UNIVERSIDAD NACIONAL SAN AGUSTÍN DE AREQUIPA

FACULTAD DE INGENIERÍA GEOLÓGICA GEOFÍSICA Y MINAS

TEMA
APLICACIONES DE LA TEORÍA DE LA INVERSIÓN PARA LA
LOCALIZACIÓN DE EPICENTROS
ASIGNATURA
TEORIA DE LA INVERSION GEOFISICA
DOCENTE
MSC ING. CRISTOBAL CONDORI QUISPE
ALUMNO

ALLASI APAZA, GONZALO ARMANDO

AREQUIPA-PERÚ
06-05-2021

pág. 1
 RESUMEN

La inversión en Geofísica tiene como objetivo ofrecer información de propiedades físicas, todo

esto a partir de los datos tomados y medidos en campo.

En el presente trabajo también se presentan los fundamentos matemáticos aplicados en la teoría

de la inversión en la localización del Epicentro en un problema de sismología, para lo cual se tiene

que aplicar diversas leyes físicas y matemáticas en esta inversión.

El modelo final será una representación matemática idealizada de una parte de la tierra. Este

modelo tendrá una parte sintética, como consecuencia de las relaciones matemáticas.

Para la parte final se realizando varios procesos matemáticos relacionado a derivadas e integrales

para así poder llegar a la parte de matrices y diferentes series, luego esto se puede reflejar en la

aplicación en un programa y poder tener resultados.

pág. 2
INDICE
RESUMEN......................................................................................................................................2

INTRODUCCION.............................................................................................................................5

METODOLOGIA.............................................................................................................................6

Localización con una sola estación............................................................................................6

Localización con varias estaciones.............................................................................................8

El problema inverso.................................................................................................................10

Desarrollo de cálculos matemáticos........................................................................................13

ANÁLISIS DE RESULTADOS...........................................................................................................15

DISCUSIONES...............................................................................................................................16

CONCLUSIONES...........................................................................................................................17

pág. 3
INDICE DE FIGURAS

Figura 1..............................................................................................................................................6

Figura 2..............................................................................................................................................8

Figura 3..............................................................................................................................................9

Figura 4..............................................................................................................................................9

pág. 4
INTRODUCCION

Podemos localizar un terremoto usando un simple dato: un terremoto crea diferentes ondas

sísmicas (ondas P, ondas S, etc.) Cada uno de estos diferentes tipos de ondas, viajan a diferentes

velocidades, por lo tanto llegan a la misma estación en diferentes tiempos. Las ondas P son las más

veloces y llegan primero. Las ondas S viajan a la mitad de la velocidad que las ondas P, por eso

llegan después. La estación sísmica que se encuentra cerca del terremoto registra ondas P y ondas

S en rápida sucesión. A medida que la distancia desde la estación sísmica y el terremoto va

creciendo, la diferencia en tiempo de llegada entre las ondas P y las ondas S también aumentan.

Conocida la ubicación de la fuente sísmica, uno puede calcular el tiempo de viaje de cualquier fase

en particular hacia cualquier estación sísmica en un arbitrario y complejo modelo de velocidades.

Este tipo de problema es conocido como DIRECTO. Los tiempos de arribo son calculados sobre la

base de un modelo parametrizado.

Lo opuesto a este método, es decir, localizar el hipocentro, es considerado como el problema

INVERSO, donde solo conocemos los tiempos de arribo de las distintas fases para resolver la

ubicación del sismo y su tiempo origen.

pág. 5
METODOLOGIA

1. Localización con una sola estación

Se puede localizar aproximadamente la localización de un sismo. Este método requiere de una

estación que registre el movimiento del suelo en sus tres componentes.

Puesto que las ondas P son polarizadas vertical y radialmente, el vector P puede ser utilizado para

inferir el azimut hacia el epicentro. La figura 1 muestra la naturaleza de esta polarización.

Si el movimiento vertical de la P es hacia arriba, la componente radial apunta en dirección opuesta

al epicentro. Si es hacia abajo, apunta hacia el epicentro. Excepto cuando el epicentro está en el

azimut opuesto, tal que el movimiento horizontal de la onda P esté naturalmente rotado sobre

una componente, los dos sensores horizontales registrarán la componente radial de la onda P. La

relación de amplitudes entre las dos componentes horizontales puede ser usada entonces para

encontrar la proyección de la onda P a lo largo del azimut hacia la fuente sísmica.

Figura 1: Procedimiento para determinar el azimut a la fuente sísmica usando los tres vectores componentes del
movimiento del suelo, partiendo del hecho que la onda P está polarizada en el plano vertical y radial.

Si el terremoto es local La distancia a dicha fuente puede ser determinada a partir de la diferencia

de tiempo de arribo entre las fases P y S

D = VP (TS – TP) / (3 – 1) ó D = 1,37 x T x VP

pág. 6
Conociendo la distancia se puede estimar el tiempo de viaje de la onda y por lo tanto el tiempo de

origen del sismo. Comparando las diferencias de tiempo entre varios juegos de fases con los

tiempos de una curva de Tiempo-Distancia, se puede mejorar la estimación de la distancia.

Si hay fases profundas claras, hasta se puede estimar la profundidad del Foco desde una sola

estación. Este procedimiento no es preciso para distancias mayores a los 20º.

pág. 7
 2. Localización con varias estaciones

La localización puede ser bastante precisa cuando se dispone de los tiempos de arribo de P y S de

varias estaciones. Si el evento es local, el tiempo origen puede determinarse con el Diagrama de

Wadati (Figura2).

Figura 2: Diagrama de Wadati

La pendiente de la recta es m = (VP/VS – 1) que puede ser relacionada con el coeficiente de

Poisson.

Una vez estimado el tiempo origen TO, la distancia Di a una estación i puede calcularse restando

este tiempo del tiempo de arribo de la onda P y multiplicándolo por la velocidad VP.

D = (TP – TO) VP

El epicentro debe estar en una semiesfera de radio Di con centro en la estación i, lo que visto en un

mapa corresponde a un círculo con ese radio (Figura3). Construyendo estos círculos en cada

estación, los mismos deberían interceptarse en un solo punto que serían las coordenadas del

epicentro. La profundidad focal d puede determinarse por la raíz cuadrada de la diferencia entre

los cuadrados de las distancias de propagación D y al epicentro .

pág. 8
 Figura 3: Triangulación del epicentro por el Método de los Círculos.

Entonces podemos extender el método a una tierra esférica, pero consideraremos una ligera

variación que nos ayudará conceptualmente para el problema inverso.

Figura 4: Ajuste de los epicentros estimados graficando la diferencia entre los tiempos estimados y observados y las
correspondientes distancias epicentrales. La forma senoidal es debida a los errores sistemáticos.

En la Figura 4 se muestran 10 estaciones sísmicas distribuidas alrededor de un presunto epicentro

E. El epicentro verdadero E0 está al noroeste de aquel.

Pasos para la corrección al presunto epicentro:

a) Determine el tiempo inferido ti y la distancia Di para cada estación desde el presunto

epicentro.

b) Determine la distancia Di a cada estación tomando la diferencia entre el tiempo P

observado y el presunto tiempo origen ti,

c) Lleve a una gráfica la diferencia (Di - Di) contra el acimut calculado desde el presunto

epicentro a cada estación.

pág. 9
 d) Cambie el tiempo origen en una cantidad igual al valor medio de las diferencias

(ti - ti) y cambie la ubicación del epicentro presunto por la amplitud de la variación de la

curva senoidal, con la dirección de cambio a lo largo del acimut del máximo de la curva.

e) Una vez que se encuentra un nuevo epicentro, este puede ser utilizado para comenzar

nuevamente la aproximación repitiendo los cinco pasos.

Por lo general con una sola iteración ya se encuentra el verdadero epicentro dentro de los 100 km.

Es decir que con los datos xi,yi,Tpi y x0,y0 estimados podemos calcular

Di=[(xi-x0)2+(yi-y0)2]1/2 (distancia presunta) y ti=Di/vp (tiempo de viaje inferido).

Con estos valores podemos calcular el tiempo origen presumible ti = Di/vp – ti.

Este procedimiento descripto es una serie de ejercicios de modelaje.

ti presunto = f(xi, v) = ti observado

Donde xi es la ubicación del epicentro, v es la velocidad de la estructura y f una nueva función que

calcula el tiempo de arribo ti presunto, dados xi y v.

La variable xi da los parámetros del modelo, es decir m = m(x,y,z,t).

F(m) = d

F es una matriz llamada de Kernel.

3. El problema inverso
Si pudiéramos reacomodar los términos en la ecuación (5) de un modo tal que dividiendo d por

algún operador F-1 obtuviéramos directamente m, estaríamos resolviendo un problema inverso.

ti = t + (xi - x)2+(yi - y)2+(zi - z)2 1/2/v

Es obvio que ti es un elemento del vector de datos d, y x,y,z y t los elementos del vector m que

queremos determinar.

F(x,y,z,t) = d

Cómo podemos encontrar m?, Aproximamos los cambios en m0 con el desarrollo en Serie de

Taylor.

pág. 10
 mj1 = mj0 + mj 0

Donde mj es un incremento de los j-ésimos parámetros del modelo hacia un mejor ajuste de los
0

datos.

Recordemos que si y = F(x) entonces F’(x) = F(x+dx) - F(x0) o F’(x) = F(x) - F(x0).

En nuestro caso F’(x,y,z,t) = F(x,y,z,t) - F(x0,y0,z0,t0) o F’(x,y,z,t) = d - F(x0,y0,z0,t0), es decir:

(F/x0)x0 + (F/y0)y0 + (F/z0)z0 + (F/t0)t0 = di - Fi0(x0, y0, z0, t0)

Realizando una sustitución en a formula anterior se obtiene:

F(x,y,z,t) = d ⇒F = d = (d/m)m ⇒F/m = d/m

di =(di / m)j mj

Y definiendo di / mj como una matriz G de derivadas parciales

di

Gi,j =

mj

d = G.m

Esta es la notación estándar, así que eliminamos la  y escribimos d = G.m.

(Fi/mj)(m/x)x0 + (Fi/mj)(m/y)y0 + (Fi/mj)(m/z)z0 + (Fi/mj)(m/t)t0 =

Si hay cuatro tiempos de arribo observados, tendremos cuatro ecuaciones y podremos resolver

el sistema por eliminación gaussiana, dando, ya sea, ninguna solución o un resultado exacto para

m o. Cualquier error en los datos llevará a una solución incorrecta o a ecuaciones inconsistentes.

Una vez que x, y, z y t son calculados, podemos “corregir” los parámetros aproximados de la

fuente

x1= x0+x0, y1= y0+y0, z1= z0+z0 y t1= t0+t0

Parametrizando los valores para “G”

pág. 11
 0.1331 0.0700 0.0841 1.000

G=

[
0.0917
−0.1030
0.1325 0.0612 1.000
−0.1315 0.0426 1.000
−0.1318 −0.1004 0.0465 1.000
−0.1621 0.0486 0.0324 1.000
0.1021 0.1327 0.0408 1.000
]
Los auto-valores de G, o los valores singulares no nulos están dados por:

2.452 0 0 0
Λ= 0
[
0
0
0.0342
0
0
0
0.2101
0
0
0
0.0199
]
Λ=¿ Es una matriz Diagonal de los autos valores de “G”, expande el espacio del modelo.

−0.0117 0.7996 −0.5854 −0.1327

[
V = 0.0018
0.0512
0.9986
0.5981 0.7961 0.0915
0.0524 −0.1528 0.9855
0.0056 −0.0005 0.0522
]
V = son los autovectores de “G”, expande el espacio de los datos y definen un nuevo sistema de

coordenadas, su ventaja es la simplicidad computacional para determinar la inversa generalizada,

Cada elemento de un particular auto vector tiene dependencia con un auto valor a un dado

parámetro del modelo. En otras palabras, nuestra inversión estimada para los cambios en el

tiempo origen es más estable. Por otro lado, el auto valor más pequeño es 0.0199, con el

correspondiente auto vector dominado por el tercer parámetro del modelo, z, la profundidad de

foco. (Lay, 1995)

Entonces, los cambios estimados para la profundidad son la parte menos estable del proceso de

inversión.

Se tenemos dificultad en determinar la verdadera profundidad dado el modelo inicial que

elegimos.

pág. 12
Se evidencia que hay cuatro autos valores no nulos, la resolución del modelo es perfecta, pero

podemos observar la matriz densidad de datos para ver lo importante y darle una solución:

0.8120 0.2605 0.0987 0.1328 -0.2265 0.0775

0.2605 0.5887 -0.2663 -0.0232 0.2741 0.1662

D= 0.0987 -0.2663 0.6142 0.3450 0.0160 0.1922

0.1328 -0.0232 0.3450 0.3906 0.2881 -0.1333

-0.2265 0.2741 0.0160 0.2881 0.6951 -0.0467

-0.0776 0.1662 0.1922 -0.1333 -0.0467 0.8992

Si observamos los términos de la diagonal, podemos obtener una medida relativa de la

importancia de cada estación. Los valores más grandes (0.8992 y 0.8120) están asociados a las

estaciones 1 y 6. Estas estaciones restringen la solución. La estación 4 da la menor restricción,

aunque la mayoría de los datos son de igual importancia. Los términos de la diagonal dan una

medida de la influencia que las otras estaciones tienen sobre un valor dado.

8.268

m = 9.704
9.063
4.480

4. Desarrollo de cálculos matemáticos

Derivando la función del tiempo para el parámetro “x” (Longitud)

2 2 2

t =t+
i
√ ( x −x ) + ( y − y ) +( z − z)
i i i
v
−1

∂ ti 1 ( ( x i−x )2 + ( y i− y ) 2+ ( z i− z ) 2) 2
= ∗(2 ( x i−x )1 )∗(−1)
∂x 2 ⋅v
pág. 13
 ∂ ti −( x i−x )
=
∂ x v∗ ( xi −x )2+ ( y i− y )2 + ( z i−z )2
√
∂ ti
=1
∂z

Derivando la función del tiempo para el parámetro “y” (Latitud)

t =t+
i
√ ( x −x ) + ( y − y ) +( z − z)
i i i
v

−1
2 2 2 2
∂t i 1 (( x i−x ) + ( y i − y ) + ( z i−z ) )
= ∗( 2 ( yi − y )1 )∗(−1)
∂y 2⋅ v

∂t i −( y i− y )
=
∂ y v∗ ( x i−x )2 + ( y i− y )2 + ( z i−z )2
√
∂t i
=1
∂y
Derivando la función del tiempo para el parámetro “z” (Profundidad)
2 2 2

t =t+
i
√ ( x −x ) + ( y − y ) +( z − z)
i i i
v
−1
2 2 2 2
∂ t i 1 ( ( x i−x ) + ( y i− y ) + ( z i−z ) )
= ∗( 2 ( z i−z )1 )∗(−1)
∂z 2 ⋅v
∂ ti −( z i−z )
=
∂ z v∗ ( x i−x )2 + ( y i − y )2 + ( z i−z )2
√
∂ ti
=1
∂z

pág. 14
ANÁLISIS DE RESULTADOS

Al terminar el desarrollo de las deducciones matemáticas para cada parámetro que se desea

obtener (Latitud, longitud, profundidad y tiempo), se genera varias soluciones y es a lo que se

determina como iteraciones.

Este procedimiento se va a repetir varias veces sea necesario hasta poder encontrar una

estabilización en el modelo y los valores que se obtenga al realizar el método de mínimos

cuadrados, así obteniendo el modelo más acertado.

De antemano se tiene que mientras más errores tengamos en la medición más error obtendremos

en la obtención en los valores de los parámetros.

pág. 15
DISCUSIONES
En la mayoría de los problemas en geofísica, estamos involucrados con muchos más datos que

parámetros del modelo. Se supone que todos los datos son independientes y que cada parámetro

del modelo afecta a todos los datos. Para el problema de la localización de un terremoto, esta

suposición es válida, pero no para muchos otros problemas inversos de la geofísica. La solución a

este problema se puede deducir a partir de la inversa de “G”

Las ecuaciones que se utilizan para resolver el problema inverso, pero necesitamos volver un paso

atrás y evaluar el significado de la inversa. Para desarrollar cualquier caso deberíamos

preguntarnos si podemos determinar cada uno de los parámetros del modelo, como son las

observaciones individuales para nuestra solución.

pág. 16
CONCLUSIONES

 A partir de un conjunto de datos observados aparentes tienen que ajustarse a un

modelo teórico a través de una eliminación gaussiana o método de mínimos

cuadrados. El error tiene que aproximarse a cero, mientras el error se acerque más a

cero sabremos que es el mejor modelo utilizado, pero no siempre es así debido a que

muchas veces mientras más iteraciones se realice a los datos vamos a estar

distorsionando nuestros datos.

 Los algoritmos que se pueden utilizar hoy en día para hacer inversión, automatizan el

proceso hasta llegar un modelo matemático, en este caso un modelo de velocidad.

 La matriz principal se arma a partir de una ecuación de inicio. Si esta ecuación es lineal

es más simple de desarrollar, si es más compleja se discretiza para armar los

parámetros en función a una variable.

 En esta descripción se establece que el método de INVERSA GENERALIZADA, está

considerada hoy en día como una herramienta principal para interpretar sismogramas

y linealizar otros problemas geofísicos.

pág. 17