{"id":16515,"date":"2026-08-04T13:05:21","date_gmt":"2026-08-04T11:05:21","guid":{"rendered":"https:\/\/www.proefschriftmaken.nl\/portfolio\/maria-carrizo\/"},"modified":"2026-08-04T13:39:51","modified_gmt":"2026-08-04T11:39:51","slug":"maria-carrizo","status":"publish","type":"us_portfolio","link":"https:\/\/www.proefschriftmaken.nl\/en\/portfolio\/maria-carrizo\/","title":{"rendered":"maria carrizo"},"content":{"rendered":"","protected":false},"excerpt":{"rendered":"","protected":false},"author":7,"featured_media":16516,"comment_status":"closed","ping_status":"closed","template":"","meta":{"_acf_changed":false,"footnotes":""},"us_portfolio_category":[45],"class_list":["post-16515","us_portfolio","type-us_portfolio","status-publish","has-post-thumbnail","hentry","us_portfolio_category-new-template"],"acf":{"naam_van_het_proefschift":"INVERSION OF ELECTROMAGNETIC INDUCTION MEASUREMENTS","samenvatting":"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.\n\nToepassingen 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.\n\nDaarom 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.\n\nDeze thesis presenteert een uitgebreide studie van inversiemethoden voor elektromagnetische inductiemetingen in het frequentie-domein, waarbij zowel de computationele effici\u00ebntie 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.\n\nNumerieke 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.\n\nVerder 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 \u00e9\u00e9n 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.\n\nDaarnaast 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.\n\nTen 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.\n\nSamen 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 inversiestrategie\u00ebn 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.","summary":"Frequency-domain electromagnetic induction measurements are acquired to understand the distribution of electrical properties in the subsurface. Because the electromagnetic induction method is widely used in geophysical applications to reveal information about the subsurface, the algorithms for converting measurements into electrical conductivity distributions, or other petrophysical parameters are numerous. This geophysical method is widely applied since it is easily deployable and can cover large survey areas in a relatively small amount of time. A wide range of approaches, from simple linear relationships to sophisticated inversion methods, have been used to transform measurements into subsurface parameters. However, many of these methods depend on additional geological or geophysical information to constrain and validate the inversion result.\n\nNear-surface applications of electromagnetic geophysical methods are crucial for society because they provide cost-effective non-invasive ways to investigate the subsurface for water management, natural resources exploration, and environmental hazards. Therefore, the appropriate use and accuracy of the estimations using this measurements is vital for resource assessment, effective hazard mitigation, and reliable engineering projects by providing a precise understanding of subsurface conditions. In general, this geophysical method has been studied exhaustively, but is still challenging to understand the uncertainties associated.\n\nThis thesis presents a comprehensive study of inversion methodologies for frequency domain electromagnetic induction surveys, addressing both computational efficiency and model reliability. We start by studying the sensitivity of the measurements to the electrical conductivity of the subsurface. We analyze the impact of using linear approximations and compare them to a global search strategy using precomputed lookup tables of semi-analytic forward responses. The global search method enables rapid electrical conductivity model estimation, without iterative forward modeling. This approach is validated with synthetic and field datasets, demonstrating fast convergence and reliable recovery of horizontally 2-layered earth models. Furthermore, the study demonstrates the added value of using both quadrature and in-phase components of the measurements. Numerical experiments demonstrate that incorporating the in-phase response enhances sensitivity to conductivity and, as a result, improves result accuracy compared with quadrature-only inversions, providing new insights into subsurface structure.\n\nMoreover, this thesis investigates the well-posedness of frequency-domain electromagnetic induction data inversion. This analysis demonstrates that the uniqueness of one-dimensional subsurface models with two layers is ensured only when both quadrature and in-phase measurements are incorporated, for multi-coil single frequency configurations. On the contrary, for three-layer models the solution remains underdetermined without additional prior constraints. These findings highlight the fundamental limits of the inversion problem and the importance of exploiting the full information contained in the data.\n\nAdditionally, the limitations of piecewise inversion (subdividing the subsurface into one-dimensional datasets) and laterally constrained inversion are assessed under realistic three-dimensional conditions. Simulations reveal that lateral conductivity variations, topographic effects, and instrument tilt introduce significant distortions, even for small deviations from ideal assumptions. Numerical examples and field applications demonstrate that, while laterally constrained inversion provides smoother results than piecewise inversion, both methods remain vulnerable to error propagation in complex environments.\n\nFinally, this thesis proposes a novel approach based on machine learning inversion via gradient boosted decision trees to estimate layered subsurface electrical conductivity distributions from the measurements. This prediction algorithm provides three clear advantages: Firstly, the ability of the decision trees to provide individual influence weights to different measurement parameters allows for a better understanding of the sensitivity of the individual data values to the subsurface properties. Secondly, this machine learning algorithm learns the physical system\u2019s non-linearity by understanding how the different data parameters interact. Finally, predictions from the electrical conductivity model are generated without prior knowledge of the subsurface. Compared to optimization-based estimations, the machine learning resulting predictions more closely match the true models.\n\nTogether, these contributions advance the knowledge about the inversion of electromagnetic induction measurements by evaluating estimation methodologies, analyzing data utilization, and critically evaluating their application into electrical conductivity distribution of the subsurface. The results emphasize both the potential and the limitations of current inversion strategies, and they motivate the development of forward modelling and inversion methodologies for realistic frequency-domain electromagnetic induction survey conditions. The main contribution of this study is an easily applicable machine learning estimation method without additional information of the subsurface.","auteur":"maria carrizo","auteur_slug":"maria-carrizo","publicatiedatum":"4 september 2026","taal":"EN","url_flipbook":"https:\/\/ebook.proefschriftmaken.nl\/ebook\/mariacarrizo?iframe=true","url_download_pdf":"https:\/\/ebook.proefschriftmaken.nl\/download\/994e6425-191c-49f0-8c0f-427dde9d336d\/optimized","url_epub":"","ordernummer":"19197","isbn":"978-94-6518-358-9","doi_nummer":"","naam_universiteit":"Overig","afbeeldingen":16517,"naam_student:":"","binnenwerk":"","universiteit":"Overig","cover":"","afwerking":"","cover_afwerking":"","design":""},"_links":{"self":[{"href":"https:\/\/www.proefschriftmaken.nl\/en\/wp-json\/wp\/v2\/us_portfolio\/16515","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.proefschriftmaken.nl\/en\/wp-json\/wp\/v2\/us_portfolio"}],"about":[{"href":"https:\/\/www.proefschriftmaken.nl\/en\/wp-json\/wp\/v2\/types\/us_portfolio"}],"author":[{"embeddable":true,"href":"https:\/\/www.proefschriftmaken.nl\/en\/wp-json\/wp\/v2\/users\/7"}],"replies":[{"embeddable":true,"href":"https:\/\/www.proefschriftmaken.nl\/en\/wp-json\/wp\/v2\/comments?post=16515"}],"version-history":[{"count":1,"href":"https:\/\/www.proefschriftmaken.nl\/en\/wp-json\/wp\/v2\/us_portfolio\/16515\/revisions"}],"predecessor-version":[{"id":16518,"href":"https:\/\/www.proefschriftmaken.nl\/en\/wp-json\/wp\/v2\/us_portfolio\/16515\/revisions\/16518"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/www.proefschriftmaken.nl\/en\/wp-json\/wp\/v2\/media\/16516"}],"wp:attachment":[{"href":"https:\/\/www.proefschriftmaken.nl\/en\/wp-json\/wp\/v2\/media?parent=16515"}],"wp:term":[{"taxonomy":"us_portfolio_category","embeddable":true,"href":"https:\/\/www.proefschriftmaken.nl\/en\/wp-json\/wp\/v2\/us_portfolio_category?post=16515"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}