Problem A in Verso 2

Prospeco Geofsica I Captulo 8.
Inverso de dados em
PGEM
Fernando M. Santos-2006
________________________________________________________________________________________________
CAPTULO
8.
INVERSO
GEOELECTROMAGNTICA
DE
DADOS
EM
PROSPECO
8.1. Introduo.
8.2. Formulao do problema inverso.
8.3. A informao contida nos dados.
8.4. Resoluo do problema inverso linear.
8.4.1. Constrangimentos
8.4.2. Covarincia dos parmetros
8.4.3. Matrizes da resoluo dos dados e dos parmetros
8.5. Resoluo do problema inverso no linear usando mtodos de minimizao
local.
8.5.1.O mtodo clssico de soluo do PI sobre-determinado (a inverso como
processo de optimizao).
8.5.2. O PI amortecido (misto). A informao a priori.
8.5.3. Os mtodos de regularizao (mtodo de Tikhonov).
8.5.4. O mtodo do gradiente descendente.
8.5.5. O mtodo de Newton.
8.5.6. O mtodo do gradiente conjugado.
global.
8.6.1. Simulated annealing (SA).
8.6.2. Controlled Random Search (CRS) -Procura aleatria controlada.
8.7. Anlise da soluo do PI.
8.8. Ambiguidade (equivalncia) e sensibilidade da soluo.
8.9. Inverso conjunta.
8.9.1. Inverso conjunta de dados de resistividade e MT.
8.9.2. Inverso conjunta de dados de GEM e ssmica.
8.10. Concluses
___________________________________________________________________
8.1. Introduo
A interpretao dos dados adquiridos numa campanha geofsica constitu um dos
mais importantes estdios do trabalho de geofsico. Por interpretao dos dados
entende-se aqui, a complexa (e difcil) tarefa de estabelecer um modelo geofsico
que cumpra duas condies fundamentais: 1) que satisfaa o conjunto de dados
recolhidos, de acordo com um critrio pr-estabelecido, e 2) seja susceptvel de ter
interpretao geolgica que esteja de acordo com a informao conhecida. Neste
contexto o termo modelo designa o conjunto de valores das propriedades fsicas das
rochas (designados por parmetros do modelo) que caracterizam o(s) fenmeno(s)
fsico em que se baseia a metodologia de prospeco utilizada. Veremos, num
pargrafo posterior, que o termo modelo pode ter, no mbito da resoluo do
problema inverso, outro significado.
O estabelecimento do modelo geofsico uma operao complexa que, nos dias que
correm e cada vez com maior frequncia, faz apelo resoluo do problema
inverso, na medida em que se parte dos dados para se obterem estimativas do
conjunto de parmetros do modelo, bem como informao relativa aos seus limites
de confiana. O problema inverso (PI) , assim, definido em oposio ao problema
directo. Neste, conhecem-se os parmetros e calcula(m)-se a(s) resposta(s) do
modelo. O problema directo um problema bem posto no sentido em que, dado um
1
Prospeco Geofsica I Captulo 8. Inverso de dados em
PGEM
________________________________________________________________________________________________
conjunto de valores para os parmetros e conhecidas as expresses que regem o
comportamento do campo, a soluo nica e pode ser calculada, em princpio,
com a preciso que se desejar. O problema inverso , pelo contrrio, um problema
mal posto pois diferentes modelos podem representar igualmente bem os dados (na
prtica o problema inverso no tem soluo nica) e a soluo geralmente
instvel. Estes, e outros problemas, sero abordados em pargrafos futuros.
O problema inverso e a sua resoluo constitui, de facto, um ramo da matemtica
aplicada sendo as tcnicas a desenvolvidas usadas na soluo de muitos problemas
encontrados na actividade humana (em diferentes ramos de engenharia, em estudos
econmicos, sociais, bio-mdicos, etc.). O presente captulo analisa alguns das
questes relacionadas com a resoluo do problema inverso em prospeco geoelectromagntica (PGEM), englobando nesta designao, todos os mtodos que
fazem uso do campo electromagntico, com especial relevo para os mtodos da
resistividade e magneto-telrico. A importncia destes mtodos na geofsica geral e
na geofsica aplicada por demais conhecida. Os mtodos GEM so aplicados com
o objectivo de conhecer a distribuio da resistividade elctrica no subsolo a
profundidades que podem variar de algumas dcimas de metro a dezenas de
quilmetros. Deste modo a sua aplicao abrange reas to diversas como as do
reconhecimento geolgico, hidrogeolgico, geotrmico e mineiro. Nos ltimos anos
tem crescido o interesse na aplicao dos mtodos GEM a problemas ambientais,
nomeadamente no reconhecimento e monitorizao de zonas contaminadas.
Todavia, os mtodos GEM no se limitam a contribuir para a soluo de alguns
problemas prticos de prospeco: eles permitem, tambm, adquirir informao
respeitante ao interior profundo do nosso planeta.
A importncia dos mtodos GEM facilmente compreendida se se recordar que a
resistividade (condutividade) elctrica das formaes rochosas , talvez, a
propriedade fsica que maior variaes sofre com as variaes do contedo e
qualidade da gua existente nos poros e fracturas das rochas, da temperatura e com
a presena de alguns materiais geolgicos como sejam as argilas, os metais e a
grafite. Entende-se, ento, que o conhecimento da distribuio da condutividade
elctrica (ou da resistividade elctrica) pode ser um precioso auxiliar na observao
indirecta do interior do nosso planeta.
8.2. Formulao do problema inverso
Seja ento do o vector contendo o conjunto dos valores observados (valores
medidos ou calculados a partir de valores medidos de expresses algbricas). No
caso especfico dos mtodos GEM esses valores so, geralmente, os valores de
resistividade aparente e/ou fases calculados para diferentes configuraes
geomtricas do conjunto emissor-receptor e/ou para diferentes frequncias. Cada
elemento de do pode ser descrito como o valor aproximado do verdadeiro valor da
grandeza a medir d, ao qual no se tem acesso, possuindo-se uma estimativa do erro
da medida, tal que
d (do, d ) < d
com a condio do d quando d 0
onde representa uma distncia (mtrica) definida no espao dos dados.

Seja mest o vector dos parmetros do modelo adoptado para a interpretao dos
dados. No caso dos mtodos GEM o vector mest corresponde a valores de
resistividade (ou condutividade) elctrica e, em alguns modelos, a profundidades (
localizao) de interfaces que separam meios com propriedades geoelctricas
distintas. No problema inverso o vector mest o vector das incgnitas e a resoluo
do problema inverso dever permitir conhecer os elementos deste vector. De acordo
com os mtodos adoptados nesta lio, para a resoluo do problema inverso, os
PGEM
________________________________________________________________________________________________
valores de mest representam uma estimativa dos verdadeiros valores dos parmetros
m, isto ,
m(mest, m ) < m com a condio mest m quando m 0
m representa uma distncia definida no espao dos parmetros do modelo. Neste
contexto o termo modelo usado para designar as relaes matemticas que ligam
os parmetros m resposta do modelo d,
d = g (m) .
De acordo com a natureza daquelas relaes usual classificar os problemas
inversos em lineares e no lineares. O problema inverso em GEM, atendendo
natureza das funes g(m) , claramente, no linear.
O problema inverso pode ainda ser classificado de acordo com a dimensionalidade
do modelo adoptado, podendo ser, ento, designado por problema inverso unidimensional (1-D), bi-dimensional (2-D) ou tri-dimensional (3-D). O termo
dimensionalidade traduz, ento, o modo como a resistividade elctrica varia
espacialmente, isto , traduz a dependncia da resistividade elctrica com a posio
(x, y, z). Nos modelos 1-D admite-se que a resistividade funo apenas da
profundidade z. Nos modelos 2-D admite-se que a resistividade varia numa seco
vertical, enquanto nos modelos 3-D se admite que a resistividade funo das trs
variveis espaciais.
Resumindo, o problema inverso consiste na determinao de mest cumprindo duas
condies necessrias: 1) os valores da resposta do modelo dc = g (mest), devem ser
compatveis com os dados do, isto , d (do, dc ) < e, 2) deve ser possvel estimar
os erros do modelo calculado, isto , deve ser possvel determinar os limites de
validade do modelo calculado (geralmente designados por intervalos de confiana).
Como se fez notar na introduo, as duas condies enumeradas so necessrias
mas no so suficientes, pelo menos em geofsica. Uma terceira condio dever ser
imposta, a saber: o modelo calculado deve ser interpretvel em termos geolgicos,
devendo estar de acordo com a informao disponvel. Esta ltima condio, que
deriva do facto da soluo do PI no ser nica e de que se trata de dados recolhidos
em ambiente geolgico, deve estar sempre presente quando se interpretam dados
geofsicos.
8.3. A informao contida nos dados
A interpretao de quaisquer dados deve ser feita de acordo com a informao neles
contida. Isto significa que se devem evitar duas situaes: 1) a sobreparametrizao dos modelos e, 2) o sobre-ajustamento entre os dados e a resposta
do modelo. A sobre-parametrizao do modelo significa que se est a tentar obter
informao sobre estruturas que no esto representadas nos dados. O sobreajustamento entre dados e resposta do modelo significa que o modelo est a incluir
estruturas que no correspondem aos dados mas aos erros. Estes problemas so
extremamente complexos e esto directamente relacionados com a definio de
profundidade de investigao (ou de volume de investigao) e com o problema da
anlise de sensibilidade do modelo.
De acordo com a teoria geral do comportamento do campo electromagntico em
meios condutores, sabe-se que nos mtodos GEM a profundidade de investigao1
1
A profundidade de investigao ou profundidade efectiva a profundidade para a qual, em meio homogneo e

isotrpico, o mdulo de uma das componentes do campo electromagntico tem um valor igual a 1/e do seu valor
superfcie do meio.
3
PGEM
________________________________________________________________________________________________
depende da resistividade do meio e da frequncia do campo electromagntico (ou
da geometria do dispositivo usado, no caso do mtodo da resistividade).
Suponhamos que a investigao se realiza usando sondagens magneto-telricas
(MT) ou sondagens Schlumberger. O volume de material investigado depender,
portanto, daqueles parmetros e ainda do nmero e disposio espacial das
sondagens. O conceito de volume de material investigado ou de volume efectivo
um conceito importante quando se lida com problemas 2-D e 3-D e no tem
merecido grande ateno por parte dos investigadores. O tema voltar a ser
abordado no pargrafo 7.
Consideremos que os valores a observar (da resistividade aparente, por exemplo),
com o uso de mtodos GEM, variam de modo contnuo no espao e em frequncia.
Se fosse possvel ter o conhecimento completo do modo como se comportam esses
observveis, seria possvel, em princpio, estimar a distribuio contnua da
resistividade elctrica no sub-solo de modo nico (Zhdanov and Keller, 1994). A
aquisio de dados em GEM feita, contudo, de modo discreto, quer espacialmente
quer em frequncia. Isto , os elementos do vector do so conhecidos apenas em
alguns locais e apenas para um nmero finito de frequncias, do(xi, yi, zi, j), com
i=1,., N e j=1,., P. Este facto limita o conhecimento que se pode obter sobre a
distribuio dos valores de mest. Os elementos de mest so, geralmente, conhecidos
de modo discreto mest (xk, yk, zk), com l=1,.M. Este processo conhecido como a
parametrizao do modelo. Tem-se, ento, que o problema inverso, tal como
formulado acima, um caso de problema inverso discreto.
Considere-se um conjunto de N sondagens realizadas para P frequncias em pontos
colineares e igualmente espaados de uma distncia x. De acordo com o teorema
da amostragem2 no se possuir informao sobre a distribuio horizontal da
resistividade elctrica que tenha uma dimenso lateral caracterstica inferior a 2x.
Nos mtodos GEM o problema de avaliar a dimenso caracterstica pode ser,
contudo, mais complexo pois, devido ao facto da profundidade efectiva depender
tambm da frequncia do campo electromagntico a aplicao simples do teorema
da amostragem pode conduzir a resultados errneos. Por outro lado, como o
comportamento do campo electromagntico obedece a uma lei de difuso (para a
gama de frequncias utilizadas em GEM), verifica-se uma perda de resoluo com o
aumento da profundidade a investigar. Isto deve-se ao facto d a informao obtida
reflectir a influncia de um volume de massa rochosa tanto maior quanto menor for
a frequncia do campo electromagntico usado (ou quanto maior a distncia entre
o emissor e o receptor). O estudo do volume de material que influncia as
observaes, bem como o estudo da importncia relativa dessa influncia
geralmente designado por anlise da sensibilidade do modelo e ser abordada no
pargrafo 7.
Deve notar-se, no entanto, que a limitao mencionada no ltimo pargrafo pode
ser usada de modo a rentabilizar as sondagens GEM realizadas. De facto, se os
dados adquiridos contm informao referente a um grande volume de material
poder-se-, ento, aumentar a amostragem espacial (at um certo limite) sem perda
significativa da informao referente distribuio dos parmetros no subsolo.
8.4. Resoluo do problema inverso linear
Considere-se a resoluo do PI linear em que a relao entre dados e parmetros do
modelo seja explcita, isto ,
d=Gm
(8.4.1)
De acordo com este teorema, a frequncia mxima (de Nyquist) que se pode obter com uma amostragem T
fN = 1/(2T).
4
PGEM
________________________________________________________________________________________________
O mtodo a usar para a resoluo deste PI depende da relao entre N e M. Trs
casos podem ocorrer: 1) se N = M o problema completamente determinado, 2) se
N > M o problema ser um problema sobredeterminado e, 3) se N<M o problema
ser subdeterminado.
1) Problema completamente determinado
A soluo deste problema ,
mest = G-1 do
(8.4.2)
onde G-1 representa a matrix inversa. A resoluo s possvel se G no fr

singular.
2) Problema sobredeterminado
O PI sobredeterminado pode ser resolvido com recurso a tcnicas de mnimos
quadrados. Assim, definindo-se a funo objectivo,
= E = eT e = (do - G m)T (do - G m)
(8.4.3)
onde e = do-dc representa o vector erro, a soluo do problema pode ser encontrada
minimizando-se , isto ,
=0
m k
k = 1, ....., M
(8.4.4)
Obtm-se um sistema de N equaes com M incgnitas cuja soluo ,

mest = (GT G)-1 GT do
(8.4.5)
3) Problema subdeterminado
Se o PI do tipo subdeterminado a sua resoluo s possvel com a introduo de
constrangimentos soluo. Esses constrangimentos podem ser de diferente tipo.
Um dos mais simples o de impr que a soluo seja tal que L = (mT m) seja
mnimo. A soluo pode ser encontrada com recurso aos multiplicadores de
Lagrange. Define-se a funo objectivo,
= L + T e = L + T (do - G m)
(8.4.6)
A minimizao desta funo conduz soluo,

mest = GT (G GT)-1 do
(8.4.7)
4) Problema misto
H PI que no so nem completamente sobredeterminados nem completamente
subdeterminados, isto , haver parmetros ou combinaes de parmetros melhor
determinadas que outro(a)s. A soluo deste problema pode ser encontrada
minimizando-se a funo,
= eT e + 2 mT m
(8.4.8)
que combina a minimizao do erro e da norma da parte menos importante (menos

constrangida pelos dados) da soluo. O parmetro controla a minimizao das
PGEM
________________________________________________________________________________________________
componentes sobredeterminada e subdeterminada. Se o valor do parmetro fr
muito grande a soluo minimiza a parte subdeterminada da soluo. Se o valor do
parmetro fr muito pequeno o erro ser minimizado mas no ser possvel
introduzir informao sobre a parte subdeterminada pelo que ser possvel
encontrar vrias solues para o problema. Ter de se procurar, em cada caso, um
valor ptimo para o parmetro . A soluo do problema, minimizando-se (8.4.8),
ser,
mest = (GT G + 2 I)-1 GT do
(8.4.9)
8.4.1. Constrangimentos
H outros tipos de constrangimentos que podem ser usados. Pode-se, por exemplo,
pretender que a soluo seja prxima de um valor mdio <m>. Neste caso vir para
L,
L = (m -<m>)T (m -<m>).
(8.4.8)
Muitas vezes, contudo, este tipo de constrangimento pode no ser apropriado. Uma
possvel alternativa o de considerar-se a soluo como plana, isto ,
L = [D m]T [D m] = mT DT D m
(8.4.9)
onde a matriz D dada por:
1 1
0 1
D=
0 ..... 0
1 .... 0
...
...
1 1
ou
0 ...
1 2 1
0 1 2 1 ...
D=
...
...
1 2 1
se se pretender que a soluo seja suave. Por vezes conhecem-se algumas relaes
que a soluo cumpre, por exemplo, pode conhecer-se o valor mdio da soluo, h1,
isto ,
F m = h1
(8.4.10)
com F = [1 1 1 ....1] . Se se conhecer o valor de um dos elementos da soluo,

mi = h1 tem-se, F = [0 0 1 0 ....0].
Pode, ento, definir-se o PI da seguinte forma: calcular mest tal que G mest = do,
cumprindo ainda a condio F m = h.
PGEM
________________________________________________________________________________________________
Os erros dos dados podem ser usados como constrangimento uma vez que pesam
a importncia dos dados no processo de inverso. Considere-se que os dados so
independentes obdecendo a uma estatstica Gaussiana e que a covarincia dos dados
da forma,
[cov d] = d2 I
(8.4.11)
Definindo-se a matriz diagonal W = diag(1/1.... 1/N) o uso dos erros dos dados
feito atravs da matriz Gw = W G e do vector dw = W d, vindo a soluo, para o
problema sobredetermindo,
mest = (GwT Gw )-1 GwT dw
(8.4.12)
8.4.2. Covarincia dos parmetros

Os dados tm erros e esses erros reflectem-se nos valores estimados para os
parmetros. Em todos os casos estudados a soluo do tipo,
mest = M d + v
(8.4.11)
A matriz M por vezes designada por inversa generalizada. Seja a covarincia dos
dados,
C = [cov d]
(8.4.12)
Os valores estimados para os parmetros tero uma covarincia dada por,

[cov m] = M [cov d] MT
(8.4.13)
Se os dados forem independentes (no correlacionados) e com varincia d2, ento3,

[cov d] = d2 I
(8.4.14)
[cov m] = M d2 I MT
No caso do problema sobredeterminado a inversa generalizada ,
M = (GwT Gw )-1 GwT
(8.4.15)
e tem-se para a covarincia do modelo:

[cov m] = [ (GwT Gw )-1 GwT ] [ (GwT Gw )-1 GwT ]T = (GwT Gw )-1
(8.4.16)
ou
[cov m] = d2 (GT G)-1
(8.4.17)
Conhecida a covarincia do modelo podem calcular-se os erros associados a cada

parmetro (com 95% de confiana) dado por,
m = 1.96 diag([cov m])1/2
(8.4.18)
Os dados pesados tm uma covarincia [cov d] = I

7
PGEM
________________________________________________________________________________________________
8.4.3. Matrizes da resoluo dos dados e dos parmetros
Quando se resolve o PI pretende-se que a resposta do modelo obtido seja prxima
dos dados observados. Esta condio verifica-se quando a matriz resoluo dos
dados N = G M = I pois,
dc = G mest = G ( M do) = G M do
(8.4.15)
Por outro lado, pretende-se que o modelo estimado seja prximo do modelo
verdadeiro, isto , que os valores estimados dos parmetros sejam prximos dos
verdadeiros,
mverd = M do = M (G mest) = M G mest
(8.4.16)
Aquela condio s se verifica quando a matriz da resoluo dos parmetros

R = M G = I.
As matrizes N e R permitem avaliar o resultado obtido na resoluo de um PI. Esta
avaliao, pode ainda ser feita com recurso a um outro parmetro designado por
espalhamento (sp) das matrizes N e R e definidos da seguinte forma:
sp (N) = || N I ||2
(8.4.17)
e
sp (R) = || R I ||2
(8.4.17)

local
8.5.1.O mtodo clssico de soluo do PI sobre-determinado (a inverso como
processo de optimizao)
Retome-se a formulao do problema inverso em GEM:
conhecido o vector de dados do(d1,,dN), deve determinar-se o vector de
parmetros mest(m1,,mM) que, de acordo com o modelo dc = g (mest), cumpre a
condio d(do, dc)< .
Atendendo no linearidade do problema inverso em questo, o processo de
soluo dever ser um processo iterativo, isto , aceita-se que a resposta do modelo,
para pequenas variaes nos parmetros, pode ser desenvolvida em srie de Taylor
4
,
g(mk) = g(mk-1) + J(mk-1) m + R(mk-1, m)
(8.5.1.1)
onde mk representa o vector de parmetros para a iterao k, m o vector com as
correces aos parmetros obtidos na iterao k-1 e J a matriz de sensibilidade
com elementos dados por,
Jij = gi / mj .
(8.5.1.2)
Com o objectivo de facilitar a escrita o vector dos dados e dos parmetros sero representados, no texto que se segue,
por d e m, respectivamente.
8
PGEM
________________________________________________________________________________________________
As correces aos parmetros podem ser calculadas, no caso de N>M (problema
sobre-determinado), usando a tcnica dos mnimos quadrados. Neste caso a funo
objectivo ser, por exemplo,
= d = || d - g(m) ||2 .
(8.5.1.3)
Desprezando os termos de ordem superior R(mk-1, m) no desenvolvimento da

resposta do modelo em srie de Taylor, as correces aos parmetros do modelo,
para a iterao k podem ser obtidas pela resoluo do sistema de equaes,
(J(mk)T Wd -1 J(mk)) m = J(mk)T Wd -1 (d - g(mk ) )
(8.5.1.4)
onde a matriz covarincia dos dados dada por, Wd = d2 I. d2 representa a
varincia dos erros dos dados (supostamente no correlacionados) e I a matriz
identidade5.
Estimadas as correces aos parmetros do modelo para a iterao k, os valores de
m para a iterao k+1 sero dados por,
mk+1 = mk + m
(8.5.1.5)
O sistema de equaes (8.5.1.4) pode ser re-escrito da seguinte forma,
m = S+ (d - g(mk ) )
(8.5.1.6)
A matriz S+ a matriz inversa generalizada. Se se considerar a decomposio em
valores singulares da matriz J, tal que J = U VT, onde U a matriz ortonormal
dos vectores prprios da matriz JJT, V a matriz ortonormal dos vectores prprios da
matriz JTJ e a matriz diagonal contendo os valores singulares (raz quadrada dos
valores prprios da matriz JTJ), a inversa generalizada vem,
S+ = V -1 UT
(8.5.1.7)
e
m = V -1 UT (d - g(mk ) )
(8.5.1.8)
Uma anlise cuidada desta expresso mostra que os valores singulares de menor
magnitude podero originar instabilidade na soluo do sistema de equaes
(8.5.1.8). A estabilizao da soluo pode ser conseguida, atravs da aplicao do
mtodo de Levenberg-Marquardt, isto , minimizando o efeito dos valores
singulares menos significativos,
m = V UT (d - g(mk ) ) ( 2 + 2 I )-1
(8.5.1.9)
Aceita-se que os dados tm uma distribuio Gaussiana.

9
PGEM
________________________________________________________________________________________________
O parmetro emprico, embora haja alguns procedimentos que geralmente so
seguidos quando se programa a expresso (8.5.1.9).
A soluo do problema inverso, tal como acaba de ser descrita pode ser considerada
como clssica (soluo aos mnimos quadrados), no sentido de que a mais
utilizada em GEM, quando N>M (problema sobre-determinado). A metodologia
descrita , por exemplo, frequentemente empregue na resoluo do problema
inverso quando se adoptam modelos estratificados (Johansen, 1997).
Exerccio. Considere o conjunto de valores mostrados na tabela seguinte. Calcule a
recta (w =a+be) que melhor se aproxima aos pontos, no sentido dos mnimos
quadrados.
resistividade
do terreno (e)
421
250
359
351
285
47
21
47
65
23
69.64
208
214.5
resistividade
da gua (w)
7.35
4.69
6.56
4.90
4.95
1.50
0.53
0.75
1.86
1.36
2.80
4.27
5.19
Exerccio. Elabore um algoritmo para a resoluo do PI no caso de sondagens

elctricas verticais, assumindo um modelo de terreno estratificado. Sugesto: utilize
a tcnica de SVD e, para o problema directo, utilize o conceito de transformada da
resistividade (Captulo 4).
8.5.2. O PI amortecido (misto). A informao a priori
A maioria dos problemas inversos em geofsica no so nem (completamente) subdeterminados nem sobre-determinados, mas mistos, no sentido em que haver
parmetros que sero bem (completamente) determinados e parmetros que sero
(completamente) sub-determinados. Os parmetros do modelo podem, ento,
dividirem-se em dois conjuntos: os sub- e os sobre-determinados. A soluo do PI
poderia ser obtida determinando-se os parmetros sobre-determinados de acordo
com o mtodo dos mnimos quadrados e estimando os parmetros subdeterminados, impondo que estes cumpram uma condio definida a priori. A
forma mais simples de proceder, contudo, a de calcular uma soluo que minimize
uma combinao de d e da condio a priori, S (Menke, 1984).
Neste contexto o vector das correces dos parmetros no caso do PI no linear
abordado em 4.1., poder ser estimado minimizando-se a funo:
= d + 2 S = || g(m) d ||2 + 2 S.
(8.5.2.1)
O parmetro emprico determina a importncia relativa de d e de S. O parmetro
dever variar ao longo do processo iterativo, havendo diferentes aproximaes
que podem ser seguidas. A condio S depende, geralmente, da informao
geolgica disponvel. No havendo informao pode impor-se, por exemplo, que a
10
PGEM
________________________________________________________________________________________________
covarincia dos parmetros seja dada por Wm = m2 I obtendo-se, ento, para a
iterao k o sistema de equaes (Tarantola, 2004),
(J(mk)T Wd -1 J(mk) + 2 Wm-1 ) m = J(mk)T Wd -1 (d - g(mk ) )
(8.5.2.2)
Dependendo da escolha de S (ver Tabela 1), diferentes tipos de informao a priori
podem ser usados com o objectivo de diminuir a importncia dos parmetros subdeterminados na soluo final, contribuindo para a estabilizao desta.
frmula terica
representao numrica
[m( z ) m
0
( z )] dz
2
0 [m( z )] dz
(m
i
mo ,i ) 2
(m
mi 1 ) 2
m( z ) dz
[m( z ) mo ( z )]2
0 [m( z ) m ( z)]2 + 2 dz, 0
o
[m( z )]2 dz, 0

0 [m( z )]2 + 2
(mi mi 1 ) 2 + 2 , 0
(m
( m i m o ,i ) 2
mo,i ) 2 + 2
(mi mi 1 ) 2
(m
i
mi 1 ) 2 + 2
, 0
, 0
Tabela 1. Resumo dos funcionais estabilizadores definidos para o caso de modelos 1-D. 1 (Tikhonov and
Arsenin, 1977) minimiza a norma L2 (mnimos quadrados) do desvio do modelo relativamente a um
modelo a priori. 2 (Constable et al., 1987) minimiza a rugosidade do modelo no sentido dos mnimos
quadrados. 3 (Rudin et al., 1992) minimiza a variao total dos parmetros. indiferente magnitude das
variaes dos parmetros podendo preservar variaes bruscas na soluo. Como no derivvel em
pontos onde o gradiente nulo, introduz-se um valor estabilizador . 4 (Portniaguine and Zhdanov, 1999)
Para suficientemente pequeno, este estabilizador penaliza do mesmo modo qualquer desvio dos
parmetros, relativamente ao modelo a priori, independentemente do seu valor. 5 (Portniaguine and
Zhdanov, 1999) Para suficientemente pequeno, penaliza qualquer variao sbita nos parmetros,
independentemente do seu valor. Este estabilizador tende a produzir modelos 1-D com um nmero
mnimo de camadas.
Exerccio. Considere o perfil de anomalia gravimtrica dado na tabela seguinte.

Supondo que a anomalia devida ao preenchimento de uma bacia sedimentar
(material de massa volmica de =300 kg/m3) calcule a topografia da base da bacia,
impondo a condio de esta ter uma variao suave. Sugesto: considere, para cada
observao, a aproximao gi =2Gi hi para o clculo da anomalia gravimtrica no
ponto de observao i onde hi representa a espessura da placa de massa volmica I
sob o ponto de observao.
coordenadas
-300
-250
-200
-150
-100
-50
0
50
100
150
200
250
300
g (mGal)
0.15
0.12
-0.56
-0.90
-0.95
-1.10
-1.23
-1.35
-1.46
-0.96
0.02
0.17
0.29
11
PGEM
________________________________________________________________________________________________
8.5.3. Os mtodos de regularizao (mtodo de Tikhonov)

O PI tal como analisado no pargrafo anterior, pode ser considerado um caso
particular dos mtodos no lineares de regularizao desenvolvidos por Tikhonov
(Tikhonov and Arsenin, 1977). A ideia bsica desta metodologia a de calcular,
entre as possveis solues do PI, aquela que mais robusta. A escolha desta
soluo feita usando-se um funcional S(m) designado por funcional estabilizador
(a Tabela 1 resume alguns dos funcionais mais utilizados em problemas de GEM).
A soluo obtida impondo-se que o funcional S (na expresso 4.2.1) seja mnimo,
S(m) = mnimo
(8.5.3.1)
e que se cumpra a condio de que a resposta do modelo esteja de acordo com as
observaes (dados). Esta ltima condio , geralmente, traduzida por,
d = || g(m) - d ||2 = .
(8.5.3.2)
O problema inverso fica ento formulado do seguinte modo: conhecido o vector de

dados d(d1,,dN), deve determinar-se o vector de parmetros m(m1,,mM) que, de
acordo com o modelo dc = g (m), minimiza a funo S sujeito condio d = .
Trata-se, ento, de um problema de optimizao que pode ser resolvido definindose uma funo objectivo mais geral (global) e recorrendo-se ao mtodo dos
multiplicadores de Lagrange. O problema inicial transforma-se, ento, no problema:
estimar m que minimiza a funo objectivo = d + S .
O parmetro de regularizao , determinado impondo-se a condio
d = || g(m) d ||2 =
(8.5.3.3)
onde m a soluo do PI que minimiza a funo objectiva global para um dado .

Definindo,
d = || Wd ( g(m) d ) ||2
S = || Wm (m mo) ||2
(8.5.3.4)
(8.5.3.5)
onde Wm uma matriz diagonal que controla a importncia do afastamento de

cada parmetro ao modelo a priori mo. Aqui, Wd = (1/d) I. Desprezando os termos
de ordem superior R(mk-1, m) no desenvolvimento em srie de Taylor da resposta
do modelo, as correces aos parmetros do modelo, para a iterao k podem ser
obtidas pela resoluo do sistema de equaes,
(J(mk)T WdT Wd J(mk) + WmT Wm ) m = J(mk)T WdT Wd (d- g(mk ) ) - WmT
Wm (mk mo) . (8.5.3.6)
Exerccio. Suponha-se um modelo que relaciona as observaes yi(xi) com a
distribuio da propriedade dj(xj) atravs de:
12
PGEM
________________________________________________________________________________________________
M =7
yi = 628.
j =1
dj
[( xi x j )2 + (500.)2 ]
Obtenha-se a distribuio de d considerando-se os valores de y da tabela (unidades

arbitrrias), impondo uma variao suave a d.
xI
-600
-400
-200
0
200
400
600
yi
2.51
2.99
3.24
3.31
3.24
2.99
2.51

elctricas verticais, assumindo que a resistividade varia suavemente em
profundidade.
8.5.4. O mtodo do gradiente descendente
O mtodo do gradiente descendente um dos mtodos mais usados na resoluo de

problemas de minimizao de funcionais. Calcule-se a variao de primeira ordem
do funcional ,
= 2 (Wd g(m))T (Wd ( g(m) d )) + 2 (Wm m)T (Wm (m mo))
(8.5.4.1)
Como,
g(m) = J m
(8.5.4.2)
obtm-se, ento
g(m) = - k l(m)
(8.5.4.3)
onde k um real positivo a determinar e l(m) representa o gradiente do funcional,

l(m) = JT Wd2 ( g(m) d )) + Wm2 (m mo)
(8.5.4.4)
De acordo com o processo iterativo, os parmetros para a iterao k+1 sero
estimados por,
mk+1 = mk k l(mk)
(8.5.4.5)
O coeficiente k calculado a partir da condio de que a funo

( mk+1) = ( mk k l(mk)) deve ser mnima relativamente a k.
13
PGEM
________________________________________________________________________________________________
8.5.5. O mtodo de Newton
Considere-se a primeira iterao do processo iterativo, em que

m1 = m0 + m
(8.5.5.1)
Para o clculo do vector que contm as correces m aos parmetros que
constituem o modelo inicial m0 define-se a funo objectivo global,
= || Wd ( g(m0 + m) d ) ||2 + || Wm (m0 + m mo) ||2 = || Wd ( g(m0) + J
m d ) ||2 +
+ || Wm (m0 + m mo) ||2
(8.5.5.2)
A condio necessria para que a funo objectivo seja minimizada que a variao
de primeira ordem do funcional seja nula. Esta condio cumpre-se quando,
JT Wd2 ( g(m0) + J m d ) + Wm2 (m0 + m mo) = 0
(8.5.5.3)
Daqui se obtm,
m = - H1-1 l(m0)
(8.5.5.4)
A matriz H1 designada por matriz Hessiana regularizada e definida por,

H1 = JT Wd2 J + Wm2
(8.5.5.5)
De acordo com o algoritmo de Newton o vector dos parmetros, na iterao k+1

ser calculado por,
mk+1 = mk Hk-1 l(mk)
(8.5.5.6)
Este mtodo converge, em geral, mais rapidamente que o mtodo do gradiente

descendente. Contudo, o clculo da matriz Hessiana inversa pode no ser muito
fcil. Com o objectivo de resolver esta dificuldade frequente usar-se uma
aproximao, Gk verdadeira inversa da matriz Hessiana calculando-se as
correces aos parmetros de acordo com,
mk+1 = mk kk Gk l(mk)
(8.5.5.7)
onde o parmetro kk calculado como se exps em pargrafo anterior.

8.5.6. O mtodo do gradiente conjugado
No mtodo do gradiente conjugado, tal como mo mtodo do gradiente descendente,

calculam-se os parmetros na iterao k+1 usando a expresso,
mk+1 = mk kk l(mk)
(8.5.6.1)
14
PGEM
________________________________________________________________________________________________
A diferena reside no modo de calcular os gradientes l(mk). Neste mtodo o
gradiente na iterao k+1 calculado como sendo uma combinao linear do
gradiente descendente calculado para esta iterao e o gradiente da iterao
anterior:
l(mk+1) = l(mk+1) + k l(mk)
(8.5.6.2)
O valor do parmetro kk calculado de acordo com o exposto anteriormente. Os
coeficientes k so calculados por (Zhdanov and Keller, 1994),
k = (lT(mk) l(mk) )/( lT(mk-1) l(mk-1) ) .
(8.5.6.3)
A vantagem do mtodo do gradiente conjugado que, em princpio, pode evitar-se
que o processo de convergncia fique preso num mnimo local, convergindo mais
rapidamente para o mnimo global.
global
Os mtodos de resoluo do PI expostos no pargrafo 4 so adequados quando a

topologia da funo objectivo tem apenas um mnimo. Esta situao no , contudo,
a mais frequente, conduzindo a que a soluo obtida dependa do modelo inicial e do
parmetro de estabilizao. Com o objectivo de evitar, ou minimizar, estas
dependncias recorre-se por vezes ao uso de mtodos de resoluo do PI que podem
ser considerados como mtodos de minimizao global. Analisam-se, em seguida,
dois destes mtodos: o simulated annealing e o mtodo controlled random
search (Price, 1977) que traduzimos aqui por procura aleatria controlada. Estes
mtodos podem ser considerados como variantes do mtodo de Monte Carlo. A
ideia bsica a de investigar (aleatoriamente) o espao de parmetros (to
exaustivamente quanto possvel) levando lentamente a investigao a centrar-se,
mas no exclusivamente, em torno do mnimo absoluto. Para cada conjunto de
parmetros (modelo) determina-se o valor da funo objectivo retendo-se os
modelos que apresentem valores inferiores a um valor estabelecido. Uma anlise
estatstica deste conjunto restrito de modelos permite a estimativa das funes de
distribuio a posteriori dos parmetros.
Os mtodos de minimizao global tm, relativamente aos mtodos de minimizao
local expostos no pargrafo 4, algumas vantagens. Entre estas assinala-se o facto de
no ser necessrio o conhecimento da matriz das sensibilidades, que difcil de
calcular para alguns modelos. A maior desvantagem reside no facto de consumirem
muito tempo de clculo. Este facto faz com que a sua aplicao prtica, em PGEM,
se restrinja a modelos 1-D e, em alguns casos, a modelos 2-D.
8.6.1. Simulated annealing (SA)
O nome deste algoritmo traduz a semelhana existente entre o algoritmo de SA e o

processo fsico de arrefecimento de metais. O mtodo inicia a procura da soluo do
PI explorando aleatoriamente o espao de parmetros. Lentamente o espao de
parmetros explorado restringido ao sub-espao onde se encontra o mnimo
absoluto. Este processo semelhante ao arrefecimento do metal e o seu controlo
feito atravs de uma varivel designada, nos algoritmos SA, por temperatura.
O algoritmo de Metropolis et al. (1953) , tambm, um algoritmo iterativo. A
iterao k inicia-se pela gerao aleatria de uma soluo (com base na soluo da
iterao k-1) mk e do clculo da respectiva funo objectiva k. Se k < k-1 a
soluo aceite e o processo iterativo continua pela gerao de uma nova soluo.
15
PGEM
________________________________________________________________________________________________
Se k > k-1 a aceitao, ou no, da soluo mk obriga ao clculo da funo P() =
exp((k-1 - k)/T) e gerao aleatria do nmero real r, tal que r[0,1]. A soluo
mk aceite se r < P() prosseguindo o processo iterativo (mas mantendo T
constante). T a temperatura, que no incio do processo iterativo deve ser elevada,
diminuindo (de acordo com uma lei estabelecida) ao longo do processo.
Nas fases iniciais, e porque T elevado, so aceites solues muito diferentes.
medida que T diminui a aceitao de solues torna-se mais exigente e apenas as
melhores solues so aceites levando o algoritmo a convergir. O processo iterativo
termina quando (por exemplo) a variao da funo objectivo entre iteraes
inferior a um valor preestabelecido.
Para o mesmo problema, o algoritmo SA pode ser corrido vrias vezes, com
condies iniciais diferentes, de modo a obter-se um conjunto (estatisticamente)
significativo de solues. A anlise estatstica deste conjunto de solues permite
calcular o modelo mdio <m> e a matriz de covarincia a posteriori dos parmetros
do modelo usando, respectivamente (Mrinal et al., 1993):
<m> =
m P(m)
(8.6.1.1)
C=
(m - <m>) (m - <m>)T P(m)

(8.6.1.2)
onde as somas so sobre os modelos estimados e P(m) a densidade de

probabilidade a posterior,
P(m) exp ((m))
(8.6.1.3)
Exerccio. Resolva os exerccios do pargrafo 8.4.1 usando o mtodo SA.
magneto-telricas, assumindo um modelo de terreno estratificado e usando SA.
8.6.2.
Controlled Random Search (CRS) -Procura aleatria controlada
Na aplicao do algoritmo (iterativo) de Price (1977) principia-se pela gerao

aleatria de L modelos com a condio de que os parmetros pertenam a um
subdomnio do domnio (permitido) dos parmetros. Isto significa que os
parmetros tm um limite inferior e superior,
mI < mest < ms .
(8.6.2.1)
Percebe-se facilmente que quanto maior for L mais exaustiva se torna a procura do
mnimo absoluto. Calcula-se a funo objectivo para cada modelo identificandose o modelo mmax que apresentar o valor mximo para = max. Na iterao k, um
novo modelo mk estimado tendo-se em ateno os parmetros de (M+1) modelos
escolhidos aleatoriamente entre os L modelos. O vector dos parmetros do novo
modelo dado por,
mk = 2 c mM+1)
(8.6.2.2)
16
PGEM
________________________________________________________________________________________________
onde c o centride dos M primeiros modelos escolhidos, mM+1) o vector dos
parmetros correspondente ao (M+1)-simo modelo escolhido sendo M o nmero
de parmetros a determinar. Se os elementos de mk obedecerem aos
constrangimentos impostos e se o valor da correspondente funo objectivo for
inferior a max o anterior modelo mmax retirado dos L modelos iniciais e
substitudo pelo novo modelo. Se o novo modelo no satisfizer os constrangimentos
ou se a correspondente funo objectivo for maior que max, o novo modelo no
considerado procedendo-se a nova seleco aleatria de (M+1) modelos. A
substituio de um modelo de L por um novo modelo constitu uma iterao. O
processo iterativo termina quando as funes objectivo de todos os L modelos
tiverem um valor inferior a um valor definido .
O conjunto de L possveis solues estimadas pelo mtodo CRS formam um
cluster de modelos na vizinhana do mnimo absoluto. O modelo representado
pelo centride deste cluster, m*, dever ser mais significativo que qualquer dos
modelos do conjunto e considerado como a melhor estimativa dos parmetros do
modelo. A matriz de covarincia dos parmetros pode ser estimada por (Silva and
Hohmann, 1983),
Cij =
1 L
(mik mI*)(mjk mj*)
L 1 k =1
(8.6.2.3)
onde mik representa a k-sima estimativa do parmetro i e mI* a melhor estimativa

do parmetro I, dada por
mI* =
1 L
mIk* .
L k =1
(8.6.2.4)
A matriz de correlao R obtida normalizando-se C,

Rij = Cij /(Cii Cjj)1/2
(8.6.2.5)
Exerccio. Resolva o exerccio do pargrafo 8.4.3 usando o mtodo CRS.

8.7. Anlise da soluo do PI
A anlise da soluo do PI deve permitir uma avaliao da qualidade da soluo

obtida. Assim deve ser possvel:
-
determinar a covarincia e/ou correlao dos parmetros do modelo,

determinar o intervalo de confiana dos parmetros.
A anlise destas grandezas no oferece dificuldade de maior, quando se trata de

modelos obtidos usando o mtodo dos mnimos quadrados (geralmente problemas
1-D). Nos casos em que o PI resolvido usando-se algoritmos de regularizao (2D e 3-D), o problema bastante mais difcil, devido densa parametrizao
utilizada, no havendo nenhuma metodologia definida. usual, contudo, procederse a uma anlise da sensibilidade do modelo com o objectivo de estudar-se a
estabilidade da soluo e definirem-se os parmetros que so realmente
importantes. Este tema ser abordado no pargrafo 7.
Considere-se, ento, a soluo clssica do PI, obtida usando-se o mtodo dos
mnimos quadrados. Assume-se que os dados obedecem a uma distribuio
17
PGEM
________________________________________________________________________________________________
Gaussiana. Aceita-se, ainda, que os parmetros do modelo a priori, usado como
informao a priori, obedece tambm a uma distribuio Gaussiana.
Matriz de covarincia
Assumindo que os dados os parmetros do modelo a priori no esto
correlacionados, a matriz de covarincia do modelo estimado pode ser calculada por
(Menke, 1984),
C = Jk-g Cd (Jk-g)T + (I R) Cm (I R)T
(8.7.1)
onde, Cd e Cm so as matrizes de covarincia dos dados e dos parmetros do

modelo a priori e,
Jk-g = Cm JkT (Cd + Jk Cm JkT )-1
(8.7.2)
R = Jk-g Jk
(8.7.3)
sendo a matriz sensibilidade Jk calculada na iterao final, k.

Intervalo de confiana e valores extremos dos parmetros
Seja mo a soluo ptima para um dado PI. A esta soluo corresponde um valor
(mnimo) da funo objectivo, o. O valor da diferena entre os dados e a resposta
daquele modelo ser bo = do g(mo). Para um modelo m, na vizinhana de mo temse,
m = mo +
b = bo + c
e
= o +
Seja a funo objectivo definida por = || b J m ||2. Facilmente se mostra que

= cT c = T V 2 VT
(8.7.4)
Esta a equao de um hiper-elipside com centro em mo e com semi-eixos de
comprimento (1/2 -1) paralelos aos vectores prprios v. A forma quadrtica de
tem uma distribuio 2 com um nmero de graus de liberdade igual ao nmero
M de parmetros. A superfcie de confiana (1-) % ser, ento, limitada no espao
de parmetros pelo elipside6
T V 2 VT = M, 2 .
(8.7.5)
Com o objectivo de estudar os valores extremos dos parmetros, defina-se (no

espao dos parmetros) o funcional linear:
6
A superfcie de confiana (1-) obtida considerando os parmetros m tais que
<
M
FM,N-M, (mo) = constante. Nesta expresso FM,N-M, representa a distribuio de Fisher a M, N-M graus
N M
de liberdade e probabilidade (1-).

18
PGEM
________________________________________________________________________________________________
() = a
(8.7.6)
Os valores extremos deste funcional sobre a superfcie de confiana verificar-seo em dois pontos tangentes superfcie e a dois hiper-planos (). Nestes pontos o
vector a deve ser paralelo ao gradiente da superfcie, isto ,
= V 2 VT = B a
(8.7.7)
Como os pontos que correspondem aos extremos devem estar sobre a superfcie,
tem-se
= T V 2 VT = (B V -2 VT a )T V 2 VT (B V -2 VT a )
(8.7.8)
vindo ento,
B = (1/2 / || -1 VT a ||)
(8.7.9)
Os valores extremos sobre a superfcie de confiana, na direco a, sero calculados
por,
m = mo +
(8.7.10)
com
= 1/2 V -1 w
(8.7.11)
com w = ( -1 VT a ) / || -1 VT a || .
A teoria exposta neste pargrafo diz respeito aos casos ideais. Para anlise de casos
reais adopta-se a mesma aproximao com algumas adaptaes. Aceita-se que
obedece a uma distribuio 2 no se conhecendo, contudo, o nmero de graus de
liberdade. Num caso real o hiper-elipside no ser simtrico relativamente ao
ponto mo, isto , os semi-eixos sero diferentes segundo se percorra o vector
prprio, associado a um dos parmetros, no sentido positivo ou negativo e a sua
magnitude no ser dada pela equao (8.7.11). Aceita-se, contudo, que os eixos do
hiper-elipside se mantm paralelos aos vectores prprios.
O clculo dos semi-eixos faz-se ento calculando-se, para cada parmetro, o valor
de B que satisfaz a condio
(mo + B v) = o +
(8.7.11)
Os valores dos semi-eixos (1/2 -1) devem ser, ento, substitudos pelos valores
B . Os valores extremos dos parmetros so calculados tomando sucessivamente
para vector a, os vectores unitrios ej do espao de parmetros,
ej = (ij,., ij) com i=1,,M
Os intervalos de confiana do uma imagem da qualidade da soluo obtida. Um

parmetro mal determinado estar, evidentemente associado a um amplo intervalo
19
PGEM
________________________________________________________________________________________________
de confiana enquanto um parmetro bem determinado ser caracterizado por um
estreito intervalo de confiana. Este tema ser de novo abordado quando se
estudarem os problemas de equivalncia em GEM.
8.8. Ambiguidade (equivalncia) e sensibilidade da soluo
Neste pargrafo analisam-se as capacidades dos mtodos GEM discutindo-se,

fundamentalmente, as seguintes questes:
qual a sensibilidade dos mtodos GEM para detectar e caracterizar uma
estrutura de interesse?. A questo pode ser formulada da seguinte maneira: quais as
caractersticas que deve possuir uma estrutura para que os mtodos GEM sejam
sensveis sua presena?;
tendo sido detectada a presena de uma estrutura, com caractersticas
semelhantes s esperadas para a estrutura de interesse, at que ponto que se pode
afirmar de que se trata da estrutura procurada?
Estas duas questes so de grande importncia em geofsica aplicada. A primeira
questo diz respeito sensibilidade (ou insensibilidade) dos mtodos GEM e pode,
em princpio, ser respondida atravs da anlise das derivadas parciais (em ordem
aos parmetros) da resposta do modelo (o conjunto destas derivadas constitui a
matriz de sensibilidade J). O problema pode apenas ser completamente analisado
(analiticamente) para o caso de estruturas estratificadas (modelos 1-D).
A segunda questo, relativa possibilidade de duas (ou mais) estruturas
geoelctricas causarem o mesmo efeito (possurem a mesma resposta) quando em
interaco com o mesmo campo electromagntico, est intimamente relacionada
com o que, em matemtica, se designa por unicidade da soluo. Os modelos
(relaes matemticas) adoptados em GEM para descrever o comportamento do
campo electromagntico baseiam-se na soluo de equaes diferenciais de segunda
ordem, desenvolvidas a partir das equaes de Maxwell, com condies de fronteira
adequadas, sendo possvel demonstrar-se a unicidade da soluo na maioria dos
casos (Zdhanov and Keller, 19**). O problema reside no facto de os dados serem
em nmero finito (discretos) e medidos com uma preciso limitada. Assim, a
garantida unicidade analtica do problema directo em GEM no garante que os
dados recolhidos sejam o nico descritor de um modelo nico de estrutura
geolgica. Como o nmero de modelos geolgicos pode ser infinito, necessitar-seia de um equivalente nmero de dados para garantir a unicidade. Em termos
prticos isto significa que no possvel distinguir entre vrios modelos que tenham
as mesmas respostas. Este fenmeno designado em GEM por equivalncia entre
modelos.
Sensibilidade dos modelos 1-D isotrpicos (sondagens Schlumberger e MT)
Quando se investiga o interior da terra usando sondagens Schlumberger (ou MT)
assume-se, frequentemente, que o terreno pode ser bem representado por um
modelo de camadas (modelo 1-D). Neste caso a resistividade aparente a, em
funo da geometria do dispositivo, dada por (Johanssen, 1977),
a(r ) = r2
T1(n) J1(nr) n dn .
(8.8.1)
J1(nr) representa a funo de Bessel, T1(n) uma funo (designada geralmente por
transformada da resistividade) que depende da estrutura geoeltrica do modelo e
pode ser calculada de modo recursivo.
Suponha-se que um dos parmetros do modelo sofre uma variao pequena, . A
funo sensibilidade definida por,
20
PGEM
________________________________________________________________________________________________
P0(a) = r2
P(T1(n)) J1(nr) n dn
(8.8.2)
onde P(T1(n)) = ( a( ) - a(0 ) ) / ( a(0 ) ). Nesta expresso a(0 ) a

resistividade aparente calculada a partir do modelo no perturbado e a( ) a
resistividade aparente correspondente ao mesmo modelo em que um dos parmetros
sofreu uma variao . Quando a variao infinitesimal a funo sensibilidade
coincide com a derivada parcial do logaritmo da resistividade aparente em relao
ao parmetro (derivada de Frechet),
P0(a) = ( a / m )/ a = (r2/a )
( T1(n) / m ) J1(nr) n dn.
(8.8.3)
Em MT, considerando as hipteses de Tikhonov-Cagniard como vlidas, a
resistividade aparente, em funo da frequncia, dada por (Zdhanov and Keller,
19??),
a( ) =
| C1 |2
(8.8.4)
onde a funo complexa C1, representando a impedncia superfcie do modelo (e

que depende da estrutura geoeltrica do modelo e da frequncia), calculada de
modo recursivo. A funo sensibilidade da sondagem MT do modelo ser ento
dada por,
P0(a) = ( a / m )/ a =
Re(C1* C1/ m ) / a
(8.8.5)
Uma questo importante a estudar o efeito das camadas superiores (condutoras ou
resistivas) na funo sensibilidade. Este efeito conhecido como efeito de ecr .
Em resumo:
No caso das sondagens em corrente contnua o efeito de ecr, que corresponde
sempre a um decrscimo da amplitude da funo sensibilidade, ocorre sempre
independentemente das caractersticas geoelctricas da camada de cobertura. Isto ,
ecrs do tipo S ou T, podem ocorrer. No caso das sondagens MT o efeito de um
ecr condutor mais significativo que o de um ecr resistivo.
Sensibilidade dos modelos isotrpicos 2-D e 3-D
Os estudos de sensibilidade nos modelos 2-D e 3-D apenas podem ser realizados
recorrendo-se ao clculo numrico, uma vez que no existem solues analticas
para o comportamento do campo electromagntico em meios condutores bi- e
tridimensionais.
Independentemente do mtodo adoptado (elementos finitos ou diferenas finitas)
para a resoluo da equao de domnio - que traduz o comportamento do potencial
21
PGEM
________________________________________________________________________________________________
elctrico (no caso da resistividade) ou das componentes do campo electromagntico
(no caso da MT) num elemento do domnio - -se conduzido, quando se considera
todo o domnio de interesse, a um sistema de equaes que pode ser escrito na
forma matricial do seguinte modo:
K fT = sT
(8.8.6)
onde os elementos da matriz K dependem das caractersticas geoelctricas do
terreno e o vector s contm a informao referente s fontes. O vector f formado
pelos valores da funo em estudo (potencial elctrico ou componentes do campo
electromagntico) nos nodos da malha.
A funo sensibilidade, definida por P0(a) = ( a / m )/ a implica o clculo da
derivada f /m, atravs da resoluo do sistema de equaes:
K (fT /m) = - (K /m) fT
(8.8.7)
Ambiguidade dos modelos 1-D isotrpicos (sondagens Schlumberger e MT)

Os efeitos de insensibilidade dos mtodos GEM verificam-se quando as variaes
dos parmetros so pequenas. Os casos de ambiguidade ocorrem, pelo contrrio,
quando se verificam grandes contrastes de resistividade elctrica no perfil
geoelctrico do modelo.
Para o caso de modelos estratificados isotrpicos e para as sondagens em corrente
contnua, possvel verificar a existncia de dois tipos de equivalncia7:
-
equivalncia em S, que se verifica em perfis geoelctricos do tipo A e H e,

equivalncia em T, que se verifica em perfis geoelctricos do tipo Q e K.
O primeiro tipo de equivalncia verificar-se quando uma camada relativamente

condutora est localizada entre duas mais resistivas. A segunda camada, de
espessura h2 e resistividade 2, caracterizada pela sua condutncia S= h2/2. Esta
camada pode ser substituda por uma outra com a mesma condutncia, sem
alterao significativa na resposta do modelo.
A equivalncia em T verifica-se quando a segunda camada se localiza entre duas
camadas mais condutoras. Neste caso a resistividade e espessura da segunda
camada podem ser alteradas, mantendo-se constante a grandeza T=h22, sem
alterao significativa da resposta do modelo.
O primeiro tipo de equivalncia verifica-se tambm quando se usam sondagens MT.
Contudo, o segundo tipo de equivalncia no observado nas sondagens MT.
Quando se procede inverso de dados de sondagens os problemas de correlao, equivalncia e irrelevncia de

parmetros podem ser estudados atravs da anlise conjunta dos valores singulares e da matriz de vectores prprios, V.
Assim (Sandberg, 19**):
- estaro correlacionados os parmetros para os quais, numa mesma coluna de V, correspondam valores elevados de
v;
- estaro bem determinados os parmetros (ou combinaes destes) associados a valores singulares elevados;
- sero irrelevantes (e portanto mal determinados) os parmetros a que correspondem valores elevados de v
associado apenas a valores singulares pequenos.
22
PGEM
________________________________________________________________________________________________
Ambiguidade dos modelos anisotrpicos 1-D (MT)
A ambiguidade nos modelos contendo camadas anisotrpicas necessariamente
maior, devido ao maior nmero de parmetros existentes: trs resistividades
principais (mx, my, mz), trs ngulos (direco da anisotropia m, inclinao da
anisotropia m e o ngulo de mergulho m) alm da espessura da camada hm. No
caso de um meio contendo camadas anisotrpicas com inclinao (e m= 0)
possvel verificar que a ambiguidade controlada pela relao (Monteiro Santos
and Mendes-Victor, 199??),
my (1 + (m2 1) sen2 m )
(8.8.8)
onde my representa a resistividade da camada m na direco y, m a inclinao do
sistema principal de anisotropia na camada m e m o coeficiente de anisotropia
(m2 = mz / my ).
A expresso (8.7.8) permite verificar que: 1) quando a inclinao da anisotropia
nula, isto , na presena de anisotropia horizontal, a componente vertical da
resistividade da camada no tem nenhum efeito sobre o comportamento do campo
(neste caso no possvel conhecer-se este parmetro a partir dos dados de MT); 2)
quando a inclinao for de 90 o comportamento do campo independe da
componente da resistividade na direco y; 3) quando mz = my a resposta do
modelo no depende do ngulo de inclinao. Estes resultados haviam j sido
obtidos (a partir de experincias numricas) por Reddy and Rankin (1971).
De acordo com os resultados anterior pode concluir-se que ao inverter dados de MT
adquiridos em meios anisotrpicos, a ambiguidade dos parmetros mx, m e hm
apenas determinada pela qualidade dos dados, enquanto os restantes parmetros
esto sujeitos a uma ambiguidade intrnseca controlada pela relao (8.7.8)
(Monteiro Santos and Mendes-Victor, 19**).
O problema da ambiguidade em sondagens MT em meios 1-D com anisotropia
generalizada foi tratado de modo mais geral por Pek and Monteiro Santos (2002)
que mostraram que a resposta de um tal meio equivalente resposta de um meio
com anisotropia azimutal em que os elementos do tensor das condutividades so
dados por:
Aij = ij (iz zj / zz)
com i e j = x,y.
(8.7.9)
Qualquer variao no tensor das condutividades que no altere os valores de A

no poder ser reconhecida pelas sondagens MT.
8.9. Inverso conjunta
Com o objectivo de diminuir a ambiguidade das solues obtidas a partir da

inverso de dados de geofsica, nomeadamente de dados de PGEM, tem-se
procedido ao desenvolvimento de metodologias que permitam a inverso conjunta
de dados adquiridos com diferentes mtodos. Para se proceder inverso conjunta
de dados necessrio, contudo, que haja um parmetro comum aos mtodos em
uso. Algumas das experincias realizadas englobaram inverses conjuntas de dados
de resistividade e MT (Vozoff and Jupp, 1975; Sasaki, 1989; Monteiro Santos et
al., 2000) e dados de resistividade e dados obtidos usando-se o mtodo transiente
(Christensen, 2000). Tm-se realizado tentativas de inverso de dados de
resistividade e ssmica (Hering et al., 1995; Misiek et al., 1997; Nath and Shahid; ).
Embora se tenha notcia de projectos de investigao em curso, no so conhecidos
23
PGEM
________________________________________________________________________________________________
resultados da inverso conjunta de dados de MT (ou resistividade) e gravimetria
(Das, K., Hoversten, G.M. and Morrison, H.F. da Universidade de Berkeley).
8.9.1. Inverso conjunta de dados de resistividade e MT
Os dois mtodos so sensveis condutividade (ou resistividade) elctrica

possuindo algumas caractersticas complementares (Vozoff and Jupp, 1975):
o mtodo MT muito sensvel a estruturas condutoras (mesmo a camadas
de pequena espessura) mas pouco sensvel s estruturas resistivas; o mtodo da
resistividade , por seu lado, mais sensvel a estruturas resistivas;
a resposta do mtodo da resistividade, para camadas de pequena espessura,
depende dos produtos (condutividade x espessura) ou (resistividade x espessura);
a profundidade de investigao do mtodo da resistividade inferior ao da
MT.
H contudo diferenas nos mtodos que devem ser consideradas. Destas, a mais
importante, que no mtodo da resistividade, devido ao facto do campo ser gerado
por injeco pontual de corrente superfcie do meio, h uma componente vertical
do campo elctrico que no existe no mtodo MT, pois as correntes elctricas neste
mtodo, induzidas por uma fonte exterior, so paralelas superfcie do terreno8. Por
esta razo os valores das resistividades reais obtidas a partir do mtodo MT so,
geralmente, menores que os obtidos a partir do mtodo da resistividade. Este facto
pode gerar algumas dificuldades de convergncia do algoritmo de inverso
conjunta. Para se evitar este tipo de problemas deve proceder-se a uma anlise
prvia da compatibilidade dos dados a inverter ou procede-se inverso de curvas
mdias (Monteiro Santos et al., 2000).
As vantagens da inverso dos dados so: 1) uma melhor definio dos parmetros e,
consequentemente 2) uma menor ambiguidade nos parmetros importantes para os
dois mtodos.
8.9.2. Inverso conjunta de dados de GEM e ssmica
A combinao de dados recolhidos por estas duas tcnicas, aparentemente to

dispares, baseia-se na complementaridade existente entre eles. Como se viu, os
problemas de equivalncia nos mtodos geo-electromagnticos, limitam a sua
aplicabilidade. Por outro lado, a resoluo das tcnicas de ssmica de refraco
limitada quando h inverso de velocidades no perfil de velocidades e na presena
de camadas de pequena espessura. Nestas situaes a combinao dos dois mtodos
pode levar soluo do problema que o de determinar a estrutura do subsolo.
Deve notar-se que os mtodos de inverso adoptados por alguns dos autores que
tm vindo a desenvolver investigao nesta rea (Nath and Shahid, por exemplo)
so melhor definidos pela designao inverso multi-sequencial do que por
inverso conjunta. De facto, enquanto a inverso conjunta leva obteno de um
nico modelo que satisfaz o conjunto de dados, o mtodo de inverso multisequencial utiliza a soluo da inverso de um dos sub-conjuntos de dados como
modelo inicial para a inverso dos restantes dados. O resultado final o clculo de
dois modelos em que alguns parmetros tm um certo grau de sobreposio.
O parmetro que tem sido usado como parmetro comum aos dois mtodos a
profundidade das interfaces que limitam as diferentes camadas que constituem o
modelo de terreno. Parmetros no comuns so a resistividade e a velocidade das
ondas ssmicas. As metodologias desenvolvidas tm, portanto, privilegiado o
8
Esta diferena pode ser, no entanto, usada para distinguir meios anisotrpicos (Christensen, 2000).
24
PGEM
________________________________________________________________________________________________
modelo estratificado de terreno, que so aqueles que melhor se adaptam aos
dispositivos utilizados. No so conhecidos resultados que considerem o uso de
modelos 2-D.
8.10. Concluses
O problema inverso em geofsica aplicada, com especial destaque para mtodos

electromagnticos de prospeco, , claramente, um problema no linear. Na sua
resoluo tm sido aplicadas diferentes tcnicas matemticas com especial relevo
para os mtodos de regularizao. Estes mtodos permitem a obteno de um
modelo de estrutura mnima compatvel com os dados disponveis. Dado o cariz
no linear do PI, sempre interessante a aplicao de mtodos que no se baseiem
no princpio da optimizao. Incluem-se neste caso os mtodos derivados do
mtodo Monte Carlo, como por exemplo o SA e o CRS. Teoricamente estes
mtodos apresentam a vantagem de serem menos susceptveis a ficarem retidos
numa soluo que represente um mnimo local do espao das solues.
Independentemente do mtodo adoptado, a resoluo do PI deve sempre ter em
ateno a no unicidade (ambiguidade) e a estabilidade da soluo obtida. Estes
problemas esto ligados quantidade, modo de aquisio e qualidade dos dados
bem como ao tipo de modelo matemtico adoptado. Com vista a diminuir a
ambiguidade da soluo do PI tm sido desenvolvidas metodologias que permitem a
inverso conjunta de dados adquiridos utilizando-se diferentes tcnicas de
prospeco. Exceptuando-se a inverso conjunta de dados de resistividade/magnetotelrica ou resistividade/TDEM a inverso conjunta de dados de PGEM com outros
tipo de dados (gravimetria e ssmica, por exemplo) est ainda numa fase de
investigao.
Referncias
Christensen, N.B., 2000. Difficulties in determining electrical anisotropy in

subsurface investigations Geophysical Prospecting, 48, 1-19.
Constable, S.C., Parker, R.L. and Constable, C.G., 1987. Occams inversion: a
practical algorithm for generating smooth models from electromagnetic sounding
data. Geophysics, 52, 289-300.
Hering, A., Misiek, R., Gyulai, A., Ormos, T., Dobroka, M., Dresen, L., 1995. A
joint inversion algorithm to process geoelectric and surface wave data, Part A: basic
ideas. Geophysical Prospecting, 43, S. 135-156.
Johansen, H.K., 1977. A man/computer interpretation system for resistivity
soundings over a horizontally stratified earth. Geophysical Prospecting, 25, 677691.
Menke, W., 1984. Geophysical data analysis: discrete inverse theory. W. Menke,
Academic press, Inc..
Meju, M.A., 1998. Geophysical data Analysis: Understanding Inverse problem:
Theory and Practice. Course Notes Series, N 6, S.N. Domenico, Editor, SEG,
1998.
Misiek, R., Liebig, A., Gyulai, A., Ormos, T., Dobroka, M.; Dresen, L., 1997. A
joint inversion algorithm to process geoelectric and surface wave data; Part B:
application. Geophysical Prospecting 45 , S. 65-85.
Mrinal, K.S., Bhattacharya, B.B. and Stoffa, P.L., 1993. Nonlinear inversion of
resistivity sounding data, Geophysics, 58 (4), 496-507.
25
PGEM
________________________________________________________________________________________________
Monteiro Santos, F. A., Dupis, A., Andrade Afonso, A.R. and L. A. Mendes-Victor,
1997. 1D joint inversion of AMT and resistivity data acquired over a graben. Journal
of Applied Geophysics, 38, 115-12.
Monteiro Santos, F.A. and Mendes-Victor, L.A., 1997. 1D interpretation of anisotropic
MT data. 5 Congresso Internacional Sociedade Brasileira de Geofsica, Vol. 2, 772775.
Nath, S.K. and Shahid, S., ---. Joint application of seismic refraction and vertical
electrical sounding for the delineation of aquifers, --Pek, J. and Monteiro Santos, F.A., 2002. Magnetotelluric inversion for anisotropic
conductivities,
Sandberg, S.K., 1993. Example of resolution improvement in geoelectrical
soundings applied to groundwater investigations. Geophysical Prospecting, 41, 207227.
Sasaki,Y., 1989. Two-dimensional joint inversion of magnetotelluric and dipoledipole resistivity data. geophysics, 54,254-262.
Tarantola, A., 2004. Inverse Problem Theory and Model Parameter Estimation.
SIAM.
Vozoff, K., and Jupp, D.L.B., 1975. Joint inversion of physical data. Geophys. J.R.
astr. Soc., 42, 977-991.
Zhdanov, M.S. and Keller, G.V., 1994. The geoelectrical methods in geophysical
exploration. Methods in geochemistry and geophysics. Elsevier.
26

Problem A in Verso 2

Enviado por

Dados do documento

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Problem A in Verso 2

Enviado por

Direitos autorais:

Formatos disponíveis

Prospeco Geofsica I Captulo 8.

Prospeco Geofsica I Captulo 8. Inverso de dados em

com a condio do d quando d 0

onde representa uma distncia (mtrica) definida no espao dos dados.

Prospeco Geofsica I Captulo 8. Inverso de dados em

A profundidade de investigao ou profundidade efectiva a profundidade para a qual, em meio homogneo e

Prospeco Geofsica I Captulo 8. Inverso de dados em

Prospeco Geofsica I Captulo 8. Inverso de dados em

onde G-1 representa a matrix inversa. A resoluo s possvel se G no fr

= E = eT e = (do - G m)T (do - G m)

Obtm-se um sistema de N equaes com M incgnitas cuja soluo ,

A minimizao desta funo conduz soluo,

que combina a minimizao do erro e da norma da parte menos importante (menos

Prospeco Geofsica I Captulo 8. Inverso de dados em

onde a matriz D dada por:

com F = [1 1 1 ....1] . Se se conhecer o valor de um dos elementos da soluo,

Prospeco Geofsica I Captulo 8. Inverso de dados em

8.4.2. Covarincia dos parmetros

Os valores estimados para os parmetros tero uma covarincia dada por,

Se os dados forem independentes (no correlacionados) e com varincia d2, ento3,

e tem-se para a covarincia do modelo:

Conhecida a covarincia do modelo podem calcular-se os erros associados a cada

Os dados pesados tm uma covarincia [cov d] = I

Prospeco Geofsica I Captulo 8. Inverso de dados em

Aquela condio s se verifica quando a matriz da resoluo dos parmetros

8.5. Resoluo do problema inverso no linear usando mtodos de minimizao

Prospeco Geofsica I Captulo 8. Inverso de dados em

Desprezando os termos de ordem superior R(mk-1, m) no desenvolvimento da

Aceita-se que os dados tm uma distribuio Gaussiana.

Prospeco Geofsica I Captulo 8. Inverso de dados em

Exerccio. Elabore um algoritmo para a resoluo do PI no caso de sondagens

Prospeco Geofsica I Captulo 8. Inverso de dados em

[m( z )]2 dz, 0

Exerccio. Considere o perfil de anomalia gravimtrica dado na tabela seguinte.

Prospeco Geofsica I Captulo 8. Inverso de dados em

8.5.3. Os mtodos de regularizao (mtodo de Tikhonov)

O problema inverso fica ento formulado do seguinte modo: conhecido o vector de

onde m a soluo do PI que minimiza a funo objectiva global para um dado .

onde Wm uma matriz diagonal que controla a importncia do afastamento de

Prospeco Geofsica I Captulo 8. Inverso de dados em

Obtenha-se a distribuio de d considerando-se os valores de y da tabela (unidades

Exerccio. Elabore um algoritmo para a resoluo do PI no caso de sondagens

O mtodo do gradiente descendente um dos mtodos mais usados na resoluo de

onde k um real positivo a determinar e l(m) representa o gradiente do funcional,

O coeficiente k calculado a partir da condio de que a funo

Prospeco Geofsica I Captulo 8. Inverso de dados em

Considere-se a primeira iterao do processo iterativo, em que

A matriz H1 designada por matriz Hessiana regularizada e definida por,

De acordo com o algoritmo de Newton o vector dos parmetros, na iterao k+1

Este mtodo converge, em geral, mais rapidamente que o mtodo do gradiente

onde o parmetro kk calculado como se exps em pargrafo anterior.

No mtodo do gradiente conjugado, tal como mo mtodo do gradiente descendente,

Prospeco Geofsica I Captulo 8. Inverso de dados em

Os mtodos de resoluo do PI expostos no pargrafo 4 so adequados quando a

O nome deste algoritmo traduz a semelhana existente entre o algoritmo de SA e o

Prospeco Geofsica I Captulo 8. Inverso de dados em

(m - <m>) (m - <m>)T P(m)

onde as somas so sobre os modelos estimados e P(m) a densidade de

Controlled Random Search (CRS) -Procura aleatria controlada

Na aplicao do algoritmo (iterativo) de Price (1977) principia-se pela gerao

Prospeco Geofsica I Captulo 8. Inverso de dados em

onde mik representa a k-sima estimativa do parmetro i e mI* a melhor estimativa

A matriz de correlao R obtida normalizando-se C,