Propagação de ondas sísmicas por raios

CAPITULO 3
Tracado de Raios
A propagacao de sinais ssmicos em um meio pode ser representada de diversas maneiras, tais como modelos analticos, diferencas nitas e tracados de raios. A modelagem
analtica e bastante eciente computacionalmente porem restringe-se a casos relativamente
simples, tornando-a limitada. Atraves das diferencas nitas podemos modelar meios complexos, contudo seu custo computacional e mais elevado. A modelagem utilizando tracados
de raios permite modelar meios com exatidao e eciencia computacional.
Um raio e o caminho seguido pela energia indo de uma fonte a um receptor, ou seja, sao
tracados raios perpendiculares a`s frentes de onda (para um meio isotropico), que representa a
geometria ou tracado de raio. Estendendo esta abordagem para meios anisotropicos, perdese a perpendicularidade entre os raios e as frentes de ondas, formando assim um tracado
curvo.
3.1
Tra
cados de raios retos
Quando os contrastes de velocidade num modelo geologico sao relativamente baixos, o angulo
de transmissao do raio, entre as interfaces, pode ser considerado constante. Entao, podese aproximar a propagacao de ondas no modelo por raios retos entre a fonte e o receptor.
Essa modelagem tem alta eciencia computacional mas limita-se a modelos com pequenas
variacoes de velocidade.
3.2
Tra
cados de raios curvos
Quando o contraste de velocidade tem um valor mais acentuado, a ideia de raios retos nao
pode ser aplicada, e entao utilizamos uma outra ideia de transmissao que se baseia num
tracado de raio curvo.
Uma forma de se analisar o tracado de raio curvo e pelo princpio de Fermat, que
estabelece que a energia se propaga ao longo de caminhos que tornam o tempo de transito
mnimo, sendo este caminho modelado por um ente matematico denominado raio.
18
19
Matematicamente, o tempo de percurso de um raio, viajando de um ponto P 1 a um
ponto P2 , e dado por:
P2
n(x, z)
dl,
(3.1)
t=
c
P1
onde t e o tempo de transito, n(x, z) = c/v(x, z) e a distribuicao dos ndices de refracao
em um meio bidimensional, sendo c a velocidade do som em um meio de referencia e dl e a
diferencial do comprimento do arco ao longo do raio.
Pelo princpio de Fermat o caminho do raio sera aquele para o qual a integral acima e
um valor estacionario, logo:
P2
n(x, z)dl,
(3.2)
I=
P1
onde I e o caminho do raio.

Analisando a equacao (3.1) percebe-se que a integral nao tem um carater linear, ou
seja, l e n(x, z) nao sao independentes mas que uma e funcao da outra.
Uma forma de se contornar este problema e linearizando a equacao, para isto, podemos
utilizar a expansao em serie de Taylor e desprezar os termos de ordem igual e superior a dois,
pois caso contrario continua-se com um problema nao-linear. Aplicada a expansao tem-se
que:
t = Gs,
(3.3)
onde t representa a variacao do tempo de percurso resultante da perturbacao s na distribuicao da vagarosidade, e G representa a distancia percorrida pelo raio.
3.2.1
Equa
c
ao do raio
A equacao de Euler e uma condicao necessaria para a existencia de um valor extremo da

integral variacional para o calculo do comprimento ac
ustico (Terra, 2007). Utilizando-se
esta equacao podemos obter uma equacao diferencial para uma famlia de raios em um meio
homogeneo:

dr
d
n
= n,
(3.4)
dl
dl
onde r e o vetor posicao de um ponto qualquer ao longo de um raio, n = dn/dr e o
gradiente do ndice de refracao, e dr/dl e o vetor unitario tangente ao raio em (x, z).
Esta equacao diferencial e denominada de equacao do raio e para uma certa vizinhanca
regular sua solucao representa os raios de menor comprimento.
Desenvolvendo a equacao acima obtemos:
d2 r
dn dr
+ n 2 = n,
dl dl
dl
(3.5)
20
contudo, temos que:
dn
dn dr
dr
=
= n .
dl
dr dl
dl
Substituindo a equacao 3.6 em 3.5, temos:

dr dr
d2 r
+ n 2 = n.
n
dl dl
dl
(3.6)
(3.7)
Contudo, na forma apresentada, esta equacao nao e pratica computacionalmente. Para

contornarmos este problema, podemos expandir a funcao vetorial r(l) em serie de Taylor e
considerando os tres primeiros termos, temos:
r(l + l) = r(l) +
1 d2 r 2
dr
l +
l ,
dl
2 dl2
(3.8)
onde l e um incremento no comprimento do raio.

Isolando o vetor curvatura d2 r/dl2 na equacao (3.7) e substituindo na equacao (3.8),
chegamos a seguinte expressao:

1
dr dr
dr
n n
l2 .
(3.9)
r(l + l) = r(l) + l +
dl
2n
dl dl
Considerando dois pontos distintos do raio P1 (xk , zk ) e P2 (xk+1 , zk+1 ) separados por
uma distancia l, o vetor unitario na direcao de propagacao pode ser escrito como:
dr
= (cos k )i + (sen k )k,

dl
(3.10)
sao os vetores unitarios nas direcoes x e z e k e o angulo entre as direcoes tangente

onde i e k
ao raio e horizontal na iteracao k. Os valores do seno e do cosseno podem ser obtidos por:
sen k =
zk+1 zk
,
l
(3.11)
cos k =
xk+1 xk
.
l
(3.12)
O gradiente do ndice de refracao e dado por:

n =
n n
i+
k.
x
z
(3.13)
Sendo d o produto interno da equacao (3.9):

d = n
dr
= nx cos k + nz sen k ,
dl
onde:
nx =
n
x
e nz =
n
.
z
(3.14)
(3.15)
21
Utilizando diferencas nitas podemos aproximar as derivadas direcionais do meio discretizado por:
n(i + 1, j) n(i 1, j)
,
(3.16)
nx (i, j) =
2x
e
n(i, j + 1) n(i, j 1)
nz (i, j) =
.
(3.17)
2z
O proximo ponto do raio pode ser estimado como:
xk+1 = xk + cos k l +
1
(nk,x dk cos k )l2 ,
2nk
(3.18)
1
(nk,z dk sen k )l2 ,
(3.19)
2nk
onde nk e o ndice de refracao; nk,x e a derivada de nk na direcao x e nk,z e a derivada de nk
na direcao z; l e constante e representa o deslocamento do raio, e dk e a derivada direcional.
zk+1 = zk + sen k l +
O ndice de refracao pode ser escrito como:

nk =
c
= csk ,
Vk
(3.20)
onde sk e a vagarosidade referente a velocidade Vk . Substituindo esta equacao nas equacoes

(3.19) e (3.18), tem-se:
xk+1 = xk + cos k l +
1
(sk,x dk cos k )l2 ,
2sk
(3.21)
zk+1 = zk + sen k l +
1
(sk,z dk sen k )l2 ,
2sk
(3.22)
sendo dk agora denido por:

dk = cdk = sk,x cos k + sk,z sen k .
(3.23)
Entao, a partir do conhecimento de sua posicao atual (x k , zk ) e de um angulo k pode-se

obter, sucessivamente, os pontos seguintes do raio.
Podemos perceber que a posicao do raio e funcao da vagarosidade do meio. Contudo, se
soubermos qual a real vagarosidade nao seria necessario e nem teria sentido fazer a inversao.
Portanto, o processo inverso e realizado porque a vagarosidade utilizada no tracado de raios
nao e a verdadeira, apesar de nao podermos determinar a vagarosidade real, podemos achar
uma melhor aproximacao dela.
A vagarosidade utilizada no tracado de raios pode ser obtida utilizando-se informacoes
de log sonico ou de algum conhecimento geologico da area.
22
Para se tornar o meio contnuo e necessario realizar algum tipo de interpolacao na
distribuicao das vagarosidades e de suas derivadas parciais. Considerando a interpolacao
bilinear descrita por Anderson e Kak (1982), que considera os quatros vertices do retangulo
da atual coordenada do raio, temos que a vagarosidade de cada retangulo e assumida para o
vertice de menor coordenada, ou seja, num retangulo compreendido entre os ndices i, i + 1,
j e j + 1 sera considerada para o ponto A de coordenadas (i, j). A interpolacao para o ponto
(xk , zk ) dentro do retangulo e dada por:
sk = pA sA + pB sB + pC sC + pD sD ,
(3.24)
sk,x = pA sA,x + pB sB,x + pC sC,x + pD sD,x ,
(3.25)
sk,z = pA sA,z + pB sB,z + pC sC,z + pD sD,z ,
(3.26)
onde s e a vagarosidade no vertice , s,x e s,z sao as derivadas parciais da vagarosidade

nos vertices ( = A, B, C e D) do retangulo que o raio percorre; p representa os pesos
de cada elemento; sk representada a vagarosidade interpolada e, sk,x e sk,z representam a
interpolacao das derivadadas direcionais. A Figura 3.1 ilustra uma interpolacao bilinear.
Figura 3.1: Interpolacao bilinear de um campo discretizado.
Os pesos de cada elemento da interpolacao podem ser calculados por:

pA = 1 px pz + pxz ,
(3.27)
pB = px pxz ,
(3.28)
pC = pz pxz ,
(3.29)
pD = pxz ,
(3.30)
23
onde:
xk xA
,
x
zk zA
,
pz =
z
pxz = px pz ,
(3.33)
pA + pB + pC + pD = 1.
(3.34)
px =
(3.31)
(3.32)
Esta metodologia, tracamento de raios, foi implementada computacionalmente em linguagem Fortran por Schots (1990) baseado no trabalho de Anderson e Kak (1982), tornando
possvel realizar o tracado de raios em meios geologicamente complexos.
3.3
Discretiza
c
ao do meio
Para uma abordagem tomograca necessitamos discretizar o meio, ou seja, dividi-lo para
que este possa ser tratado computacionalmente. No caso 2D, o procedimento consiste em
dividir o meio em blocos retangulares de dimensoes x e z como mostrado na Figura 3.2.
A partir desta divisao podemos determinar com a equacao do raio a distancia que cada
raio percorre em cada bloco e desta forma montar a matriz tomograca, ou seja, dividiremos
o meio em celulas.
Figura 3.2: Modelo discretizado.
Apesar, da frente de onda percorrer todo o meio, os raios nao o farao, visto que este
e apenas um ente matematico que indica o caminho que a onda percorre. Logo, torna-se
necessario uma boa disposicao de fontes e receptores e uma boa discretizacao do meio a m
de que nao ocorra um ma iluminacao do meio.
24
3.4
Liga
c
ao entre fonte e receptor
Um problema no tracado de raios e o de mirar o receptor corretamente, ou seja, predizer qual

deve ser o angulo de lancamento de um raio que se deseja captar em um determinado receptor.
Quando o meio considerado e homogeneo, um raio reto liga o par fonte/receptor mas quando
o meio e heterogeneo, os raios percorrem meios complexos, dicultando a previsao do angulo.
Este problema de se estabelecer a ligacao entre fonte e receptor e denominado de ray
linking podendo ser resolvido por diversos metodos, como exemplo temos:
3.4.1
Metodo de canhoneio (shooting method )
Neste metodo todos os caminhos dos raios sao tracados a partir de dois angulos iniciais, um
maximo (max ) e outro mnimo (min ) e de um incremento angular () tal que se faz variar
o angulo de emissao entre esses dois extremos com o valor do incremento angular, dado por:
i = min + i,
(3.35)
onde i = 0, 1, 2, ... ate que o valor maximo seja atingido, como mostrado na Figura 3.3.
Figura 3.3: Representacao esquematica do metodo de canhoneio.
O angulo de lancamento adotado sera aquele para o qual o raio mais se aproxime do
receptor. Contudo, apesar deste metodo se baseiar numa ideia singular seu custo computacional e bastante elevado, sendo seu uso indicado em casos que a vagarosidade do meio sofra
fortes variacoes.
25
3.4.2
M
etodo de liga
c
ao (linking method )
O metodo baseia-se no tracamento de tres raios a partir de um raio inicial com um

angulo inicial de lancamento (1 ) e de um incremento angular (), tal que os outros dois
raios possuirao angulos de lancamentos dados por:
2 = 1 + e 3 = 1 ,
(3.36)
sendo o angulo de partida (1 ) formado pela linha reta que liga a fonte e o receptor e a
horizontal.
Tracando-se os tres raios, podemos aplicar o renamento de Newton-Raphson, entao

encontra-se uma estimativa para o proximo angulo de lancamento ( 1 ) que estara mais
proximo do receptor, sendo dado por:
1 = 1
2d1r
,
d23
(3.37)
onde d1r e a distancia entre as coordenadas do ponto nal do raio 1 e do receptor, d23 e a
distancia entre as coordenadas dos pontos terminais dos raios 2 e 3 e o sinal escolhido para

a equacao acima sera positivo caso encaminhe o novo angulo (1 ) no sentido do receptor e
negativo caso contrario, como mostrado na Figura 3.4.
Figura 3.4: Representacao esquematica do metodo de ligacao.
26
Este processo de renamento dever-se-a repetir ate que a diferenca entre as posicoes nais dos raios e as posicoes dos receptores possuam um erro aceitavel, estipulado inicialmente,
levando-se em conta as heterogeneidades do modelo.
No presente trabalho foi utilizada esta metodologia como solucao para o problema de
ligacao fonte-receptor.
Universidade Federal da Bahia
Curso de Ps-graduao em Geofsica
GEOB12 Propagao de Ondas Elsticas
Tomografia Ssmica
Amin Bassrei
IGEO/CPGG/UFBA
1
Estrutura da apresentao
Introduo
Tomografia de tempo de trnsito
Tomografia de difrao
Regularizao
5 Exemplos
Introduo - Definio
Tomografia:
T
fi problema
bl
inverso
i
Tomografia: tomo + grafia
Tomo (): fatia
Grafia: estudo
estudo, imagem
Introduo
A tomografia uma tcnica de reconstruo de uma seo
a ppartir das projees
p j
de suas propriedades.
p p
Pode-se classificar as tcnicas tomogrficas em duas
grandes classes:
Tempo de trnsito;
Forma de onda.
As tcnicas tomogrficas possuem grande relevncia na

estimao de propriedades de reservatrios (velocidade,
anisotropia, etc.)
A inverso tomogrfica geralmente um problema malposto.
4
Histrico
1956 Imageamento em astronomia (Bracewell)
1961 Primeiro relatrio de tomografia mdica
1972 Primeiro tomogrfo de raio X comercial
1977 Geotomografia eletromagntica
1979 Prmio Nobel de Medicina (Hounsfield e Cormack)
1984 Tomografia global
1984 Tomografia ssmica (Congresso da SEG em Atlanta)
Levantamento tomogrfico
Fonte ssmica
Receptores
10
11
12
13
Tomografia de tempo de trnsito
*
*
*
*
*
Velocidade (m/s)
Tempo de trnsito
14
Inverso tomogrfica
O tempo de trnsito entre fonte e receptor em um meio

discretizado pode ser aproximado por:
Utilizando uma notao mais especfica:
Onde:
15
Inverso tomogrfica
Para uma determinada matriz G, obtm-se a seguinte

formulao linear para tomografia de tempo de trnsito:
Onde G o caminho do raio entre a fonte e o receptor:
Porm G funo de s (problema no-linear).

16
Inverso tomogrfica
Para uma inverso linearizada, tem-se que:
Atualizam-se os parmetros atravs da expresso:
Como G funo
f no de m (problema no
no-linear),
linear) fa
faz-se
se
necessrio atualizar a matriz G atravs de novo traado
de raios com os parmetros atualizados.
Repete-se o processo at atingir a convergncia de m.

17
Ligao fonte/receptor
Em aplicaes tomogrficas, faz-se necessrio descobrir

o ngulo necessrio para que o raio originrio em uma
determinada fonte atinja um determinado receptor.
Este problema denominado ray linking, sendo

resolvido por duas abordagens principais:
Busca linear do ngulo de emisso;
Busca do ngulo utilizando o mtodo de Newton-Raphson.
Caso o meio possua variaes muito acentuadas de

ndices de refrao, pode-se dificultar o ray linking.
18
Ligao fonte/receptor
Ray linking:
z
mximo
Fonte
mnimo
x
Receptor
19
A tomografia geofsica de difrao um mtodo de

inverso tomogrfica que utiliza a forma de onda para
obter uma imagem da subsuperfcie:
Entrada (dados medidos): campo espalhado medido
nos receptores;
Sada (parmetros estimados): velocidade do meio
2D.
Como a tomografia geofsica de difrao um problema

mal-posto, faz-se necessrio utilizar algum tipo de
regularizao.
20
10
Clculo do campo espalhado

Campo total
Campo incidente
Campo espalhado
Ponto difrator
Meio homogneo
Ponto difrator
21
Diferenas finitas
Modelagem direta caso acstico 2D:

2 f ( x, z, t ) 2 f ( x, z, t )
1 2 f ( x, z, t )
+
= 2
.
x2
z 2
c ( x, z)
t 2
Espao aproximao de quarta ordem:
1
( f i + 2 + 16 f i +1 30 f i + 16 f i 1 f i 2 ) .
f i '' =
12 h 2
Tempo aproximao de segunda ordem:
f i '' =
f i+1 2 f i +
h 2
f i1
.
22
11
Partindo da equao de Helmholtz:

2
[ + k ] P (r , )= 0.
Funo objeto que descreve o meio 2D:

2
c0
O ( r )= 1
c
(r )
integral
g (Lippman-Schwinger):
( pp
g )
Soluo
2
PSCAT (r ) = k 0 O(r ' )G(r | r ' )[ P0 (r ' ) + PSCAT (r ' )]dr '.
A(r ')
23
Assumindo espalhamento fraco, o campo acstico total pode ser

p
pelo
p campo
p incidente.
aproximado
Utilizando funes de Green:
P0 (r' ) = G(r' | rS ).
Campo espalhado registrado no receptor rG:

2
PSCAT (rS , rG ) = k 0 O(r ' )G (rG | r ' )G (r ' | rS ) dr '.

A(r
( r))
O qual pode ser discretizado levando a uma relao linear

(d=Am) que pode ser invertida para recuperar O(r).
Assim, pode-se aplicar regularizao para recuperar o modelo.

24
12
Regularizao
Os problemas inversos em geofsica so em geral malp
postos:
Geometria de aquisio de dados limitada;
Dados qualitativamente insuficientes (iluminao inadequada);
Rudo.
Conseqncia: pequenas variaes nos dados podem

ocasionar
i
grandes
d variaes
i na soluo.
l
Soluo: a regularizao permite que solues
adequadas sejam obtidas para problemas mal-postos.
25
Regularizao
As solues so obtidas a partir da minimizao
ponderada do erro e da derivada do modelo:
(m) = eTe + (Dnm)T(Dnm).
A soluo com regularizao dada por:
m = (ATA+DTD)+ATd.
Na qual D um operador derivativo e chamado de
fator ou parmetro de regularizao, o qual equilibra o
compromisso entre erro e suavidade na soluo.
26
13
Curva L
A curva L um critrio heurstico para a
escolha do parmetro timo de
regularizao.
Lawson e Hanson (1974) no livro Solving
Least Squares Problems apresentam um
grfico precursor da curva L como mtodo
de anlise para o MMQ amortecido
(regularizao de ordem 0).
Hansen criou a denominao curva L,
publicando o primeiro artigo sobre a mesma
em 1992.
Tambm so de autoria de Hansen um livro
sobre problemas mal-postos (1998) bem
como um pacote de funes de
regularizao (1992).
27
Curva L
Cada ponto da curva L corresponde a um determinado
parmetro de regularizao () utilizado na inverso.
||Dnm||2
1
3
Joelho da curva ( timo).
Ponto de mxima curvatura.
||e||2
28
14
Exemplo 1 (dado real)

EOR Enhanced
E h
d Oil Recovery
R
Midway Sunset Field, California
29
30
15
31
32
16
33
34
17
35
36
18
37
38
19
39
40
20
41
42
21

Imageamento
I
t de
d um sistema
it
de
d falhas
f lh
Campo McKittrick, California
Reservatrio: formao Potter
43
44
22
45
46
23
47
48
24
Campo de testes do MIT em Michigan.
Malhas: 40 40 e 100 100.
Geometria interpoo com 118 fontes e 201 receptores.
Tempos de trnsito: 23.718 (3.171 com erro de picking).
j g
gradiente:
g
Inverso utilizando conjugado
Fator de regularizao atenuado ao longo da inverso;
Fator de regularizao escolhido utilizando a curva L;
Fator de regularizao escolhido utilizando a curva .

49
Dados reais
Adversidades encontradas:
Quantidade de dados;
Tempo de processamento;
Regies no iluminadas pelos raios;
Traado de raios / ray-linking em meio com fortes
heterogeneidades no campo de velocidades;
Rudo;
Erros de picking.
50
25
Tempos de trnsito (erros de picking)

Tempo em segundos
Fontes
0.15
10
0 14
0.14
20
30
0.13
40
50
0.12
60
0.11
70
80
01
0.1
90
100
0.09
110
0.08
20
40
60
80
100
120
140
160
180
200
Receptores
51
Geologia do campo de testes
52
26
Inverso tomogrfica (4040)
Velocidade (m/s)
Profundidade (m)
Deslocamento (m)
53
Inverso tomogrfica (100100)
Velocidade (m/s)
Profundidade (m)
Deslocamento (m)
54
27

Tomografia
T
fi de
d difrao
dif
Corpo de sal
Grande contraste de velocidade
55
56
28
57
58
29
59
60
30
Exemplo 5 (simulao numrica)
Simulaes numricas com dados sintticos corrompidos por 1%

de rudo aditivo gaussiano foram realizadas para validar o efeito
d regularizao.
da
l i
Foi utilizada a geometria XWP (interpoo) para os testes com o

ponto difrator e com o crculo difrator.
Para o modelo sinttico de reservatrio, foi realizada uma

comparao entre as geometrias XWP e VSP.
O campo espalhado foi calculado a partir de um modelo sinttico

utilizando diferenas finitas, assumindo uma assinatura da fonte
Ricker.
A curva L foi obtida para cada inverso para selecionar o melhor

fator de regularizao.
61
Simulao numrica
A aquisio foi simulada com 16 fontes e 16 receptores

com espaamento
p
uniforme de 10 metros:
Dados possuem duas partes: real e imaginria;
Quantidade de dados: 16 16 2 = 512.
Os modelos foram discretizados em malhas 15 15
Quantidade de incgnitas: 15 15 = 225.
Logo, o sistema resultante sobredeterminado.
As geometrias de poo nico e de superfcie (ssmica

convencional) no produziram resultados adequados.
62
31
Profunddidade (m)
Velocidade (m/s)
Modelo do ponto difrator

Veloccidade (m/s)
Deslocamento (m)
Eixo x (clulas)
Eixo z (clulas)
Modelo com velocidade do meio constante (4,000 m/s)
e um bloco que a perturbao central (4,100 m/s).
Malha do modelo do ponto difrator.
||Dm||
Velocidade (m/s)
||e||
Eixo z (clulas)
Eixo x (clulas)
Inverso regularizada:
=0,004498; RMSc=0,045%.
Curva L para regularizao de ordem 1.
63
Profunddidade (m)
Velocidade (m/s)
Modelo do crculo difrator

Veloccidade (m/s)
Deslocamento (m)
Eixo x (clulas)
Eixo z (clulas)
Modelo com velocidade do meio constante (3,000 m/s)
e uma perturbao circular central (3,300 m/s).
Malha do modelo do crculo difrator.
||Dm||
Velocidade (m/s)
||e||
Eixo z (clulas)
Eixo x (clulas)
Inverso regularizada:
=0,01333; RMSc=0,52%.
64
32
Velocidaade (m/s)
Profundidaade (m)
Velociddade (m/s)
Anlise XWP VSP
Deslocamento (m)
Eixo z (clulas)
Modelo sinttico de reservatrio (XWP).
Eixo x (clulas)
Modelo verdadeiro (malha).
||Dm||
Velocidade (m/s)
||e||
Eixo z (clulas)
Eixo x (clulas)
Inverso regularizada (XWP):

=0,5761; RMSc=0,48%.
65
Velocidaade (m/s)
Profundidaade (m)
Velociddade (m/s)
Anlise XWP VSP
Deslocamento (m)
Eixo z (clulas)
Modelo sinttico de reservatrio (VSP).
Eixo x (clulas)
||Dm||
Velocidade (m/s)
||e||
Eixo z (clulas)
Eixo x (clulas)
Inverso regularizada (VSP):

=1,0305; RMSc=0,53%.
66
33
Velocidade (m/s)
Ve
Velocidade (m/s)
V
Soluo MMQ sem regularizao
Eixo x (clulas)
Eixo z (clulas)
RMSc=0,48%.
Veloocidade (m/s)
Veloocidade (m/s)
Eixo x (clulas)
Eixo z (clulas)
Inverso regularizada (VSP):
RMSc=0,53%.
Eixo x (clulas)
Eixo z (clulas)
Soluo MMQ (XWP):
RMSc=0,53%.
Eixo x (clulas)
Eixo z (clulas)
Soluo MMQ (VSP):
RMSc=0,61%.
As solues obtidas aplicando somente o MMQ sem regularizao podem levar

a resultados inferiores ou infactveis.
67
GCV - XWP
Velociddade (m/s)
Profundidaade (m)
Velocidaade (m/s)
Deslocamento (m)
Eixo z (clulas)
Modelo sinttico de reservatrio (XWP).
Eixo x (clulas)
G()
Velocidadde (m/s)
Eixo z (clulas)
Curva GCV para regularizao de ordem 1.
Eixo x (clulas)

=0,5457; RMSc=0,48%.
68
34
Sitientibus S
erie Ci^
encias F
sicas 03:
32-48 (2007)
Crit
erios de Selec
ao de Valores Singulares em Problemas Inversos Lineares:
uma Aplicac
ao em Tomografia de Tempos de Tr
ansito
Selection Rules for Singular Values in Linear Inverse Problems:
an Application on Traveltime Tomography
Jose Nilson Pereira Silva

Instituto de Geociencias UFBA
Salvador, BA, Brasil 40001-970
Amin Bassrei
Instituto de Fsica e CPGG UFBA
Salvador, BA, Brasil 40001-970
Os problemas inversos da Geofsica geralmente podem ser formulados como um sistema de
equacoes lineares. Tais problemas inversos sao geralmente mal-postos, isto e, suas solucoes
sao condicionadas pelos aspectos da existencia, unicidade e estabilidade. A tomografia
ssmica e uma tipo especial de problema inverso, que permite estimar uma funcao a partir de uma integral de linha da mesma. Na tomografia de tempos de transito, objeto deste
trabalho, a incognita do problema, ou seja, o vetor de parametro de modelo, e a distribuicao
bi-dimensional de vagarosidades, que e obtida a partir do conhecimento dos tempos de
transito entre fontes e receptores, que vem a formar o vetor de parametro de dado. Utilizando dados sinteticos fizemos varias simulacoes numa aplicacao de tomografia de tempos
de transito de transmissao. O exemplo, de medio porte, e uma idealizacao de um reservatorio
de hidrocarbonetos. Foi incorporado rudo gaussiano aos tempos de transito em diferentes
nveis. Os resultados foram satisfatorios, gerando tomogramas bastante semelhantes aos
valores verdadeiros.
Palavras-chaves: Problemas Inversos, Sismologia de Explora
c
ao, Tomografia de
Tempos de Tr
ansito, Decomposi
c
ao por Valores Singulares.
The inverse problems of Geophysics, in a general way, can be formulated as a system of linear
equations. These inverse problems, in the whole, are bad formulated, that is, their solutions
must satisfy the existence, uniqueness and stability conditions. The seismic tomography is
a special type of inverse problem that gives an estimation of a function from a line integral
of that function. In the transit-time tomography, the subject of this work, the variable of
the problem, that is, the parameter vector of the model is the slowness two-dimensional
distributions, which is obtained from the knowledge of transit-times between sources and
receptors, so establishing the parameter vector of data. By using trial data we make many
simulations testing the transit-time tomography of transmission. This example, as one of
medium size, is an idealization for a hydrocarbons reservoir. We merge to the transit-times
gaussian noise at different levels. The results were satisfactory with tomograms very similar
to the real values.
Key-words: Inverse Problems, Exploration Seismology, Transit-time Tomography, Singular Values Decomposition.
I.
INTRODUC
AO
Tomografia e a tecnica utilizada para gerar

imagens de sec
oes transversais de um objeto
a partir de dados de reflexao ou de transmissao. Essa tecnica foi utilizada inicialmente
em imageamento medico e em testes nao des-
Endereco Eletr
onico: bassrei@ufba.br
32
32-48 (2007)
Criterios de Seleca
o de Valores Singulares em ...
trutivos. No entanto, hoje mostra-se tambem

adequada às aplicacoes geofsicas tanto na
Geofsica da Terra Solida quanto na Geofsica
de Exploracao. Nos u
ltimos anos a geotomografia tem sido bastante utilizada na construcao de imagens da subsuperfcie, em particular
na caracterizacao e no monitoramento de reservatorios. Isto se deve pelo fato da mesma se
tratar de uma ferramenta que apresenta menos
restricoes quanto à complexidade das estruturas geologicas.
A tomografia e um tipo de problema inverso, expresso matematicamente por d = Gm,
onde d e o vetor de parametros de dado, G
e a matriz tomografica, e m e o vetor de
parametros de modelo, este u
ltimo sendo a
incognita do problema. Para a soluc
ao do problema inverso via de regra precisamos obter a
matriz pseudo-inversa G+ , tambem chamada
de inversa de Moore-Penrose. Para tanto, utilizamos o metodo da decomposicao por valores
singulares, ou SVD, do ingles singular value
decomposition. O SVD fornece os valores singulares da matriz G, geralmente apresentadas
em ordem decrescente. Os valores singulares
pequenos devem ser evitados, pois distorcem
a soluc
ao do problema, no caso, os tomogramas estimados. O objetivo principal deste trabalho e a selecao dos valores singulares, de
modo que os pequenos valores sejam excludos
do problema. Utilizamos os criterios: (1) comportamento de decaimento dos valores singulares, (2) a derivada dos valores singulares, (3)
o erro entre os vetores de parametros de dado
observado e calculado, (4) o erro entre os vetores de parametros de modelo verdadeiro e estimado, (5) a energia do vetor de parametros de
modelo estimado, e (6) a entropia do vetor de
parametros de modelo estimado, determinamos
regioes otimas, de modo a escolher o n
umero
ideal de valores singulares a serem incorporados para a construcao da solucao.
A ideia de se fazer esse tipo de selec
ao
dos valores singulares foi sugerida em [1], onde
foi aplicado num pequeno exemplo de tomografia de tempos de transito. No presente trabalho, a abordagem sugerida e aplicada num
exemplo de porte medio, e tambem e realizado
digno
um estudo da influencia do rudo. E
de nota mencionar que existem outras alternativas de se lidar com o problema dos pequenos valores singulares. Por exemplo, ao
se empregar a regularizac
ao por matrizes de
derivadas, mais conhecida como regularizac
ao
de Tikhonov, podem ser utilizados todos os valores singulares. Devido à regularizac
ao da matriz tomografica, o efeito dos pequenos valores singulares sera desprezvel nao comprometendo a qualidade da soluc
ao estimada. Inclusive, essa tecnica ja e consagrada na literatura
geofsica. Uma aplicac
ao de regularizac
ao em
tomografia de tempos de transito, mesmo objeto de interesse do presente trabalho, pode ser
vista em [2]. Ja em [3] a regularizac
ao por matrizes de derivadas, e aplicada na tomografia
geofsica de difrac
ao.
Esse artigo esta dividido em seis partes. No
item Invers
ao de Dados e SVD fazemos
uma revisao de problemas inversos e do SVD. A
seguir, em Tra
cado Cinem
atico de Raios,
discutimos o metodo utilizado para a modelagem direta, que e o tracado de raios de ondas
transmitidas. No item Tomografia Ssmica,
apresentamos os fundamentos da tomografia
ssmica, em particular tomografia de tempos
de transito, e, os criterios de selec
ao listados
acima sao discutidos no item Crit
erios para
a Sele
c
ao de Valores Singulares. No item
Simula
c
oes em Tomografia de Tempos de
Tr
ansito apresentamos um exemplo com dados sinteticos e os resultados das simulac
oes, e,
por fim, apresentamos as Conclus
oes.
Sitientibus S
erie Ci^
encias F
sicas 03:
II.
DE DADOS E SVD
INVERSAO
Matematicamente classificamos os problemas inversos como problemas do tipo malposto ou seja, que nao respeitam pelo menos
uma das seguintes condic
oes: (i) existencia da
soluc
ao; (ii) unicidade da soluc
ao; e (iii) estabilidade da soluc
ao. Os problemas inversos
geofsicos lineares, ou linearizados, podem ser
formulados como um sistema linear de equac
oes
[4]:
d = Gm,
33
Jose Nilson Pereira Silva e Amin Bassrei
Sitientibus S
erie Ci^
encias F
sicas 03:
sendo dT = [d1 , d2 , d3 , ..., dM ] e mT =

[m1 , m2 , m3 , ..., mN ]. d representa o vetor coluna dos parametros de dados observados, m o
vetor coluna dos parametros do modelo, e G e
uma matriz M N de coeficientes que relaciona
os vetores d e m. Supondo a matriz G conhecida, pode-se resolver o sistema utilizando-se
uma matriz inversa, ou seja,
isto e, 1 2 ... k .
A inversa generalizada e expressa por
32-48 (2007)
G+ = V + U T ,
onde + e uma matriz diagomal N M , que
contem os recprocos dos valores singulares
nao-nulos de G, isto e,
E 0 0
0 0 0
+ = . . .
. ,
.. .. . . ..
m = G1 d.
Entretanto, uma matriz G somente e inversvel se for quadrada e possuir posto completo. Como este e um caso muito especfico
e raro em problemas geofsicos reais, tornamse necessarios procedimentos de resolucao para
matrizes nao-quadradas e/ou com posto incompleto.
0 0 0
e E e a matriz quadrada
expressa por
1
1
0
0 1
2
E= .
..
..
.
Um sistema linear pode apresentar tres possibilidades diferentes de solucao. (1) O sistema pode ter uma u
nica solucao mest . Neste
caso classificamos o sistema como determinado
(M = N ). (2) O sistema pode apresentar infinitas solucoes, podendo ser entao chamado
de sobredeterminado (M > N ). (3) O sistema pode nao apresentar nenhuma soluc
ao
sendo chamado entao de sistema subdeterminado (M < N ).
diagonal de ordem k
..
.
0
0
..
.
k1
Se a soluc
ao estimada e definida por mest =
ent
ao ela pode ser calculada pela
relac
ao:
G+ dobs ,
mest = V + U T dobs .
O vetor de parametros de modelo m pode
ser denotado por mver , se este for o vetor verdadeiro, ou por mest , no caso do vetor estimado, isto e, o resultado de um processo de invers
ao de dados. O vetor mver e conhecido apenas em exemplos artificiais, geralmente chamados de exemplos com dados sinteticos, uma vez
que na vida real nunca se conhece mver . Isso se
deve ao fato que, em geral, nao existe acesso direto ao interior do planeta, nem mesmo em profundidades mais rasas. Em exemplos sinteticos
e comum calcular o erro entre mver e mest tal
qual apresentado no item Crit
erios para a
Sele
c
ao de Valores Singulares.
Com o conhecimento mest pode calcular
os parametros de dados calculados, pela expressao:
O conceito de inversa generalizada foi desenvolvido inicialmente por Moore e de forma mais
completa por Penrose [5]. Considere uma matriz G de dimensoes M N . Se: (i) GG+ G =
G, (ii) G+ GG+ = G+ , (iii) (GG+ )T = GG+ ,
e (iv) (G+ G)T = G+ G, entao a matriz inversa
de dimensoes N M , denotada por G+ , sera
u
nica. O modo mais comum de se calcular a
pseudo-inversa G+ e usando o SVD [6].
Uma matriz retangular G, de dimensoes
M N , com posto k, pode ser decomposta
como:
G = U V T ,
onde U e uma matriz M M que contem
os autovetores ortonormalizados de GGT , V e
uma matriz N N que contem os autovetores
ortonormalizados de GT G, e e uma matriz
diagonal, M N , que contem os valores singulares () de G, dispostos em ordem decrescente,
dcalc = Gmest = U V T mest .

Novamente, no item Crit
erios para a
Sele
c
ao de Valores Singulares mostramos
34
32-48 (2007)
Criterios de Seleca
como calcular o erro entre dobs e dcalc . Esse

erro pode ser calculado sempre, seja em exemplos com dados sinteticos, como tambem
quando se utiliza dados reais.
Ao desenvolvermos o vetor posic

ao por uma
serie de Taylor no ponto (s + s), onde s e o
incremento do raio, e, levando em conta apenas
os tres primeiros termos da serie temos que:
Sitientibus S
erie Ci^
encias F
sicas 03:
III.
r(s + s) = r(s) +
TRAC
ADO CINEMATICO
DE
RAIOS
(2)
Isolando-se o vetor curvatura (d2 r/ds2 ) na

equac
ao (1) e substituindo em (2), e obtida a
seguinte aproximac
ao para a equac
ao do raio:
Varios metodos estao presentes na literatura

para descreverem o caminho percorrido pelo
raio entre dois pontos. Dentro do universo das
tecnicas de modelamento, o tracado de raio e
uma das que mais se destacam. A sua principal utilizacao e na geracao de sismogramas e
seccoes ssmicas a partir de um modelo sintetico
que simula estruturas geologicas. A seguir descrevemos o algoritmo numerico de segunda ordem de Anderson & Kak [7], proprio para utilizacao em tomografia de tempo de transito podendo este ser utilizado tanto na simulac
ao de
problemas diretos, como tambem em processos
de inversao.
Seja a equacao de Euler para o raio na sua
forma diferencial:
r(s + s) = r(s) +
+
dr
s
ds
1
dr dr
[n (n. ) ]s2 . (3)
2n
ds ds
Considerando dois pontos quaisquer do raio

P1 (xk , zk ) e P2 (xk+1 , zk+1 ) separados por s,
o vetor unitario na direc
ao de propagac
ao pode
ser escrito como:
dr
= cos k i + sen k k,
ds
sao, respectivamente, os vetores
onde i e k
unit
arios nas direc
oes x e z, e e o angulo formado entre a direc
ao do raio e o eixo horizontal.
O angulo esta associado às coordenadas pelas
express
oes:
d dr
(n ) = n,
ds ds
sendo o ndice de refracao n dado por
c
n(x, z) =
,
v(x, z)
sen k+1 =
zk+1 zk
,
s
cos k+1 =
xk+1 xk
.
s
onde c e a velocidade do som no meio de referencia, v(x, z) e a velocidade da onda no meio,

r e o vetor posicao do raio, dr/ds e o vetor
unitario tangente ao raio em (x, z), e ds e o elemento de raio. Desenvolvendo a equac
ao de
Euler obtem-se:
O gradiente do ndice de refrac

ao e definido
como:
n =
d2 r
dn dr
+ n 2 = n,
ds ds
ds
n n
i+
k,
x
z
e o produto interno que aparece na equac

ao (3)
pode ser escrito da seguinte forma:
mas,
dn
dn dr
dr
=
= n ,
ds
dr ds
ds
de forma que
(n
dr
1 d2 r 2
s +
s .
ds
2 ds2
dr
= nx cos k + nz sen k ,
ds
(4)
onde as derivadas direcionais sao expressas por:

dr dr
d2 r
) + n 2 = n.
ds ds
ds
(1)
nx =
35
n
,
x
Sitientibus S
erie Ci^
encias F
sicas 03:
IV.
nz =
n
.
z
n(i + 1, j) n(i 1, j)
,
2x
nz (i, j) =
n(i, j + 1) n(i, j 1)
.
2z
O ponto seguinte do raio e calculado fazendo

uso da equacoes acima, de modo que:
1
(nxk dk cos k )s2 ,
2nk
xk+1 = xk +cos k s+
e
zk+1 = zk +sen k s+
1
(nzk dk sen k )s2 ,
2nk
onde nk representa o ndice de refracao, nxk , e

nzk as suas derivadas, e dk e o componente da
derivada direcional no ponto (xk , zk ).
Podemos observar nessa equacao que, se nk
for substitudo por cvk , onde vk representa a vagarosidade do meio, a velocidade c desaparece
e as expressoes ficam:
xk+1 = xk +cos k s+
1
(vxk dk cos k )s2 ,
2vk
(5)
e
zk+1 = zk +sen k s+
TOMOGRAFIA S
ISMICA
A Geofsica de Explorac
ao tem como um
dos seus principais objetivos a obtenc
ao de imagens precisas da subsuperfcie. Para tal, diversas tecnicas foram introduzidas na ind
ustria
do petroleo no decorrer das u
ltimas decadas. A
geotomografia e uma dessas tecnicas mais recentes. Historicamente o objetivo principal da
Sismologia de Explorac
ao e a determinac
ao das
velocidades de propagac
ao das ondas ssmicas
em subsuperfcie. A tomografia ssmica e uma
tecnica de reconstruc
ao de imagens a partir das
somas dos valores das propriedades em determinadas direc
oes [9, 10]. A reconstruc
ao tomografica e um tipo especial de problema inverso que permite estimar uma func
ao a partir de integrais de linha da mesma. A tomografia surgiu primeiramente na Medicina para
o imageamento do corpo humano. Um conjunto de fontes e receptores gira em torno do
paciente de modo a se ter uma varredura completa, o que ira proporcionar imagens de mais
alta resoluc
ao. Geralmente na Medicina se
utiliza raios-X. Em Geofsica, diferentemente
da Medicina, nao se pode realizar uma volta
completa em torno do objeto de estudo. Ao
inves de raios-X se utilizam ondas mecanicas ou
outras ondas eletromagneticas. A tomografia
ssmica e utilizada na explorac
ao de hidrocarbonetos para a estimac
ao das propriedades
fsicas da subsuperfcie, particularmente a velocidade. Existem duas classes gerais de tomografia ssmica: a tomografia de difrac
ao
que e uma abordagem dinamica, e a tomografia de tempo de transito, que e uma abordagem cinematica. O presente trabalho lida
com a tomografia de tempo de transito, que
e assim chamada porque utiliza o tempo de
transito entre fontes e receptores. Esses tempos de transito constituem o chamado vetor
de parametros de dado d, que e a informac
ao
de entrada na inver
ao tomografica. A matriz G utilizada na tomografia descreve a geometria dos raios que conectam fontes e receptores. A informac
ao de sada invers
ao tomografica e o vetor de parametros de modelo,
m, que contem os valores de vagarosidade do
Considerando o meio ja discretizado, as

derivadas direcionais nx e nz podem ser calculadas usando diferencas finitas da seguinte
forma:
nx (i, j) =
32-48 (2007)
1
(vzk dk sen k )s2 ,
2vk
(6)
sendo
dk = vxk cos k + vzk sen k .
As equacoes (5) e (6) permitem o calculo do
tracado do raio entre fontes e receptores. Neste
trabalho foi utilizado o programa FORTRAN
de tracado de raios desenvolvido por Schots [8].
36
32-48 (2007)
Criterios de Seleca
meio geologico que supostamente tem um reservatorio de hidrocarbonetos.
triz G, para um dado tracado de raios. Para

um segundo tracado de raios a matriz G sera
atualizada, e uma nova pseudo-inversa dever
a
ser calculada, e assim sucessivamente.
As equac
oes que descrevem a tomografia de
tempos de transito, aproximadas por um modelo linear, podem ent
ao ser formuladas como
d = Gm, o que numa notac
ao mais especfica
seria t = Gs, onde t e o vetor de tempos de
tr
ansito, G e a matriz que descreve a geometria dos raios, e s e o vetor de vagarosidades,
que representam as incognitas do problema. A
vagarosidade e o recproco da velocidade, isto
e, si = 1/vi , i = 1, . . . , N .
Neste trabalho adotamos o u
ltimo caso, ou
seja, o da tomografia linear, onde a geometria
dos raios nao depende da distribuic
ao de velocidades. Em outras palavras, os raios sao retos, e
n
ao ha necessidade de se fazer mais um tracado
de raios, nem tampouco de atualizar o vetor de
vagarosidades estimadas. Essa aproximac
ao e
em geral valida para pequenos contrastes de velocidades, ou de vagarosidades. A nossa escolha
e justificavel uma vez que o objetivo principal
n
ao e obter imagens de maior resolucao da subsuperfcie, e sim validar um procedimento de
selec
ao de valores singulares.
A Figura 1 ilustra um modelo hipotetico
para a geometria de aquisic
ao poco-a-poco,
mostrando a disposic
ao de fontes e receptores,
assim como os caminhos de alguns raios, que
conectam fontes e receptores. As fontes, representadas por estrelas, estao dispostas no poco
a esquerda, e os receptores, representados por
`
tri
angulos, estao dispostos no poco à direita.
Sitientibus S
erie Ci^
encias F
sicas 03:
O tempo de transito e a integral de linha da

vagarosidade ao longo do raio:
Z
t = s(x, z)dl,
r
onde t e o tempo de transito, r e a trajetoria do

raio ao longo do qual e realizada a integrac
ao,
dl e o elemento de raio, e s(x, z) e a vagarosidade do meio no ponto (x, z), onde x e z representam, respectivamente, as coordenadas horizontal e vertical.
Como o caminho do raio depende da vagarosidade, a equacao do tempo de transito
e nao-linear. Para simplificar a resoluc
ao do
problema, devemos efetuar a linearizac
ao, o
que e feito pela expansao do tempo de transito,
tr = g[s(x, z)], por uma serie de Taylor em
torno do ponto s0 , que apos a truncagem dos
termos de derivada superior à primeira, resulta
na expressao:
t = t0 +
g
| 0 (s s0 ).
s s=s
Numa forma mais compacta a expressao acima

pode ser escrita como
t = Gs.
Num processo iterativo, atualizado da k-esima
para a (k+1)-esima iteracao, o vetor t corresponde às diferencas entre o tempo de transito
observado tobs e o tempo de transito calculado
tcalc,k referente à vagarosidade estimada da kesima sest,k . A matriz G contem os elementos gij que correspondem às distancias que o
j-esimo raio percorre no i-esimo bloco. O vetor
s corresponde às diferencas entre as vagarosidades estimadas sest,k+1 e as vagarosidades estimadas sest,k . Dessa forma a partir da u
ltima
equacao, podemos obter a seguinte expressao
que fornece o vetor atualizado das vagarosidades estimadas, num problema tomografico
linearizado:
V.
DE
CRITERIOS
PARA A SELEC
AO
VALORES SINGULARES
Conforme afirmado na Introdu

c
ao o emprego da tecnica SVD esta, via de regra, associada à existencia dos pequenos valores singulares, que quando utilizados na construc
ao
da matriz inversa, implicam do comprometimento da qualidade da soluc
ao. Quando os valores sigulares sao dispostos em ordem descrescente existe um valor singular limite, de modo
sest,k+1 = sest,k + G+ [tobs tcalc,k (sest,k )],

onde G+ representa a pseudo-inversa da ma37
Sitientibus S
erie Ci^
encias F
sicas 03:
que se o proximo valor singular for utilizado

ira comprometer a solucao. Por vezes nao e
possvel determinar esse ponto otimo. Nestes
casos o melhor que se pode fazer e estabelecer uma regiao, nao de um u
nico ponto e sim
de varios ou ate muitos pontos. Para a determinacao desse ponto otimo ou dessa regiao
otima, propomos a utilizacao dos criterios a
seguir.
Se utilizado em termos de porcentagem, o

erro relativo e representado por:
s
M
P
calc )2
(tobs
i ti
Amplitude dos valores singulares. O

programa de SVD fornece os valores singulares
em ordem decrescente, isto e, à medida que
o ndice vai aumentando a amplitude do valor
singular vai diminuindo. Os valores singulares
agregam informacao que e importante para a
contrucao da matriz pseudo-inversa. No entanto, a partir de certo valor, essa informac
ao
passa a ser considerado rudo e compromete a
qualidade da solucao estimada. Note-se a matriz pseudo-inversa e construda a partir dos
valores de 1/ e nao de .
Erro do modelo. Definimos o erro do

modelo como a quantificac
ao da diferenca entre as vagarosidades consideradas como verdadeiras e aquelas estimadas para o modelo.
O erro do modelo pode ser descrito pela expressao:
s
N
P
2
(sver
sest
i
i )
d (%) =
lim
xi+1 xi
m =
m (%) =
2
(tobs
i )
i=1
i=1
N
P
100.
2
(sver
i )
i=1
Energia. Definimos por energia do modelo

o produto escalar do vetor de vagarosidades estimadas por ele mesmo, ou seja:
Erro do dado. A partir da analise dos resultados obtidos na inversao tomografica tornase necessario a quantificacao da diferenca entre
os tempos de transito observados e os calculados. Esse erro e expresso como:
s
M
P
calc )2
(tobs
i ti
M
100.
Se utilizado em termos de porcentagem, o

erro relativo e representado por:
s
N
P
2
(sver
sest
i
i )
f (xi+1 ) f (xi )
,
xi+1 xi
i=1
M
P
onde N e o n
umero de blocos da malha, sver
i
sao as vagarosidades verdadeiras, e sest
s
a
o
as
i
vagarosidades estimadas.
onde f (xi ) e f (xi+1 ) sao, respectivamente, os

valores da amplitude do valor singular em um
importante
ponto e o seu subseq
uente. E
salientar que, como trata-se de uma curva crescente e negativa, os graficos a serem apresentados nas figuras foram gerados usando-se o
modulo da derivada.
d =
i=1
Derivada do valor singular. A derivada

de uma funcao f (x) em um determinado ponto
x1 denotada por f 0 (x1 ), e definida pelo limite:
f 0 (xi ) =
i=1
32-48 (2007)
N
X
est
E=
(sest
i si ).
i=1
O valor da energia mede o quao estavel e a

soluc
ao. Quanto menor for a sua variac
ao em
um determinado intervalo, mais confiaveis sao
os resultados obtidos para o mesmo.
onde M e o n
umero de raios (n
umero de fontes
n
umero de receptores), tobs
sao os tempos
i
calc
de transito observados, e ti sao os tempos de
transito calculados.
Entropia. Definimos como entropia do

modelo o somatorio do produto entre a vagarosidade estimada e o logaritmo do inverso
38
32-48 (2007)
Criterios de Seleca
da mesma conforme podemos ver na expressao:
da esquerda, e 30 receptores, tambem com

espacamento regular no poco da direita. Dessa
forma, o n
umero de raios, ou o n
umero de
equac
oes, ou ainda o n
umero de informac
oes,
e 900.
A Figura 3 mostra a curva decrescente dos
valores singulares, onde podemos observar que
os valores singulares com ndice acima de 500
s
ao muito pequenos. Uma analise nos valores
permite concluir que o valor singular e virtualmente nulo em algum ndice entre 800 e 900,
de modo que sera dada enfase para esta faixa.
A Figura 4(a) mostra os valores singulares entre 800 e 900, onde pode se observar uma acentuada queda. Aplicando a escala
logartmica no eixo vertical obtivemos a curva
mostrada na Figura 4(b). A derivada da curva
da amplitude dos valores singulares e mostrada
na Figura 4(c). Pela inspec
ao visual das Figuras 4(b) e 4(c) concluimos que o ponto crtico
e entre 800 e 830, isto e, a inclusao de valores singulares com ndice acima desse ponto ira
comprometer a qualidade da soluc
ao.
A aplicac
ao do criterio do erro dos
par
ametros de dados pode ser visto na Figura
5(a), onde se apresenta o valor de d em func
ao
do n
umero de valores singulares, para diferentes nveis de rudo. O nvel de rudo e dado pelo
parametro , que assumiu os valores de 0 (sem
rudo); 0.001; 0.005; 0.01; 0.05 e 0.1. O grafico
comeca em 800, uma vez que se constatou que
o ponto crtico e acima de 800. Por questao de
limitac
ao de espaco o grafico completo, ou seja,
de 1 a 900 valores singulares nao esta sendo
mostrado. O fato do erro d aumentar quando
se aumenta o nvel de rudo e coerente. Ha
uma superposic
ao das curvas para os valores de
0; 0.001 e 0.005. Detalhando mais a escala
vertical verificamos que nao ocorreu mais a superposic
ao, conforme pode ser visto na Figura
5(b). Entre as tres curvas, ha novamente uma
coerencia entre o erro d e o nvel de rudo.
Pela Figura 5(b) constatamos que o valor de
d e estavel ate aproximadamente 830 valores
singulares, e depois apresenta uma tendencia
crescente. Portanto o n
umero maximo de valores singulares a ser utilizado na invers
ao deve
ser algo menor que 830 ou 835. Essa observac
ao
e coerente com as conlcusoes obtidas a partir
Sitientibus S
erie Ci^
encias F
sicas 03:
H=
N
X
i=1
sest
i log
1
.
sest
i
Pela Teoria da Informacao entropia representa

a informacao media de um processo. Neste trabalho solucoes mais suaves estariam associadas
a uma menor entropia.
Adi
c
ao de Rudo. Foram introduzidos
diferentes nveis de rudos para verificar como
se comportariam as curvas que sao geradas em
funcao das vagarosidades. A equac
ao que define a incorporacao do rudo e expressa por
obs
trj = tobs
j + rj tj , j = 1, . . . , M,
onde trj e o tempo de transito corrompido com

rudo gaussiano, tobs
e o tempo de transito
j
livre de rudo, e o fator de rudo, e rj uma
e a seq
uencia de n
umeros aleatorios na faixa
[0.5, 0.5]. Foram introduzidos nas simulac
oes
cinco diferentes nveis de rudo, conforme os
seguintes valores de : 0.001; 0.005; 0.01; 0.05;
0.1; alem de uma simulacao sem rudo, isto
digno de nota que o fae, com = 0. E
tor de rudo nao deve ser confundido com o
angulo do tracado de raios, tambem denotado
por , conforme apresentado no item Tra
cado
Cinem
atico de Raios.
VI.
SIMULAC
OES
EM TOMOGRAFIA
DE TEMPOS DE TRANSITO
O modelo adotado e um meio geologico discretizado em 900 blocos, com 30 blocos na horizontal e 30 na vertical, conforme pode ser visto
na Figura 2. Cada bloco tem o formato de
um quadrado com 30 m de aresta. As principais feicoes sao uma camada de baixa velocidade, com 1.700 m/s e uma heterogeneidade
de alta velocidade, com 3.400 m/s, que seria o reservatorio com hidrocarbonetos. A tomografia deve fornecer a velocidade estimada
de cada bloco, que modo que seriam ent
ao
900 incognitas. A aquisicao de dados e do
tipo poco-a-poco, onde 30 fontes estao distribudas com espacamento uniforme no poco
39
Sitientibus S
erie Ci^
encias F
sicas 03:
das Figuras 4(b) e 4(c).

O resultado do criterio do erro dos
parametros de modelo (nao mostrado) indicou
que o valor de m e estavel ate aproximadamente 830 ou 835 valores singulares, e depois
o mesmo apresenta uma tendencia crescente.
Essa observacao e identica ao que ocorreu em
relacao do criterio de d , ou seja, o n
umero
maximo de valores singulares a ser utilizado na
inversao deve ser algo menor que 830 ou 835.
Esse criterio e o u
nico que nao pode ser utilizado em dados reais, uma que nao se conhece
o valor do vetor de vagarosidades verdadeiras
(sver ). Neste trabalho, a utilizacao do criterio
de m e justificada porque as simulacoes lidam
com um conjunto de dados sinteticos, ou seja,
existe um conhecimento previo do vetor sver .
Alem disso, deseja-se comparar ou ate validar
outros criterios com o do m .
A aplicacao do criterio da energia E dos
parametros de modelo pode ser visto na Figura
6(a), onde se apresenta o valor de E em funcao
do n
umero de valores singulares, para os mesmos nveis de rudo usados acima. Para o caso
especfico da faixa entre 800 e 830 valores singulares, podemos afirmar que o fato das curvas
para = 0.01, = 0.05 e = 0.1 nao se apresentarem sobrepostas, permite concluir que
a energia E e maior, quanto maior for o fator
. Todas as curvas apresentam uma abrupta
variacao de E em torno de 830 valores singulares, havendo uma total superposicao. A
Figura 6(b) apresenta as mesmas curvas com
uma mudanca na escala vertical, onde observamos uma ntida separacao entre as seis curvas, na faixa entre 830 a 860 valores singulares.
Note-se que, diferentemente das figuras para os
dois criterios anteriores, efetuamos aqui uma
reducao da escala. O criterio da energia E
sugere que as solucoes sao estaveis ate cerca
de 830 ou 835 valores singulares, quando entao
comeca uma s
ubita instabilidade, implicando
em solucoes sem nenhum fundamento fsico.
Essa observacao reforca as conclusoes obtidas
a partir das curvas de d e m .
O criterio da entropia dos parametros de
modelo pode ser visto na Figura 7(a), onde se
apresenta o valor de H em funcao do n
umero
de valores singulares, para os mesmos nveis de
rudo. A Figura 7(b) apresenta as mesmas curvas num detalhe maior. As duas figuras indicam que a entropia aumenta à medida que
o nvel de rudo e maior, fato semelhante com
o que ocorre com os criterios de d , m e E.
Tambem, ambas figuras sugerem que a entropia
e estavel ate aproximadamente 830 valores singulares, e depois apresenta uma tendencia crescente. Valores grandes de entropia representam soluc
oes mais complexas, o que significa
aqui soluc
oes com muitas flutuac
oes, distantes
da realidade fsica. Mais uma vez concluimos
que o n
umero maximo de valores singulares a
ser utilizado na invers
ao deve ser em torno de
830 ou 835.
A conjugac
ao dos criterios aplicados permite concluir que o n
umero ideal de valores singulares, para este problema, e em torno de 830
ou 835. Escolhendo, por exemplo, 835 valores
singulares, obtivemos o tomograma da Figura
8 que indica as velocidades estimadas, no caso
para = 0. Note-se a grande semelhanca entre
esse resultado e a Figura 2 que mostra o tomograma verdadeiro. Note-se que essa abordagem
poderia ser mais apurada se a escala horizontal fosse de maior detalhe, como por exemplo,
entre 820 e 840 valores, ao inves de 800 a 900
valores singulares. Alem disso, restrigindo o
faixa de valores singulares, pode-se trabalhar
com tabelas de n
umeros e nao mais com curvas.
VII.
32-48 (2007)
CONCLUSOES
A tomografia de tempos de transito, e uma

abordagem cinematica da tomografia de raios,
que utiliza os tempos de transito entre fontes
e receptores. A tomografia e um tipo de problema inverso, que pode ser resolvido, por exemplo, utilizando a usual tecnica da decomposic
ao por valores singulares. A presenca de
pequenos valores singulares perturbam os resultados, gerando um crescimento anomalo em
todos os criterios que envolvem o modelo estimado, quais sejam: o erro entre os dados observados e calculados, o erro entre os parametros
de modelo verdadeiros e estimados, a energia
40
32-48 (2007)
Criterios de Seleca
do modelo estimado e a entropia do modelo estimado. Utilizando estes quatro criterios mais
o comportamento do decaimento dos valores
singulares, e a derivada dos valores singulares,
conclumos que, para o exemplo numerico apresentado, o n
umero otimo utilizado foi em torno
de 830 ou 835 valores singulares, dentro de um
conjunto de 900 valores. A utilizac
ao de diferentes nveis de rudo mostrou-se valida, tendo
em vista que a metodologia se apresentou robusta em relacao à adicao de rudo, e, os valores dos criterios foram proporcionais aos diferentes nveis de rudos. Os resultados foram
satisfatorios, pois os tomogramas gerados utilizando esta metodologia, tal qual o apresen-
tado, apresentaram-se bastante semelhantes ao

tomograma verdadeiro.
[1] A. Bassrei, A simple procedure for the selection

of singular values in acoustical travel time tomography (abstract). J. Acoust. Soc. Am. 108,
2593 (2000).
[2] E.T.F. Santos, A. Bassrei, J. Costa, Evaluation of L-curve and -curve approaches for
the selection of regularization parameter in
anisotropic traveltime tomography. Journal of
Seismic Exploration 15, 245 (2006).
[3] E.T.F. Santos, A. Bassrei, L- and -curve approaches for the selection of regularization parameter in geophysical diffraction tomography.
Computers & Geosciences 33, 618 (2007).
[4] W. Menke, Geophysical Data Analysis: Discrete Inverse Theory. Orlando: Academic
Press (1984).
[5] R. Penrose, A generalized inverse for matrices. Proceedings of the Cambridge Philosoph-
ical Society 51, 406 (1955).

[6] C. Lanczos, Linear Differential Operators.
London: Van Nostrand (1961).
[7] A.H. Anderson, A.C. Kak, Digital ray tracing
in two-dimensional refractive fields. J. Acoust.
Soc. Am. 72, 1593 (1982).
[8] H.A. Schots, Tomografia Ssmica Poco-a-Poco
e Poco-a-Superfcie Utilizando Ondas Diretas. Dissertacao (Mestrado) Instituto de
Geociencias da UFBA, Salvador (1990).
[9] R.R. Stewart Exploration Seismic Tomography: Fundamentals. Tulsa: Society of Exploration Geophysicists (1991).
[10] T.-w. Lo, P.L. Inderwiesen, Fundamentals of
Seismic Tomography. Geophysical Monograph
Series. Tulsa: Society of Exploration Geophysicists (1994).
Sitientibus S
erie Ci^
encias F
sicas 03:
Agradecimentos
Os autores agradecem ao LAGEP

Laborotorio de Geofsica de Explorac
ao de
Petr
oleo do CPGG/UFBA pela utilizac
ao dos
recursos computacionais. A. Bassrei agradece
ao CNPq pelo apoio aos projetos 484.239/20066 (Edital Universal MCT/CNPq 02/2006) e
308.875/2007-9 (Bolsa de Pesquisa).
41
Sitientibus S
erie Ci^
encias F
sicas 03:
FIGURA 1 Modelo hipotetico mostrando a disposica

o de fontes e receptores, assim
como os caminhos de alguns raios, que conectam fontes e receptores. As fontes,
representadas por estrelas, est
ao dispostas no poco `
a esquerda, e os receptores, representados por tri
angulos, est
ao dispostos no poco `
a direita.
amplitude valor singular
1200
1000
800
600
400
200
0
0
100 200 300 400 500 600 700 800 900

indice do valor singular
FIGURA 3 Curva de amplitude dos valores singulares versus o ndice do valor

singular. Nota-se o r
apido decaimento na curva, que passa a ser um car
ater mais
suave, se for utilizada a escala logarmica no eixo vertical.
42
32-48 (2007)
Sitientibus S
erie Ci^
encias F
sicas 03:
Criterios de Seleca
32-48 (2007)
MODELO VERDADEIRO
ditancia horizontal (m)
150
300
450
600
750
900
distancia vertical (m)
3400
150
300
450
600
750
1700
2500
3000
3500
900
2000
y
FIGURA 2 Modelo utilizado para as simulac
oes, com 900 blocos, sendo 30 blocos
por linha horizontal e 30 blocos por linha vertical. A aquisic
ao de dados e do tipo
poco-a-poco com 30 fontes regularmente espacados no poco `
a esquerda. Igual n
umero
de receptores, tambem regularmente espacados, no poco `
a direita.
43
Sitientibus S
erie Ci^
encias F
sicas 03:
(a)
0.0001
8e-05
6e-05
4e-05
2e-05
0
800
820
840
860
880
900
880
900
(b)
0.0001
8e-05
6e-05
4e-05
2e-05
0
800
820
840
860
(c)
0.01
derivada
1e-04
1e-06
1e-08
1e-10
1e-12
800
820
840
860
880
900
indice do numero singular
FIGURAS 4(a), 4(b) e 4(c) Curvas restritas `

a faixa de 800 a 900 valores singulares,
sendo: (a) curva de amplitude de valores singulares versus o ndice do valor singular;
(b) o mesmo do item (a) porem com escala logartmica no eixo vertical; (c) curva do
logaritmo do m
odulo da derivada da amplitude de valores singulares versus o ndice
do valor singular.
44
32-48 (2007)
Sitientibus S
erie Ci^
encias F
sicas 03:
(a)
0.01
alpha=0.0
alpha=0.001
alpha=0.005
alpha=0.01
alpha=0.05
alpha=0.1
0.008
erro do dado
Criterios de Seleca
32-48 (2007)
0.006
0.004
0.002
0
800
820
840
860
880
900
numero de valores singulares
(b)
0.002
alpha=0.0
alpha=0.001
alpha=0.005
erro do dado
0.0015
0.001
0.0005
0
800
820
840
860
880
900
FIGURAS 5(a) e 5(b) Curvas restritas `

a faixa de 800 a 900 valores singulares, para
diferentes nveis de rudo, sendo: (a) curva do erro d dos par
ametros de dados versus
o n
umero de valores singulares; (b) o mesmo do item (a) porem com detalhe na escala
vertical, destacando as curvas para = 0, = 0.001 e = 0.005.
45
(a)
Sitientibus S
erie Ci^
encias F
sicas 03:
energia do erro
0.0002
0.00015
0.0001
alpha=0.0
alpha=0.001
alpha=0.005
alpha=0.01
alpha=0.05
alpha=0.1
5e-05
0
800
820
840
860
880
900
(b)
1e-05
energia do erro
8e-06
6e-06
4e-06
alpha=0.0
alpha=0.001
alpha=0.005
alpha=0.01
alpha=0.05
alpha=0.1
2e-06
0
800
820
840
860
880
900

a faixa de 800 a 900 valores singulares,
para diferentes nveis de rudo, sendo: (a) curva da energia E dos par
ametros de
modelo versus o n
umero de valores singulares; (b) o mesmo do item (a) porem com
menos detalhe na escala vertical. Note-se que diferente das curvas para d e m ,
efetuamos aqui uma reduca
o de escala, de modo a poder visualizar uma distinca
o
entre os diferentes nveis de rudo na faixa de 830 a 860 valores singulares.
46
32-48 (2007)
Sitientibus S
erie Ci^
encias F
sicas 03:
(a)
12
entropia do modelo
10
8
Criterios de Seleca
32-48 (2007)
alpha=0.0
alpha=0.001
alpha=0.005
alpha=0.01
alpha=0.05
alpha=0.1
6
4
2
0
800
820
840
860
880
900
(b)
entropia do modelo
7
6
5
alpha=0.0
alpha=0.001
alpha=0.005
alpha=0.01
alpha=0.05
alpha=0.1
4
3
2
800
820
840
860
880
900

a faixa de 800 a 900 valores singulares, para
diferentes nveis de rudo, sendo: (a) curva da entropia H dos par
ametros de modelo
versus o n
umero de valores singulares; (b) o mesmo do item (a) porem com detalhe
na escala vertical.
47
Sitientibus S
erie Ci^
encias F
sicas 03:
MODELO RECUPERADO
ditancia horizontal (m)
150
300
450
600
750
900
distancia vertical (m)
3436.36
150
300
450
600
750
1681.33
2500
3000
3500
900
2000
y
FIGURA 8 Modelo estimado utilizando 835 valores singulares, com dados livre de
rudo ( = 0).
48
32-48 (2007)
ARTICLE IN PRESS
Computers & Geosciences 33 (2007) 618629

www.elsevier.com/locate/cageo
L- and Y-curve approaches for the selection of regularization

parameter in geophysical diffraction tomography
E.T.F. Santosa, A. Bassreib,
a
CEFET/BA and Institute of Geosciences Federal University of Bahia, Salvador, Brazil

Institute of Physics & Research Center in Geophysics and Geology Federal University of Bahia, Caixa Postal 1001,
40001-970 Salvador BA, Brazil
Received 2 May 2006; received in revised form 10 August 2006; accepted 27 August 2006
Abstract
Since inverse problems are usually ill-posed it is necessary to use some method to reduce their deciencies. The method
that we choose is the regularization by derivative matrices. When a rst derivative matrix is used the order is called the rst.
Then, second-order regularization is when the matrix is formed by second-order differences, and order zero means that the
regularization matrix is the identity. There is a crucial problem in regularization, which is the selection of the regularization
parameter l. We used the L-curve as a tool for the selection of l, and we propose a new extension, which we call the Ycurve. The tool was applied in geophysical diffraction tomography in two acquisition geometries: cross-hole and vertical
seismic prole (VSP), where the goal is to obtain the 2-D velocity distribution from the measured values of the scattered
acoustic eld. We present several simulation results with synthetic data, for the three regularization orders mentioned
above. We validate the necessity of some kind of regularization, as well as the feasibility of both parameter selection
approaches.
r 2006 Elsevier Ltd. All rights reserved.
Keywords: Inverse problems; Diffraction tomography; Regularization; Regularization parameter; L-curve; Y-curve
1. Introduction
The main purpose of exploration geophysics for
hydrocarbons is to provide trustworthy images of
the subsurface, which can indicate potential hydrocarbon reservoirs. Exploration seismology, better
known as seismics, is the area of applied geophysics
most employed for the subsurface imaging in
hydrocarbons reservoirs. And within seismics,
Corresponding author. Tel.: +55 71 3203 8508;
fax: +55 71 3203 8501.

E-mail addresses: etfs@cpgg.ufba.br (E.T.F. Santos),
bassrei@cpgg.ufba.br (A. Bassrei).
0098-3004/$ - see front matter r 2006 Elsevier Ltd. All rights reserved.
doi:10.1016/j.cageo.2006.08.013
tomography is incorporated as a suitable method

of data inversion. In this work, we use geophysical
diffraction tomography where the input data is the
scattered acoustic eld measured at the receivers,
and the velocity of the 2-D medium is the inversion
output. Instead of using the classical approach of
diffraction tomography in geophysics, i.e., the
Fourier projection theorem (Devaney, 1984; Slaney
et al., 1984; Wu and Toksoz, 1987), we use a matrix
formulation approach (Thompson et al., 1994;
Reiter and Rodi, 1996; Rocha Filho et al., 1996,
1997). The main advantages of the matrix formulation are: (1) the option of having irregular
spacing (i) between sources, (ii) between receivers
ARTICLE IN PRESS
E.T.F. Santos, A. Bassrei / Computers & Geosciences 33 (2007) 618629
and (iii) between sources and receivers (all very

common in practical situations with real data); and
(2) the possibility to study, in a better way, the illposedness of the inverse problem. The main
disadvantage is the cost in terms of computation
time. For forward modeling, we compute the
scattered acoustic eld from a given 2-D velocity
distribution. The eld is obtained by a second-order
nite difference scheme and the tomographic matrix
by a rst-order Born approximation. One common
way to calculate the inverse matrix is by the
generalized inverse through singular value decomposition (SVD).
Since geophysical diffraction tomography is an
ill-posed inverse problem, it is necessary to use some
tool to reduce this deciency. The tool that we
choose is the regularization of the inverse problem
by derivative matrices, known in the literature by
several names, (e.g. the Tikhonov regularization).
This tool has an important input parameter called
the regularization parameter l.
In the last 10 years researchers have studied the
problem of nding the optimum value of l in
geophysical applications. One of rst works was
done by Ray and Sanchez (1994), who used
regularization and the L-curve to raw tidal estimates
based on Geosat altimeter data. The estimation is
based on tting specic functions called Proudman
functions as a spatial basis, which is formulated as a
linear system. The tting coefcients are obtained
solving the corresponding least-squares problem
using zero-order regularization. Then, L-curve is
applied to obtain the optimal regularization parameter. Yao and Roberts (1999), presented an
algorithm for the practical choice of the regularization parameter in linear seismic tomographic inversion. Two criteria for the choice of the regularization parameter were investigated. The rst
approach assumes that the norm of the errors in
observed data is known accurately and searches the
regularization parameter associated with this error
using Newtons method. The second approach is the
application of the generalized cross-validation
(GCV), which chooses the regularization parameter
associated with the best average prediction for all
possible omissions of one datum, corresponding to
the minimum of the GCV function. More recently,
Farquharson and Oldenburg (2004) compared two
automatic ways of estimating the best regularization
parameter to non-linear inverse problems: the GCV
and L-curve. These criteria initially proposed
for linear problems are applied to each iteration
619
of linearized inverse problems, in a typical iterative process to obtain the linearized solution to
the corresponding non-linear problem. Thus,
the best l is estimated for each linearized iteration.
To ensure that the regularization parameter decreases along iterations, an attenuation factor is
multiplied by the regularization parameter at the
last iteration to limit the next maximum allowable
parameter.
Some other relevant works that consider the
aspect of parameter selection, either generally, or in
geophysical applications are Hansen (1992, 1998),
Bouman and Sauer (1993), Hansen and OLeary
(1993), Hanke (1996), Hanke and Raus (1996),
Reginska (1996), Vogel (1996), Belge et al. (2002),
Calvetti et al. (1999), Kilmer and OLeary (2001),
Soupios et al. (2001, 2003), Castellanos et al. (2002)
and McCarthy (2003).
In the present work, to our knowledge the rst
one in geophysical diffraction tomography using
regularization with search for the optimum parameter, we employ the L-curve and an extension of it,
which we call the Y-curve, in cross-hole and vertical
seismic prole (VSP) geophysical diffraction tomography. In the L-curve the x-axis represents the
error between the observed data and the calculated
one, and the y-axis represents the amount of
regularization of the solution. The L-curve was
reintroduced in the literature of inverse problems by
Hansen (1992, 1998) and he also produced a
toolbox (Hansen, 1992). Hansens book (1998) is a
very good source of information for a more rigorous
treatment of the L-curve.
2. Regularization, L- and H-curve

Consider a modeling process where the input of a
system is described by certain parameters contained
in m and the output is described as Am( d) which
is a linear transformation on m. If the vector d
describes the observed output of the system, the
problem is to choose the parameters m in order to
minimize in some sense, the difference between the
observed d and the prescribed output of the system
Am. If we measure this difference through the norm
JdJ, our task is to nd the value of m that minimizes
JAmdJ2, where the M N matrix A and the data
vector d with M elements are provided. This is
called a least-squares problem, which can be
formally stated as follows. Considering the basic
relationship d Am, we wish to minimize the error
ARTICLE IN PRESS
and
using the following objective function:

Fm d AmT d Am.
(1)
The estimated solution, also called least-squares

solution, is
mest AT A AT d.
1
(2)
Least-squares solutions very often do not provide

good results and sometimes they do not even exist.
In order to solve this problem we use a tool of
regularization or smoothing: the ill-conditioning of
the matrix A is regularized and the unstable leastsquares estimate mest is consequently smoothed to
greatly reduce the possibility of wild noise-induced
uctuation in d, hopefully without distorting the
resulting smoothed image too far from the true m
(Titterington, 1985).
The concept of regularization was introduced by
Tikhonov in 1963 in order to improve the quality of
the inversion. This theory was studied by many
researchers, and we use the Twomey (1963)
approach. See Bassrei and Rodi (1993) about the
names and history in regularization theory. Consider the following objective function:
Fm lDl mT Dl m eT e,
(3)
where l is the regularization parameter and Dl is the

lth-order derivative matrix. If qF(m)/qm 0, then
the estimated model is given by
mest AT A lDTl Dl 1 AT d.
(4)
Notice that if l 0 we obtain the standard

least squares, and the least squares is said to be
damped if DT0 D0 I. If D is the rst derivative matrix then the regularization is called
to be rst order and so on. Each 2D model is
scanned line by line to be represented by a single
vector, i.e., rasterized. It simplies the form of the
discrete derivative approximation matrix, which
resembles a regular pattern. Thus, the matrices D1
and D2 may be schematized by the following
templates:
1
0
1 1 0 0 0 0 0 . . . 0
B 0 1 1 0 0 0 0 . . . 0 C
C
B
C
B .
..
.. . .
..
D1 B
...C
. .
.
C
B
C
B
@ 0 . . . 0 0 0 0 1 1
0 A
0
...
1
2
...
2
...
B0
B
B.
.
D2 B
B.
B
@0
...
2
...
2
..
0 C
C
C
...C
C.
C
0 A
1
(6)
The L-curve knee (Fig. 1) represents a trade-off

between smoother solutions with higher errors and
rougher solutions with smaller errors. Thus, the
knee detection at the L-curve is an heuristic
criterion to select the most appropriate solution.
Solutions near to the curve knee are also acceptable.
Thus, one can achieve a solution that simultaneously satises the criteria of error minimization,
smoothness and also with physical meaning.
The detection of the L-curve corner was performed using Hansens toolbox. A number of
different denitions have been proposed for the
best estimation of the L-curve corner (Calvetti et al.,
2002; Belge et al., 2002; Kilmer and OLeary, 2001;
Hansen, 1992, 1998).
Considering this curve approximately L-shaped,
one can nd its knee searching the maximum
curvature point (Hansen, 1992; Hansen and
OLeary, 1993). Although, secondary inexions
may occur, which may result in the wrong detection
of the best regularization parameter. Thus, the
automatic method of knee detection adopted in this
toolbox may lead sometimes to inadequate regularization parameters. Due to this problem, sometimes
||Dlm||2
Smaller error
620
L-curve's knee
(best )
2
Smoother solution
3
||e||2
1
(5)
Fig. 1. Schematic representation of L-curve.
ARTICLE IN PRESS
it is necessary to select the best regularization

parameter by visual inspection of the L-curve and
a manual detection of its knee. Belge et al. (2002)
adopted the point closest to the origin of L-curve
graph as an estimation of the L-curve corner. It
works ne when the curve is clearly L-shaped, but it
may fail when the inexion at knee signicantly
differs from a straight angle because other points
outside knee may be closer to the origin.
Thus, a criterion that identies the L-curve corner
should be exible enough to tolerate certain
deviations from its ideal L-shape and still correctly
identies correctly its corner. We adopted a
different criterion based on a curve representing
the cosine of angles between adjacent segments of
L-curve discrete representation, which we named
Y-curve. Where the curve is locally straight, the angle
tends to zero, leading the cosine of this angle to one.
Near the L-curve knee, the angle tends to be greater
than its neighbors, leading the cosine to values less
than one. Thus, smaller cosine values are associated
with inexions of the curve, which lead us to inspect
the minima of the Y-curve to nd the knee of the Lcurve and consequently the best regularization
parameter (Fig. 2). The method developed to select
the best regularization parameter is based on the
detection of the rst local minimum of the Y-curve.
This minimum is automatically detected where the
rst derivative is close to zero and the second
derivative is positive, adopting thresholds due to
the discretization and arithmetic computer precision.
Thus, the rst occurrence of minimum at Y-curve is
associated with the knee of L-curve, giving us

the best regularization parameter. Further inexions of the L-curve were discarded because only
the rst local minimum of Y-curve is associated with
L-curve knee. This avoids the wrong regularization
parameter detection described before, when one
adopts the criterion of maximum curvature of the
L-curve.
3. Diffraction tomography modeling via Born
approximation
The wave equation is given by
r2 Ur; t
1 q2 Ur; t
,
c2 r qt2
r2 k2 Pr; o 0,
(8)
where the two-dimensional (2-D) wavenumber is

q
given by k kr; o k2x k2y . The conditions
for the imaging are that the medium is acoustic and
2-D, and the propagation of the incident eld is
within a limited area A(r0 ), the background,
with constant velocity c0. The object function is
dened as
c20
c2 r
(9)
and represents the perturbation of the velocity in

each point in relation to c0. Redening the
wavenumber as function of O(r), and substituting
it in the Helmholtz equation, we obtain
1
10
r2 k2 PS k20 OrPO PS ,

2
(7)
where U(r, t) is the solution, either displacement or

pressure, and c(r) is the acoustic velocity of the
medium. Considering that the solution can be
written as U(r,o,t) eiotP(r,o), which represents
a harmonic dependence with time, we obtain the
Helmholtz equation:
Or 1
||Dlm||2
621
(10)
where PO is the incident eld and PS is the scattered

eld. The last differential equation has the following
integral solution, known as LippmannSchwinger
equation (Lo and Inderwiesen, 1994):
Z
PS r k20
Or0 Grjr0 PO r0 PS r0 dr0 .
290
30
Ar0
(11)
5
||e||2
Fig. 2. Schematic representation for the construction of Y-curve.
In the inverse scattering procedure, we consider

the knowledge of the scattered eld, so that the
object function is the unknown function, and the
ARTICLE IN PRESS
622
Table 1
lbest and crms (%) of all simulations
Method
lbest
crms (%)
Example 1diffractor point cross-hole
Order 0: L-curve
Order 0: Y-curve
Order 1: L-curve
Order 1: Y-curve
Order 2: L-curve
Order 2: Y-curve
Least squares
0.0008
0.0666
0.0006
0.0769
0.0003
0.0514
0.0742
0.0572
0.0687
0.0520
0.0703
0.0505
0.0568
Example 2plus pod cross-hole
Order 0: L-curve
Order 0: Y-curve
Order 1: L-curve
Order 1: Y-curve
Order 2: L-curve
Order 2: Y-curve
Least squares
0.0060
0.0045
0.0111
0.0061
0.0041
0.0038
0.6895
0.7750
0.5175
0.5506
0.5331
0.5385
2.6842
Example 3reef cross-hole
Order 0: L-curve
Order 0: Y-curve
Order 1: L-curve
Order 1: Y-curve
Order 2: L-curve
Order 2: Y-curve
Least squares
0.1234
0.1322
0.1599
0.3035
0.2449
0.4784
0.5130
0.5107
0.5125
0.4823
0.5309
0.4856
0.5260
Example 4reef VSP
Order 0: L-curve
Order 0: Y-curve
Order 1: L-curve
Order 1: Y-curve
Order 2: L-curve
Order 2: Y-curve
Least squares
0.2139
0.2256
0.2783
0.2971
0.8463
0.5867
0.5953
0.5938
0.5494
0.5456
0.5278
0.5423
0.6076
integral solution becomes an integral equation. The

above equation is non-linear and the linearization is
achieved, for example, via the rst-order Born
approximation, which is only valid for the weak
scattering of the incident eld. The total eld is
PT(r) PO(r)+PS(r) and PS(r)5PO(r), so that we
have PT(r) PO(r). Thus we obtain a linear relation
between O(r) and PS(r):
Z
2
PS r k0
Or0 Grjr0 PO r0 dr0 .
(12)
Ar0
We represent the incident eld by a source in rS

through the Greens function:
PO r0 Gr0 jrS
(13)
and the scattered eld in A(r) is registered by a

receptor in rG:
Z
PS rS ; rG k20
Or0 Gr0 jrS GrG jr0 dr0 .
Ar0
(14)
velocity (m/s)
Model
3300
3200
3100
3000
0
ve
rti
ca
l
di
st
an
ce
15
10
lls)
e (ce
tanc
10
(c
el
ls)
15 0
l dis
onta
horiz
Fig. 3. Example 2plus pod model. 3-D representation of the

true model.
The discretization of the above relation leads to

the linear relation d Am, which has to be inverted
in order to recover O(r). In this work the inversion is
ARTICLE IN PRESS
done using SVD with regularization, which we

described earlier.
4. Numerical simulation
We explore these two approaches for the selection
of the regularization parameter in four synthetic
examples, all with 225 blocks (15 15), i.e., the
vector of model parameters has 225 components. In
all numerical experiments there are 16 sources and
623
16 receivers, in such a way that the data set has 256

complex numbers. Since we separate the complex
numbers into real and imaginary parts, we have in
fact 512 numbers, making the tomographic matrix
overdetermined (512 equations 225 unknowns).
The frequency of the monochromatic wave is
200 Hz, and all the simulations were performed
with noisy data. Basically we added Gaussian noise
was added such that the RMS error between the
original scattered eld and the corrupted one is
100
0.00015514
0.00076938 0.0038155
0.018922
3300
velocity (m/s)
solution semi-norm || L x ||2
101
0.093839
0.46537
10-1
2.3079
3200
3100
10-2
3000
0
ve
rti
ca
11.4452
10-3
5
ist
an 10
ce
(c
el
ls) 15 0
281.4836
10-4
10-3
10-2
10-1
residual norm || A x - b ||2
15
ld
56.7596
100
Fig. 4. Example 2plus pod model. L-curve for second order.
5
o
horiz
ntal
Fig. 5. Example 2plus pod model. Reconstruction with best

regularization parameter obtained from Fig. 4.
1.005
0.01268
0.00015514
0.0011481
0.995
0.14003
5.1395
3.444
0.062882
38.0352
188.6251
420.0554
281.4836
2.3079
0.0017134
0.99
0.69447
0.985
0.0025568
1.0363
0.98
0.0056939
0.975
0.97
0.0038155
0.965
0
10
15
dist
10
s)
(cell
ance
20
25
30
Fig. 6. Example 2plus pod model. Y-curve for second order.
35
40
ARTICLE IN PRESS
around 1%. For each example and for each order,

we produced three L-curves and three Y-curves.
Due to space limitations we show only some of the
results although all simulations are summarized in
Table 1, where the estimator crms express the rms
error of the acoustic velocity:
q
PN true
2
cest
i
i1 ci
c
q
rms
100%.
(15)
PN true 2
i1 ci
3300
3200
3100
3300
3200
3100
3000
2900
0
ve
rti
ca
l
ld
ist
15
an
ce
10
(c
el
ls) 15 0
10
cells)
(
5
tance
al dis
t
n
o
oriz
Fig. 7. Example 2plus pod model. Reconstruction with best

regularization parameter obtained from Fig. 6.
st
15
an
ce
10
(c
ls)
10
5
15 0
hori
al d
zont
istan
ce (
ells)
Fig. 8. Example 2plus pod model. Least squares reconstruction.
4100
4050
4000
3950
3900
ve 0
rti
ca
l
3000
0
ve
rti
ca
di
el
velocity (m/s)
velocity (m/s)
The scattered eld was computed using a second

order in time and fourth order in space, nite
differences scheme. We adopted a Rickers wavelet
centered around 200 Hz as the source, propagating
through the medium limited by absorbing boundaries. The calculation of the scattered eld can be
separated into two steps: rst we compute the
primary eld assuming a homogeneous medium
with background velocity. Then we use the velocity
model to compute the total eld. We obtain the
scattered eld subtracting the primary eld from the
total eld. The resulting scattered eld was deconvolved at 200 Hz as center frequency in order to
perform a monochromatic inversion. The calculated
eld at the source position has some differences of
amplitude and phase in relation to the original
Rickers wavelet due to the modeling, which were
adjusted using an average complex correction
factor.
The rst synthetic example simulates the diffractor point. The background medium has 4000 m/s,
and the inhomogeneity (diffractor point) is represented by a single block with 4100 m/s, which means
a 2.5% positive anomaly. The diffractor point is in
fact a 10 m 10 m square or half-wavelength halfwavelength. Due to space limitations no gures are

presented for this example, but from Table 1 one
can conclude that for the rst and second orders the
regularized solution using the Y-curve was better
than least squares. In all three orders the solutions
obtained from the Y-curve had smaller crms than the
ones obtained from L-curve. This discrepancy
between the regularization parameters obtained
from the two approaches was more accentuated in
this example. In the other three sets of simulations
the obtained parameters from the two approaches
were close, sometimes the same.
In the second example there is a homogeneous
inclusion in the form of a plus pod within the
homogeneous background, which has 3000 m/s. The
inclusion (plus pod) has 3300 m/s, which represents
velocity (m/s)
624
dis
ta
15
10
e
(c
ell
s)
10
nc
15 0
ells)
ce (c
tan
tal dis
on
horiz
Fig. 9. Example 3simple reef model. Cross-hole and VSP

geometries data acquisition. 3-D representation of the true
model.
ARTICLE IN PRESS
625
and in this case the global minimum, is straightforward, different from the corner visualization in
the L-curve. The least-squares solution is presented in Fig. 8. Comparing Figs. 5 and 8, or
Figs. 7 and 8, we can conclude the necessity of
some kind of regularization. Comparing Figs. 5
and 7 we can conclude that the two approaches
gave similar results, which is conrmed when we
compare the regularization parameters and the crms
estimator.
a positive anomaly of 10%. The plus pod true

model can be seen as a 3-D diagram in Fig. 3. In
terms of wavelength, the plus pod has a diameter of
5.3 wavelengths. Fig. 4 shows the L-curve for the
second order and Fig. 5 shows the reconstruction.
Hansens package provided the best parameter as
0.0041. Here the L-curve obtained is more or less
like the letter L shape. The Y-curve for second order
can be seen in Fig. 6 and the reconstruction in
Fig. 7. Notice that the visualization of the rst,
104
102
3.6405e-005
velocity (m/s)
4.1975e-007
3.9091e-006
0.00033904
10
10
-2
10
-4
0.0031575
0.029405
0.27385
2.5504
23.7516
221.1981
10-6
10-2
10-1
4100
4050
4000
3950
3900
0
ve
rti
ca
l
di
st
15
an
ce
(c
el
100
10
10
ls)
5
15 0
l dist
nta
orizo
Fig. 11. Example 3simple reef model. Cross-hole geometry

data acquisition. Reconstruction with best regularization parameter obtained from Fig. 10.

data acquisition. L-curve for second order.
1.0005
4.1975e-007
0.0001111
0.9995
0.0096357
1.4599
0.089737
13.5963 221.1981
0.27385
0.4784
23.7516
2.5504
41.4921
0.999
72.4832
0.9985
0.998
126.622
0.9975
0.997
0.9965
0.996
386.4146
0
10
15
(c
ance
ells)
20
25
30
35
40
Fig. 12. Example 3simple reef model. Cross-hole geometry data acquisition. Y-curve for second order.
ARTICLE IN PRESS
626
The third example, displayed in Fig. 9, is a simple

representation of a reef, as a possible oil reservoir.
The acquisition geometry is still the cross-hole, like
the rst and the second examples. There is also a
low velocity layer. The background medium has
4000 m/s. The low velocity layer has 3900 m/s, which
means a minus 2.5% contrast. The central inhomogeneity (the reef) has 4100 m/s which is equivalent to
a plus 2.5% anomaly. In terms of wavelength the
reef is 3.5 wavelengths 1 wavelength, and the low
velocity layer is 7.5 wavelengths 1 wavelength.
Fig. 10 shows the L-curve for second order and
Fig. 11 shows the reconstruction. This is a practical
example where the L-curve does not have a typical
letter L shape, in such a way that it is difcult to see
the location of the L-curve corner. Hansens

package provided the best parameter as 0.2449.
For the same order the Y-curve can be seen in
Fig. 12, where we can see that the rst minimum is
0.4784. As mentioned earlier we always consider
only the rst minimum. With this value we obtained
the reconstructed tomogram showed in Fig. 13. The
two results, i.e., Figs. 11 and 13 are very similar
despite some difference in the crms estimator. The
least-squares solution is presented in Fig. 14. This
last result is not as bad as in the previous example,
but again we see that regularization is necessary.
For the VSP geometry, the true model is the same
as shown in Fig. 9. The sources are still located in a
hole but the receivers are now located at the surface.
4100
4050
4000
3950
3900
0
ve
rti
ca
l
di
15
st
an
ce
10
(c
el
ls)
15
5
0
10
s)
(cell
n
a ce
l dis
onta
horiz
0.00062724
100
0.0031368
0.015687
10-1
0.078449
0.39232
10-2
1.9619
10-3
9.8115
49.0666
10-4
245.3782
10-1.6
4000
3950
4100
4050
4000
3950
3900
0
ve
rti
ist
15
an
ce
10
10
(c
el
ls)
5
15 0
10-1.4
Fig. 15. Example 4simple reef model. VSP geometry data

acquisition. L-curve for second order.
velocity (m/s)
4050
ld
10-1.5
4100
3900
ve 0
rti
ca
0.00012543
10-5

data acquisition. Reconstruction with best regularization parameter obtained from Fig. 12.
velocity (m/s)
velocity (m/s)
101
stan
al di
nt
orizo
s)
cell
ce (

data acquisition. Least-squares reconstruction.
ca
ld
ist
15
an
ce
10
10
(c
ell
s)
5
15 0
horiz
on
ista
tal d
nce
(cell
s)

acquisition. Reconstruction with best regularization parameter
obtained from Fig. 15.
ARTICLE IN PRESS
0.0020976
0.00012543
0.17543
0.023458
627
73.3751
109.7264
6.5611
49.0666 245.3782
1.312
0.9999
32.8113
0.9999
14.6723
0.39232
0.87733
0.9998
4.3874
0.9998
1.9619
0.9997
366.9428
0.58668
0.9997
0.9996
2.9339
0.9996
0
10
15
20
25
30
35
40
Fig. 17. Example 4simple reef model. VSP geometry data acquisition. Y-curve for second order.
velocity (m/s)
velocity (m/s)
4100
4050
4000
3950
3900
0
ve
rti
ca
ld
ist
15
an
ce
10
10
(c
ell
s)
15 0
ells)
ce (c
stan
al di
4100
4050
4000
3950
3900
0
ve
rti
ca
l
dis
ta
15
nc
ont
horiz
10
(c
ell
15 0
s)
10
5
ells)
ce (c
stan
al di
ont
horiz

acquisition. Reconstruction with best regularization parameter
obtained from Fig. 17.

acquisition. Least-squares reconstruction.
Fig. 15 shows the L-curve for second order and

Fig. 16 shows the reconstruction. Here the L-curve
obtained is more or less like the letter L shape,
although the corner location is not obvious. For the
same order, the Y-curve can be seen in Fig. 17 and
the reconstructed tomogram in Fig. 18. The results
obtained using both criteria for the selection of the
optimum regularization parameter were very similar
in this case. We may also observe similar crms
estimators for both criteria. The least-squares
solution is presented in Fig. 19. Once more the
result without regularization shows clearly the

necessity of regularization combined with appropriate selection of the optimum regularization
parameter.
5. Conclusions
From four sets of overdetermined synthetic
examples corrupted by noise and with an illconditioned kernel matrix we have shown that the
regularization algorithm in question, together with
ARTICLE IN PRESS
628
its related approaches for the selection of the

regularization parameter, is feasible in linear geophysical diffraction tomography. The two last sets
represent the same simple geological model but with
different acquisition geometries, cross-hole and
VSP, this last one very common in geophysical
exploration for hydrocarbon reservoirs. The comparison with non-regularized solution conrms the
necessity of some kind of regularization. We
considered three orders of regularization, where
the order of regularization is equivalent to the order
of the derivative matrix. One crucial aspect here is
the selection of regularization parameter, usually
chosen by some trial and error approach. We used
the L-curve and we proposed a variation of it, which
we named Y-curve. The results were consistent,
providing good to excellent approximations of the
true model, even considering that Gaussian noise
was always added to the scattered eld, and the
observed data was not exact, i.e., it did not came
from the rst-order Born series, but from a nite
differences scheme. Natural extensions of this work
are the application of this formulation to a layered
medium background, and application to real data
waveform.
Acknowledgments
This work is part of the projects Multi-dimensional and spectral seismic processing in highresolution seismo-stratigraphy (edict CTPETRO/
CNPq-FINEP 03/2001), and Development of
techniques and algorithms for improvement
of subsurface imaging and seismic processing
(edict CTPETRO/CNPq 01/2003). The authors
also would like to thank the support from
PETROBRAS.
References
Bassrei, A., Rodi, W.L., 1993. Regularization and inversion of
linear geophysical data. In: Proceedings of the Third
International Congress of the Brazilian Geophysical Society,
Rio de Janeiro, Brazil, vol. 1, pp. 111116.
Belge, M., Kilmer, M.E., Miller, E.L., 2002. Efcient determination of multiple regularization parameters in a generalized
L-curve framework. Inverse Problems 18, 11611183.
Bouman, C., Sauer, K., 1993. A generalized gaussian image
model for edge-preserving map estimation. Institute of
Electrical and Electronics Engineers Transactions on Image
Processing 2, 296310.
Calvetti, D., Golub, G.H., Reichel, L., 1999. Estimation of the

L-curve via Lanczos bidiagonalization. BIT (Nordisk
Tiddskrift for Informationsbehandling) 39, 603619.
Calvetti, D.P., Hansen, P.C., Reichel, L., 2002. L-curve curvature
bounds via Lanczos bidiagonalization. Electronic Transactions on Numerical Analysis 14, 2035.
Castellanos, J.L., Gomez, S., Guerra, V., 2002. The triangle
method for nding the corner of the L-curve. Applied
Numerical Mathematics 43, 359373.
Devaney, A.J., 1984. Geophysical diffraction tomography.
Institute of Electrical and Electronics Engineers Transactions
on Geoscience and Remote Sensing 22, 313.
Farquharson, C.G., Oldenburg, D.W., 2004. A comparison of
automatic techniques for estimating the regularization parameter in non-linear inverse problems. Geophysical Journal
International (156), 411425.
Hanke, M., 1996. Limitation of the L-curve method in ill-posed
problems. BIT (Nordisk Tidsskrift for Informationsbehandling) 36, 287301.
Hanke, M., Raus, T., 1996. A general heuristic for choosing the
regularization parameter in ill-posed problems. Society for
Industrial and Applied Mathematics Journal on Scientic
Computating 17, 956972.
Hansen, P.C., 1992. Analysis of discrete ill-posed problems by
means of the L-curve. Society for Industrial and Applied
Mathematics Review 34, 561580.
Hansen, P.C., 1998. Rank-decient and Discrete Ill-posed
ProblemsNumerical Aspects of Linear Inversion. Society
for Industrial and Applied Mathematics, Philadelphia, 247pp.
Hansen, P.C., OLeary, D.P., 1993. The use of the L-curve in the
regularization of discrete ill-posed problems. Society for
Industrial and Applied Mathematics Journal on Scientic
Computating 14, 14871503.
Kilmer, M.E., OLeary, D.P., 2001. Choosing Regularization
Parameters in Iterative methods for ill-posed problems.
Society for Industrial and Applied Mathematics Journal on
Matrix Analysis and Applications 22, 12041221.
Lo, T.-W., Inderwiesen, P.L., 1994. Fundamentals of Seismic
Tomography. Geophysical Monograph Series, Tulsa, OK,
178pp.
McCarthy, P.J., 2003. Direct analytic model of the L-curve for
Tikhonov regularization parameter selection. Inverse Problems 19, 643663.
Ray, R.D., Sanchez, B.V., 1994. Improved smoothing of a
altimetric ocean-tide model with global Proudman functions.
Geophysical Journal International 118, 788794.
Reginska, T., 1996. A regularization parameter in discrete
ill-posed problems. Society for Industrial and Applied
Mathematics Journal on Scientic Computation 17,
740749.
Reiter, T.D., Rodi, W.L., 1996. Nonlinear waveform tomography applied to crosshole seismic data. Geophysics 61,
902913.
Rocha Filho, A.A., Harris, J.M., Bassrei, A., 1996. A simple
matrix formulation diffraction tomography algorithm. In:
Proceedings of the 39th Brazilian Congress of Geology,
Salvador, Brazil, vol. 2, pp. 312315.
Rocha Filho, A.A., Harris, J.M., Bassrei, A., 1997. Integrated
inversion of seismic data using diffraction tomography. In:
Proceedings of the Fifth International Congress of the
Brazilian Geophysical Society, Sao Paulo, Brazil, vol. 2,
pp. 630634.
ARTICLE IN PRESS
Slaney, M., Kak, A.C., Larsen, L.E., 1984. Limitation of imaging
with rst-order diffraction tomography. Institute of Electrical
and Electronics Engineers Transactions on Microwave
Theory and Techniques 32, 860874.
Soupios, P.M., Papazachos, C.B., Juhlin, C., Tsokas, G.N., 2001.
Nonlinear three-dimensional traveltime inversion of crosshole
data with an application in the area of Middle Urals.
Geophysics 66, 627636.
Soupios, P.M., Papazachos, C.B., Vallianatos, F., Papakostas,
T., 2003. Numerical treatment and inspection of inverse
problems. World Scientic and Engineering Academy and
Society Transactions on Circuits and Systems 2, 547552.
Thompson, D.R., Rodi, W.L., Toksoz, M.N., 1994. Nonlinear
seismic diffraction tomography using minimum structure
constraints. Journal of the Acoustical Society of America
95, 324330.
629
Titterington, D.M., 1985. General structure of regularization

procedures in image reconstruction. Astronomy and Astrophysics 144, 381387.
Twomey, S., 1963. On the numerical solution of Fredholm
integral equations of the rst kind by the inversion of the
linear system produced by quadrature. Journal of the
Association of Computing Machines 10, 97101.
Vogel, C.R., 1996. Non-convergence of the L-curve regularization parameter selection method. Inverse Problems 12,
535547.
Wu, R.-S., Toksoz, M.N., 1987. Diffraction tomography and
multisource holography applied to seismic imaging. Geophysics 52, 1125.
Yao, Z.S., Roberts, R.G., 1999. A practical regularization for
seismic tomography. Geophysical Journal International 138,
293299.

Propagação de ondas sísmicas por raios

Загружено:

Сведения о документе

Оригинальное название

Авторское право

Доступные форматы

Поделиться этим документом

Поделиться или встроить документ

Параметры публикации

Этот документ был вам полезен?

Это неприемлемый материал?

Авторское право:

Доступные форматы

Propagação de ondas sísmicas por raios

Загружено:

Авторское право:

Доступные форматы

CAPITULO 3

onde I e o caminho do raio.

A equacao de Euler e uma condicao necessaria para a existencia de um valor extremo da

Contudo, na forma apresentada, esta equacao nao e pratica computacionalmente. Para

onde l e um incremento no comprimento do raio.

= (cos k )i + (sen k )k,

sao os vetores unitarios nas direcoes x e z e k e o angulo entre as direcoes tangente

O gradiente do ndice de refracao e dado por:

Sendo d o produto interno da equacao (3.9):

O ndice de refracao pode ser escrito como:

onde sk e a vagarosidade referente a velocidade Vk . Substituindo esta equacao nas equacoes

sendo dk agora denido por:

Entao, a partir do conhecimento de sua posicao atual (x k , zk ) e de um angulo k pode-se

sk,x = pA sA,x + pB sB,x + pC sC,x + pD sD,x ,

sk,z = pA sA,z + pB sB,z + pC sC,z + pD sD,z ,

onde s e a vagarosidade no vertice , s,x e s,z sao as derivadas parciais da vagarosidade

Figura 3.1: Interpolacao bilinear de um campo discretizado.

Os pesos de cada elemento da interpolacao podem ser calculados por:

Figura 3.2: Modelo discretizado.

Um problema no tracado de raios e o de mirar o receptor corretamente, ou seja, predizer qual

Metodo de canhoneio (shooting method )

Figura 3.3: Representacao esquematica do metodo de canhoneio.

O metodo baseia-se no tracamento de tres raios a partir de um raio inicial com um

Figura 3.4: Representacao esquematica do metodo de ligacao.

Universidade Federal da Bahia

Curso de Ps-graduao em Geofsica

GEOB12 Propagao de Ondas Elsticas

Universidade Federal da Bahia

Curso de Ps-graduao em Geofsica

Universidade Federal da Bahia

Curso de Ps-graduao em Geofsica

Universidade Federal da Bahia

Curso de Ps-graduao em Geofsica

As tcnicas tomogrficas possuem grande relevncia na

Universidade Federal da Bahia

Curso de Ps-graduao em Geofsica

Universidade Federal da Bahia

Curso de Ps-graduao em Geofsica

Universidade Federal da Bahia

Curso de Ps-graduao em Geofsica

Universidade Federal da Bahia

Curso de Ps-graduao em Geofsica

Universidade Federal da Bahia

Curso de Ps-graduao em Geofsica

Universidade Federal da Bahia

Curso de Ps-graduao em Geofsica

Universidade Federal da Bahia

Curso de Ps-graduao em Geofsica

Universidade Federal da Bahia

Curso de Ps-graduao em Geofsica

Universidade Federal da Bahia

Curso de Ps-graduao em Geofsica

Universidade Federal da Bahia

Curso de Ps-graduao em Geofsica

Tomografia de tempo de trnsito

Universidade Federal da Bahia

Curso de Ps-graduao em Geofsica

O tempo de trnsito entre fonte e receptor em um meio

Utilizando uma notao mais especfica:

Universidade Federal da Bahia

Curso de Ps-graduao em Geofsica

Para uma determinada matriz G, obtm-se a seguinte

Onde G o caminho do raio entre a fonte e o receptor: