• inversione sismica
• FWI
• algoritmi genetici
• acustica

Lo scopo del seguente lavoro di tesi è quello di ottenere un modello di velocità delle onde di pressione applicando una Full Waveform Inversion (FWI) acustica a dati terrestri. La FWI consiste in un metodo di inversione sismica che si basa sulla minimizzazione di una funzione di misfit che misura la differenza tra i dati sismici osservati e quelli predetti. Un solido algoritmo di forward modelling, la scelta di un adeguato approccio di ottimizzazione per l'inversione ed un modello iniziale sono gli ingredienti chiave per la FWI. Tale metodologia di inversione è caratterizzata però da numerose limitazioni, quali il costo computazionale e la presenza di numerosi minimi locali nella funzione di misfit. Inoltre, il successo e l'applicabilità della FWI dipendono molto dalle caratteristiche del dato di input, tra le quali: il rapporto segnale-rumore, l'offset massimo registrato, ed il contenuto in basse frequenze. Per tale motivo in letteratura si trovano numerosi esempi riferiti a dati marini (Sirgue et al., 2010), mentre esempi riferiti a dati terrestri sono limitati (Brossier et al., 2009, Plessix et al., 2010, Al-Yaqoobi et al., 2013, Galuzzi et al., 2016). Questo è dovuto principalmente alla bassa qualità dei dati acquisiti onshore, alla topografia e ad effetti superficiali che contaminano il dato con una grande quantità di rumore. Per attenuare i problemi sopra elencati, in questo lavoro di tesi, la Terra è stata considerata come un mezzo puramente acustico (Tarantola A., 1984), ignorando effetti come elasticità, anisotropia ed attenuazione, ed è stata applicata una sequenza di processing al dato con lo scopo di aumentare il rapporto segnale-rumore ed enfatizzare la coerenza degli eventi da invertire. Per cercare di evitare di cadere in minimi locali della funzione di misfit durante l'inversione, sono stati implementati algoritmi genetici come metodo di ottimizzazione globale. Questi, come ogni metodo di ottimizazione globale, sono meno inclini a rimanere intrappolati in minimi locali rispetto ai tradizionali metodi di ottimizzazione locali. Inoltre, rispetto a quest'ultimi, non utilizzano calcoli matematici possibilmente instabili come approssimazioni di derivate ed inversioni di matrici, rendendoli cosi più affidabili. I dati utilizzati in questo lavoro fanno parte della linea sismica Crop18a, acquisita nell'ambito del progetto CROP. La linea è situata nella Toscana meridionale, nota area di interesse geotermico a causa delle intrusioni di corpi magmatici in zone superficiali. La linea è composta dai classici dati NVR (near vertical reflection), con un offset massimo di circa 7,5 km, e da due esperimenti speciali denominati Expanding spread e caratterizzati da un offset massimo di circa 40 km. Le registrazioni NVR utilizzano una carica esplosiva da 30 kg ed uno stendimento di tipo split-spread asimmetrico composto da 192 canali. I dati Expanding spread sono stati acquisiti traslando progressivamente lo stendimento ed aumentando la carica esplosiva, cosi da mantenere un buon rapporto segnale-rumore anche per distanze sorgente-ricevitore elevate. La prima parte di questo lavoro di tesi si concentra dunque sull'elaborazione dei dati (NVR ed expanding spread) e sull'adattamento di questi per i successivi test di inversione. La sequenza di processing applicata comprende filtraggi multicanale e l'utilizzo di operatori per l'aumento della coerenza dei segnali. Sono stati scelti solo 18 shot NVR più i due esperimenti expanding spread, cosi da limitare il tempo di calcolo delle successive inversioni. Nella seconda parte del lavoro vengono quindi descritti i test di FWI stocastica effettuati, che prevedono l'utilizzo di una griglia fine per il modelling ed una più grossolana per l'inversione (Sajeva et al., 2014, Tognarelli et al., 2015, Sajeva et al., 2016), cosi da ridurre il numero delle incognite e, dunque, anche i tempi di calcolo. La griglia di modelling è una matrice composta da 150x1563 nodi, con un passo di campionamento uniforme di 30 metri sia in x che in z. Le griglie di inversione sono composte invece da un numero molto ridotto di nodi, ed il passo di campionamento rimane costante in z mentre aumenta in x all'aumentare della profondità. Per il calcolo della funzione di misfit è stata utilizzata la norma L2 della differenza fra dati osservati e quelli predetti, e l'ondina utilizzata nel forward modelling è stata stimata direttamente dai dati. Per ogni inversione sono stati considerati solo gli arrivi diretti e rifratti dei dati, in un range di frequenza compreso fra 0 e 10 Hz. Nella parte conclusiva della tesi viene descritta la sequenza di processing adottata ed applicata all'intera linea sismica per produrre una sezione stack, focalizzando l'attenzione soprattutto sull'analisi di velocità e sulle operazioni effettuate in dominio CDP. Al termine del lavoro presentato si è notata una buona correlazione tra i modelli di velocità ottenuti dalle inversioni e la geometria degli eventi osservati nella sezione stack. I modelli, infatti, mostrano un contrasto di velocità immergente verso Nord che è in accordo con l'assetto geologico dell'area studiata, evidenziato anche dalla sezione stack. In questa, inoltre, è possibile individuare un evento (a circa 4s) molto riflettente che può essere associato al noto orizzonte K.