UNIVERSIDAD NACIONAL SAN AGUSTN
FACULTAD DE GEOLOGA GEOFSICA Y MINAS
MTODOS DE MODELIZACIN GEOFSICA
TEMA:
PROBLEMA INVERSO DIRECTO
ALUMNOS: ALVAREZ PILLCO MIGUEL
MAMANI HUAMAN MARLENY
ALARCON CERVANTES VICTOR
2014
UN PROBLEMA INVERSO
Es aquel en donde los valores de algunos
parmetros del modelo deben ser obtenidos de
los datos observados.
muchas
ramas
la ciencia
de
ElAparece
problemaen
inverso
aparece
en de
muchas
ramasyde
lalas
ciencia
y de las matemticas.
matemticas.
El problema inverso puede ser formulado como
sigue:
Datos Parmetros del modelo
la Tierra
La transformacin de
los datos en los
parmetros del modelo
es el resultado de la
interaccin de
un sistema fsico
la gravedad,
etc
la atmsfera
El problema inverso de la geofsica
Los mtodos geofsicos se basan en el estudio de los diferentes campos fsicos
que se generan o propagan en el interior de la Tierra.
Los ms importantes son el gravitatorio,el magntico, el electromagntico y el
ssmico.
GEOFSICA
TOMOGRAFA
ACSTICA ,ETC
Los
problemas
inversos
surgen en
disciplinas
sensores
remotos
IMAGEN
MDICA
Formulacin general de los problemas directo e inverso
Podemos esquematizar, de forma general, los problemas directo e inverso de
la geofsica de la siguiente manera:
Problema directo: modelo{parmetros modelo m}
datos (d).
Problema inverso: datos (d )
modelo {parmetros modelo m}.
PROBLEMAS INVERSOS LINEALES
Un problema inverso lineal puede ser descrito por:
D = G(m)
donde G es un operador lineal que describe la relacin explcita entre los
datos D, y los parmetros del modelo M y es una representacin del sistema
fsico. En el caso de un problema inverso lineal discreto que describa a un sistema
lineal, D Y M son vectores, y el problema puede ser escrito como:
D = G(m)
donde G es una matriz.
PROBLEMAS INVERSOS NO LINEALES
Una familia de problemas inversos inherentemente ms difciles son los
referidos conjuntamente como problemas inversos no lineales.
Los problemas inversos no lineales tienen una relacin ms compleja entre
los datos y el modelo, representados por la ecuacin:
D= G(m).
Aqu G es un operador no lineal y no puede ser separado para representar
una correspondencia lineal de los parametros del modelo que forman m
en los datos.
En este tipo de problemas, lo primero que se debe hacer es comprender la
estructura del problema y dar una respuesta terica a las cuestiones de
Hadamard (de tal manera que el problema est solucionado desde el
punto de vista terico). Una vez hecho esto se sigue con el estudio de la
regularizacin y de las interpretaciones de la evolucin de las soluciones
con nuevas medidas (probabilsticas o de otro tipo). De ah que las
secciones siguientes correspondientes realmente no se refieren a estos
problemas.
DIFERENCIAS ENTRE P.I.L Y P.I.N.L
Mientras que los problemas inversos lineales estaban completamente
resueltos desde el punto de vista terico a finales del siglo XIX, slo una
clase de problemas no lineales lo estaba antes de 1970: el problema
espectral inverso y el de la dispersin inversa (en un espacio de una
dimensin), tras el trabajo fundamental de la escuela matemtica rusa
(Krein, Gelfand, Levitan, Marchenko).
Los problemas inversos no lineales se estudian tambin en muchos campos
de las ciencias aplicadas (acstica, mecnica, mecnica cuntica,
dispersin electromagntica, en ondas radar, ssmicas, en toda clase de
procesado de imgenes, etc).
Los P.I.N.L. son mas difciles de tratar y hasta muchos otros son ambiguos (se
pueden entender de varios modos), las computadoras nos ayudan en este
campo pero con el criterio cientfico de un profesional.
Cuando un problema es inverso
ejemplo elemental
El problema directo es
hacer el producto de
dos nmeros.
Ejemplo histrico
El problema inverso es
la factorizacin de
un numero
Newton resuelve el
problema inverso:
las leyes de Kepler
permitan calcular
la orbita de los
planetas: solucin de
un problema directo
a partir de las leyes de
Kepler interpretadas
como resultado de un
proceso.
Es decir la Ley de la
Gravitacin Universal.
Localizar masas de
mayor o menor
densidad que el
medio que las rodea
Mide las
variaciones en el
campo
gravimtrico de la
Tierra
Se utiliza en
exploracin
petrolera y, como
mtodo secundario,
en exploracin
minera.
METODO
GRAVIMETRICO
mtodos discretos
Adoptan un nmero
Finito de parmetros
modelo.
CLASICACIN DE LOS
MTODOS DE INVERSIN
mtodos funcionales
Implican algn tipo de
funcin, de forma que
los datos y/o las
incgnitas se expresan
mediante una relacin
espacial o temporal.
MTODO DIRECTO
Mediante el algoritmo de Talwani se puede calcular el campo gravitacional de un
cuerpo irregular a lo largo de un perfil que corta la estructura perpendicularmente. La
seccin transversal se aproxima a un polgono con un nmero finito de vrtices y una
densidad de masa (Talwani, 1959).
ALGORITMO DE LEVENBERG-MARQUARDT (ALM)
En este algoritmo se
determina el error de
retropropagacin con
base en el error
cuadrtico.
El ALM se puede aplicar utilizando
diferentes desarrollos
Ajuste por mnimos cuadrados con
informacin a priori para el problema
inverso no lineal.
Expansin de orden uno de la serie
de Taylor para el problema inverso
no lineal, donde el gradiente se
aplica a la funcin terica (Mirko,2000)
FACTOR DE ENTRENAMIENTO
El mtodo de regularizacin bayesiana, es una generalizacin del
Algoritmo de Levenberg Marquardt (Tarantola, 1987) usa la matriz
de covarianza para los datos y la matriz de covarianza para los
parmetros del modelo; se caracteriza por producir una buena pero
lenta convergencia
CURVA DE APRENDIZAJE
La curva de aprendizaje se obtiene
al graficar el nmero de iteraciones
contra la funcin estado. Utilizando
el factor de entrenamiento
Cm, se garantiza una rpida
convergencia a una solucin
ptima y no presenta mnimos ni
mximos locales.
VENTAJAS DE ALM
Este algoritmo se ajusta con informacin a priori, que regulariza
el clculo de los pesos a travs de la penalizacin de pendientes,
rugosidad o derivadas de alto orden en el modelo (trminos omitidos).
Es til para la obtencin de una solucin suavizada (Scales,2001).
Ajusta los valores absolutos de las perturbaciones de los parmetros durante
sucesivas aproximaciones de Taylor (Meju,1994)
Combina la velocidad del algoritmo de Newton con la estabilidad del mtodo de
gradiente descendente (Meju, 1994).
ESTADO DE LA INFORMACIN Y DENSIDAD DE PROBABILIDAD
La aproximacin bayesiana combina los estados de la informacin
terica con la informacin obtenida de medidas (datos) a travs de
funciones de probabilidad gaussiana. Diferentes configuraciones
de los parmetros generan diferentes funciones de probabilidad
gaussiana que, agrupadas, definen la densidad de probabilidad
asociada a la solucin del problema de inversin.
En la distribucin de densidad de probabilidad se puede definir
una frontera razonable lmite del conjunto de soluciones que mejor
ajusta los datos, permitiendo el reconocimiento de patrones
APLICACIN
El ALM fue desarrollado en plataforma Visual Basic y C++, en el
cual se puede ver el proceso de entrenamiento, as como la respectiva
convergencia a travs de cada una de las iteraciones.
PROBLEMA INVERSO: GEOFISICA
Menke (1989) dice que el problema inverso es simplemente el conjunto de
MTODOS usados para extraer informacin til de nuestro entorno a partir
de medidas fsicas o datos. La informacin til vendr especificada como
valores numricos de alguna propiedad de este entorno. Estas
propiedades tambin se referirn como mtodo especfico (normalmente
una teora matemtica o modelo) que relaciona los parmetros con los
datos. El problema inverso contrasta con el problema directo, donde se
predicen los datos a partir de los parmetros y de un modelo.
Normalmente el problema inverso es ms difcil de resolver que su
correspondiente problema directo.
PROBLEMA INVERSO: GEOFISICA
La teora del problema inverso en su sentido ms amplio ha sido
desarrollada por los investigadores que trabajan con mtodos geofsicos.
La razn es que dichos investigadores tratan de entender el interior de la
Tierra slo a partir de datos obtenidos desde la superficie. Sin embargo, el
problema inverso aparece en muchas otras ramas de las ciencias fsicas,
como pueden ser la tomografa mdica, el procesado de imagen o el
ajuste de curvas. En nuestro caso los sern las resistividades o
conductividades del suelo, los datos sern las tensiones medidas en la
superficie y el modelo queda an por determinar.
PROBLEMA INVERSO: PROSPECCION
ELECTRICA (EJM)
La interpretacin de los sondeos elctricos a fin de determinar las
resistividades y espesores de las capas en un medio estratificado ha sido
un tema de investigacin desde principios de siglo. Hasta la disponibilidad
de ordenadores, el intrprete se basaba en los procedimientos de ajuste
de curvas. Desde que el problema directo para medios estratificados fue
resuelto por medio de la teora lineal de filtros (Gosh, 1971a, 1971b), han
aparecido muchos trabajos que tratan sobre la interpretacin automtica
y numrica (Inman, 1975; Koefoed, 1979; Pous, Marcuello y Queralt, 1987;
Zohdy, 1989).
PROBLEMA INVERSO: GEOFISICA
APLICADA
1.- Determinacin de la Propiedad Fisica
2.- Obtencin de Datos (de la propiedad fisica en un medio).
3.- Determinacion del parmetro.
4.- Interpretacion del parmetro (Cualitativa y Cuantitativa).
CONCLUSION
El Algoritmo de Levenberg Marquard permite determinar en forma eficiente los
parmetros considerados en el problema de inversin.
Esta metodologa no solamente se puede enfocar a problemas de estimacin
y optimizacin, sino que tambin podra aplicarse en el anlisis de las
deformaciones corticales a partir de las variaciones del campo gravitacional
El mtodo inverso como aplicacin en una rama de la ciencia puede ser a
su vez parte de un mtodo directo y viceversa.
BIBLIOGRAFIA
ANLISIS Y RESOLUCIN NUMRICA DE UN PROBLEMA INVERSO EN GEOFSICA
MEDIOAMBIENTAL. APLICACIN AL CASO DE LOS SONDEOS ELCTRICOS
VERTICALES
http://petrus.upc.es/wwwdib/tesis/mgasulla/Cap5.pdf
http://www.inin.gob.mx/documentos/publicaciones/contridelinin/Cap%C3%ADtul
o%2033.pdf
