Regularización del modelo para problemas inversos en exploración sísmica

Autores/as

  • Juan Ignacio Sabbione Universidad Nacional de La Plata, Consejo Nacional de Investigaciones Científicas y Técnicas (CONICET), Argentina

Palabras clave:

métodos sísmicos, problema inverso, regularización, algoritmos voraces, transformada de Radon

Resumen

La sı́smica de exploración permite caracterizar el subsuelo utilizando mediciones usual mente adquiridas en superficie. Las propiedades fı́sicas del medio se pueden inferir a partir de los efectos sobre los datos observados. Tal estrategia en ciencia se conoce como resolución del problema inverso. El problema inverso se puede plantear como un problema de optimización en el que se determinan los parámetros que minimizan cierta función de costo. Muchos de los problemas inversos que se presentan en sı́smica de exploración o bien son lineales, o bien pueden ser estudiados mediante una aproximación lineal. Para que un problema inverso esté bien definido, deben cumplirse tres condiciones: que la solución exista, que sea única, y que cambie en forma continua con los parámetros del modelo (i.e., que sea estable). Desafortunadamente, estas condiciones no se cumplen simultáneamente en ningún caso. En general, las soluciones buscadas no son únicas y/o son inestables. Esto conlleva a que el modelo a invertir deba ser regularizado. La regularización puede ser explı́cita o implı́cita. La primera se logra introduciendo un término de penalización sobre la función de costo. La segunda se puede alcanzar por detención temprana de los algoritmos iterativos, descartando outliers, o bien utilizando algoritmos voraces (greedy) más modernos. Aquı́ se presentan ejemplos de estas últimas técnicas a partir de la transformada de Radon.en forma continua con los parámetros del modelo (i.e., que sea estable). Desafortunadamente, estas condiciones no se cumplen simultáneamente en ningún caso. En general, las soluciones buscadas no son únicas y/o son inestables. Esto conlleva a que el modelo a invertir deba ser regularizado. La regularización puede ser explícita o implícita. La primera se logra introduciendo un término de penalización sobre la función de costo. La segunda se puede alcanzar por detención temprana de los algoritmos iterativos, descartando outliers, o bien utilizando algoritmos voraces (greedy) más modernos. Aquí se presentan ejemplos de estas últimas técnicas a partir de la transformada de Radon.

Descargas

Citas

Dai, W. & Milenkovic, O. (2009). Subspace pursuit for compressive sensing signal reconstruction. IEEE Trans. Inf. Theor., 55(5), 2230–2249. https://doi.org/10.1109/TIT.2009.2016006

Donoho, D. L., Tsaig, Y., Drori, I., & Starck, J. L. (2012). Sparse solution of underdetermined systems of linear equations by stagewise orthogonal matching pursuit. IEEE Trans. Inf. Theor., 58(2), 1094–1121. https://doi.org/10.1109/TIT. 2011.2173241

Needell, D. & Vershynin, R. (2010). Signal recovery from incomplete and inaccurate measurements via regularized orthogonal matching pursuit. IEEE Journal of selected topics in signal processing, 4(2), 310–316. https://doi.org/10.1190/1.1443845

Pati, Y., Rezaiifar, R., & Krishnaprasad, P. (1993). Orthogonal matching pursuit: Recursive function approximation with applications to wavelet decomposition. Proceedings of the 27th Annual Asilomar Conference on Signals, Systems, and Computers, 40–44 vol. 1. https://doi.org/10.1109/ACSSC.1993.342465

Sabbione, J. I. & Sacchi, M. D. (2016). Fast time domain hyperbolic Radon transforms. GeoConvention 2016, 1–5.

Sabbione, J. I. & Sacchi, M. D. (2016). Restricted model domain time Radon transforms. Geophysics, 81(6), A17–A21. https://doi.org/10.1190/geo2016-0270.1

Sabbione, J. I. & Sacchi, M. D. (2017). Attenuating multiples with the restricted domain hyperbolic Radon transform. 15th International Congress of the Brazilian Geophysical Society, 603–608. https://doi.org/10.1190/sbgf2017-118

Sabbione, J. I., Sacchi, M. D., & Velis, D. R. (2015). Radon transform–based microseismic event detection and signal–to–noise ratio enhancement. Journal of Applied Geophysics, 113, 51–63. https://doi.org/10.1016/j.jappgeo.2014.12.008

Sabbione, J. I., Velis, D. R., & Sacchi, M. D. (2013). Microseismic data denoising via an apex–shifted hyperbolic Radon transform. SEG Technical Program Expanded Abstracts 2013, 2155–2161. https://doi.org/10.1190/segam2013-1414.1

Sacchi, M. D. & Ulrych, T. J. (1995). High-resolution velocity gathers and offset space reconstruction. Geophysics, 60(4), 1169–1177. https://doi.org/10.1190/1.1443845

Treitel, S. & Lines, L. R. (1982). Linear inverse theory and deconvolution. Geophysics, 47(8), 1153–1159. https://doi.org/10.1190/1.1441378

Wang, J., Ng, M., & Perz, M. (2010). Seismic data interpolation by greedy local Radon transform. Geophysics, 75(6), WB225–WB234. https://doi.org/10.1190/1.3484195

Descargas

Publicado

2025-02-06

Cómo citar

Sabbione, J. I. (2025). Regularización del modelo para problemas inversos en exploración sísmica. Geoacta, 46(1), 35–40. Recuperado a partir de https://revistas.unlp.edu.ar/geoacta/article/view/17334