maria carrizo

Metingen van elektromagnetische inductie in het frequentie-domein worden uitgevoerd om de verdeling van elektrische eigenschappen in de ondergrond te begrijpen. Omdat de elektromagnetische inductie methode veelvuldig wordt gebruikt in geofysische toepassingen om informatie over de ondergrond te onthullen, bestaan er talloze algoritmen voor het omzetten van metingen in elektrische geleidbaarheidsverdelingen of andere petrofysische parameters. Deze geofysische methode wordt veel toegepast omdat deze eenvoudig inzetbaar is en grote onderzoeksgebieden in relatief korte tijd kan bestrijken. Een breed scala aan benaderingen, van eenvoudige lineaire verbanden tot geavanceerde inversiemethoden, is gebruikt om metingen om te zetten in ondergrondse parameters. Veel van deze methoden zijn echter afhankelijk van aanvullende geologische of geofysische informatie om het inversieresultaat te beperken en te valideren.

Toepassingen van elektromagnetische geofysische methoden in de nabije ondergrond zijn cruciaal voor de samenleving, omdat ze kosteneffectieve, niet-invasieve manieren bieden om de ondergrond te onderzoeken voor waterbeheer, exploratie van natuurlijke hulpbronnen en milieugevaren.

Daarom is het juiste gebruik en de nauwkeurigheid van de schattingen met behulp van deze metingen van vitaal belang voor de beoordeling van hulpbronnen, effectieve risicobeperking en betrouwbare technische projecten, door een nauwkeurig inzicht te verschaffen in de omstandigheden in de ondergrond. Over het algemeen is deze geofysische methode uitvoerig bestudeerd, maar het blijft een uitdaging om de bijbehorende onzekerheden te begrijpen.

Deze thesis presenteert een uitgebreide studie van inversiemethoden voor elektromagnetische inductiemetingen in het frequentie-domein, waarbij zowel de computationele efficiëntie als de modelbetrouwbaarheid aan bod komen. We beginnen met het bestuderen van de gevoeligheid van de metingen voor de elektrische geleidbaarheid van de ondergrond. We analyseren de impact van het gebruik van lineaire benaderingen en vergelijken deze met een globale zoekstrategie met behulp van vooraf berekende opzoektabelen van semi-analytische voorwaartse responsen. De globale zoekmethode maakt een snelle schatting van het elektrische geleidbaarheidsmodel mogelijk, zonder iteratieve voorwaartse modellering. Deze aanpak wordt gevalideerd met synthetische en veldgegevens, waarbij een snelle convergentie en betrouwbare reconstructie van horizontaal 2-laags aardmodellen wordt aangetoond. Bovendien toont de studie de toegevoegde waarde aan van het gebruik van zowel kwadratuur- als in-fasecomponenten van de metingen.

Numerieke experimenten tonen aan dat het incorporeren van de in-faserespons de gevoeligheid voor geleidbaarheid vergroot en daardoor de nauwkeurigheid van de resultaten verbetert in vergelijking met inversies die alleen gebruikmaken van kwadratuur, wat nieuwe inzichten oplevert in de structuur van de ondergrond.

Verder onderzoekt dit proefschrift de welgedefinieerdheid van frequentie-domein elektromagnetische inductie data inversie. Deze analyse toont aan dat de uniciteit van eendimensionale ondergrondmodellen met twee lagen alleen gegarandeerd is wanneer zowel kwadratuur- als in-fasemetingen worden opgenomen, voor configuraties met meerdere spoelen en één frequentie. Integendeel, voor drielaagse modellen blijft de oplossing onderbepaald zonder aanvullende voorafgaande beperkingen. Deze bevindingen benadrukken de fundamentele beperkingen van het inversieprobleem en het belang van het benutten van alle informatie in de data.

Daarnaast worden de beperkingen van stuksgewijze inversie (het onderverdelen van de ondergrond in eendimensionale datasets) en lateraal beperkte inversie beoordeeld onder realistische driedimensionale omstandigheden. Simulaties laten zien dat laterale geleidbaarheidsvariaties, topografische effecten en instrumenthelling aanzienlijke vertekeningen introduceren, zelfs bij kleine afwijkingen van ideale aannames. Numerieke voorbeelden en veldtoepassingen tonen aan dat, hoewel lateraal beperkte inversie vloeiendere resultaten oplevert dan stuksgewijze inversie, beide methoden kwetsbaar blijven voor foutpropagatie in complexe omgevingen.

Ten slotte stelt dit proefschrift een nieuwe benadering voor, gebaseerd op machine learning-inversie via gradient boosted decision trees, om gelaagde elektrische geleidbaarheidsverdelingen in de ondergrond te schatten op basis van de metingen. Dit voorspellingsalgoritme biedt drie duidelijke voordelen: Ten eerste maakt de mogelijkheid van beslissingsbomen om individuele invloedsgewichten toe te kennen aan verschillende meetparameters een beter begrip mogelijk van de gevoeligheid van de individuele datawaarden voor de eigenschappen van de ondergrond. Ten tweede leert dit machine learning-algoritme de niet-lineariteit van het fysieke systeem door te begrijpen hoe de verschillende dataparameters op elkaar inwerken. Ten slotte worden voorspellingen op basis van het elektrische geleidbaarheidsmodel gegenereerd zonder voorafgaande kennis van de ondergrond. In vergelijking met op optimalisatie gebaseerde schattingen komen de voorspellingen van machine learning beter overeen met de werkelijke modellen.

Samen bevorderen deze bijdragen de kennis over de inversie van elektromagnetische inductiemetingen door schattingsmethoden te evalueren, datagebruik te analyseren en de toepassing ervan op de elektrische geleidbaarheidsverdeling van de ondergrond kritisch te beoordelen. De resultaten benadrukken zowel de mogelijkheden als de beperkingen van de huidige inversiestrategieën en stimuleren de ontwikkeling van voorwaartse modellering en inversiemethoden voor realistische elektromagnetische inductiemetingen in het frequentiedomein. De belangrijkste bijdrage van deze studie is een eenvoudig toepasbare machine learning-schattingsmethode die geen aanvullende informatie over de ondergrond vereist.