logo SBA

ETD

Archivio digitale delle tesi discusse presso l’Università di Pisa

Tesi etd-05212019-093728


Tipo di tesi
Tesi di laurea magistrale
Autore
FERDEGHINI, ALESSIO
URN
etd-05212019-093728
Titolo
Nuovo approccio alla costruzione di modelli di velocita 3D e analisi dell'evoluzione del misfit di una inversione Full Waveform globale
Dipartimento
SCIENZE DELLA TERRA
Corso di studi
GEOFISICA DI ESPLORAZIONE E APPLICATA
Relatori
relatore Prof. Mazzotti, Alfredo
correlatore Prof. Tognarelli, Andrea
correlatore Panizzardi, Jacopo
controrelatore Stucchi, Eusebio Maria
Parole chiave
  • Algoritmi genetici
  • Full Waveform
  • Inversione
  • Misfit
  • Modelli
  • Sismica
Data inizio appello
07/06/2019
Consultabilità
Non consultabile
Data di rilascio
07/06/2089
Riassunto
Questo lavoro di tesi è suddivisibile in 2 parti, svolte in ambienti diversi e con obiettivi differenti.
La prima parte, in collaborazione con ENI Upstream and Technical Services, ha avuto come scopo principale la comprensione delle funzionalità del software prototipale “driver.x” (scritto dal dott. Robert Clapp, università di Stanford) per la costruzione di modelli di velocità 3D.Tale software si basa sulla definizione di una serie di eventi geologici come “depositi”, “faglie” ecc., di cui bisogna impostare i parametri che li identificano; gli elementi scelti saranno riprodotti in una griglia posta in un sistema di riferimento cartesiano tridimensionale. Vista la mancanza di una guida o di un manuale, la prima parte del lavoro di tesi è consistita soprattutto nel capire le modalità di inserimento di questi parametri e nel tentare di riprodurre la geometria di strutture geologiche visibili in modelli di riferimento.
Come ulteriore verifica delle potenzialità del software, è stato generato un modello di velocità 3D che è stato utilizzato come input per uno o studio di fattibilità di acquisizione sismica. Tale operazione è stata eseguita allo scopo di mostrare la possibilità di generare modelli di velocità di complessità realistica da poter essere sottoposti alle fasi di Seismic Modeling e Seismic Imaging; queste ultime operazioni sono state effettuate sul software di proprietà ENI “e-DVA”. La costruzione del modello di velocità è stata finalizzata a riprodurre il più fedelmente possibile le strutture individuabili in una sezione sismica acquisita da ENI nel Mar Adriatico.
Al termine del lavoro di tesi sono state acquisite le capacità necessarie a creare un modello di velocità che riproduca le caratteristiche strutturali desiderate ed è stata verificata l’utilizzabilità dei modelli per generare dati realistici su cui poter effettuare analisi di dettaglio ed in particolare sperimentare algoritmi di imaging sismico.

La seconda parte, svolta presso il Dipartimento di Scienze della Terra dell’Università di Pisa, ha avuto come obiettivo l’analisi di una inversione full-waveform 2D acustica di dati sismici terrestri (che utilizza gli algoritmi genetici come metodo di ottimizzazione) e verificare la possibilità di migliorare il processo di ottimizzazione mediante la messa a punto di strategie di inversione alternative. Come è noto, tali metodi tendono a minimizzare la differenza (misfit) tra i dati osservati ed i dati predetti con un modello di velocità. Il valore di misfit calcolato e che guida la convergenza dell’algoritmo consiste in un unico scalare. In questo modo l’inversione evolve garantendo un miglioramento del data-fitting complessivo calcolato su tutti gli shot gather considerati, ma trascurando come si distribuisce spazialmente il misfit lungo il profilo sismico studiato.
Dall’analisi dell’evoluzione dei valori di misfit di ciascuno shot gather si è osservato che la convergenza globale basata su un singolo scalare può essere associata ad una convergenza dei misfit disaggregati non omogenea al variare dello shot. Questo ha portato alla sperimentazione di due possibili strategie in grado di produrre una minimizzazione del data misfit distribuita più uniformemente lungo la linea.
Gli esperimenti sono stati applicati al profilo sismico 2D Crop 18a acquisito nel sud della Toscana, nell’area geotermica di Larderello. Il dato studiato è caratterizzato da un basso rapporto segnale rumore, dalla presenza di una topografia accidentata e dall’assenza di evidenti riflessioni nella parte più superficiale (entro 1 km dalla superficie).
Partendo da un modello di velocità ottenuto da lavori precedenti, sono state effettuate due tipi di inversioni utilizzando gli algoritmi genetici. La prima considera tutti gli shot contemporaneamente. In questo lavoro di tesi, ci si riferirà a questa inversione con il nome “Inversione intera”. Nella seconda, gli shot sono invertiti singolarmente.
In entrambi gli approcci le inversioni considerano gli arrivi diretti, rifratti e le onde guidate fino ad una frequenza massima di 12 Hz .
Da quest’ultima inversione, sono stati ottenuti 20 sotto-modelli di velocità. Per la ricomposizione del modello di velocità intero sono state applicate diverse strategie. In questo lavoro di tesi ne verranno mostrate solo due, entrambe prevedono di dare un maggior peso a quei sotto-modelli a cui sono associati minori valori di misfit.
I modelli di velocità ottenuti a partire dalle diverse strategie di inversione sono stati analizzati considerando il valore di data misfit ad essi associato ed il confronto tra i sismogrammi predetti ed osservati.
Se si considera il valore di data misfit, risulta che il modello ottenuto dall’Inversione intera produce un data misfit lievemente più piccolo. Infatti, i vari test effettuati producono un data fitting in generale soddisfacente e associato a valori di misfit molto simili tra loro. Inoltre, concentrandosi nella zona di modello maggiormente illuminata, limitata ad una profondità massima di circa 1 km si osserva che le diverse strategie di inversione utilizzate convergono a modelli quantitativamente simili e che mimano le stesse macrostrutture, che risultano essere compatibili con l’assetto geologico dell’area
Resta ancora spazio per ulteriori analisi da considerare negli sviluppi futuri. In particolare, per identificare un approccio più efficace per riunire insieme i vari sottomodelli di velocità ottenuti dall’inversione dei singoli shot. Il passo successivo potrebbe essere anche utilizzare il modello stimato dagli algoritmi genetici come starting model per una inversione locale che, impiegando uno schema frequency marching vada ad incrementare la risoluzione del modello di velocità finale.
File