
2
2
hn + ( x x0 n )
1
N
tot
A + B ( x x0 )
2
TT ( x ) = 2
+
C
+
Dx
+
Ex
+L
2
h + ( x x0 )
APLICACIONES
x + x + x + x + + xT + T = Tx
4
APLICACIONES
= 2 x
= ( h + x )
6
xo =
; h = 7
2
6
APLICACIONES
APLICACIONES
APLICACIONES
Inversin de funciones
aproximadas:
Deconvolucin de
Werner
Algoritmo
APLICACIONES
APLICACIONES
V
V
V
+y
+z
= nV
x
y
z
APLICACIONES
V
V
V
z
z
z
x
= (n + 1) V
+z
+y
z
z
y
x
si V=1/r, satisface la ecuacin de Euler, en consecuencia el potencial
gravitatorio V = Gm tambin es solucin de esta ecuacin con n=1. A
r
APLICACIONES
(xi xo ) Ti + ( yi yo ) Ti + (zi zo ) Ti
x
= n(Ti B )
Cuerpo
gravedad
sill/dique
cinta
cilindro
esfera
magnetismo
contacto
escaln
dique
cilindro
esfera
APLICACIONES
T1
x
T2
x
:
Ti
x
Tn
x
T1
y
..
Ti
y
Tn
y
T1
T1
T1
T1
+
+
+
T
x
y
z
1
1
1
1
z
x
y
z
T
T
T
2
2
2
T2 + x2
.. xo
+ y2
+ z2
y
x
y
z
o
= n
Ti
Ti
Ti
Ti zo
+ yi
+ zi
Ti + xi
x
y
z
z
Tn
Tn
Tn
Tn
+
+
+
T
x
y
z
n
n
n
n
y
x
z
APLICACIONES