Optimizando el diseño de geofísica experimentos: ¿vale la pena?

ANDREW CURTIS, Schlumberger Cambridge Research, Cambridge, U.K.

HANSRUEDI MAURER, ETH, Zurich, Switzerland

Determinar la estructura, composición y estado del subsuelo de la tierra a partir de datos medidos
es la tarea principal de muchos experimentos geofísicos o estudios. Los procedimientos estándar
implican el registro de conjuntos de datos apropiados seguidos de la aplicación de técnicas de
análisis de datos para extraer la información deseada. Mientras que la importancia de las nuevas
herramientas para la etapa de análisis de un experimento es bien reconocida, parece que se presta
mucha menos atención a mejorar la adquisición de datos. En la Figura 1 se presenta una medida del
esfuerzo asignado a la investigación de análisis de datos en relación con la dedicada a la
investigación de adquisición de datos. Desde 1955 ha habido más de 10 000 publicaciones solo sobre
métodos de inversión, pero en el mismo período solo 100 artículos sobre diseño experimental han
aparecido en revistas.

Teniendo en cuenta que el componente de adquisición de un experimento define qué información

se incluirá en los datos y que ninguna cantidad de análisis de datos puede compensar la falta de
dicha información, sugerimos que se haga un mayor esfuerzo para mejorar las técnicas de
planificación de encuestas. Además, dado que las restricciones logísticas y financieras a menudo son
estrictas y que las relaciones entre los datos geofísicos y los parámetros del modelo que describen
el subsuelo de la Tierra son generalmente complicadas, optimizar el diseño de un experimento
puede ser bastante desafiante. A continuación, presentamos una breve revisión de los
procedimientos de diseño experimental que optimizan el beneficio de una encuesta de campo, de
modo que se obtenga la máxima información sobre las estructuras objetivo a un costo mínimo.
Técnicas de diseño experimental.

G. Taguchi popularizó las técnicas de diseño experimental estadístico, quien, como asesor
gubernamental, desarrolló e implementó métodos de diseño, a menudo llamados métodos Taguchi
(Taguchi, 1987), en un amplio espectro de procesos industriales japoneses, de modo que los
productos finales fueran lo más robustos posible. a fluctuaciones en el proceso de fabricación. En
solo unos pocos años, esto condujo a una revolución en la calidad de la fabricación japonesa.
Aunque los métodos de Taguchi a menudo eran simples, sistematizó un enfoque para el control de
calidad que no existía anteriormente. Es su simplicidad lo que hace que estos métodos sean tan
generalmente aplicables.

El marco teórico de las técnicas de diseño experimental estadístico se basa en definiciones claras
de:

• objetivos experimentales,

• restricciones experimentales, y

• relaciones físicas bien definidas entre los datos y los parámetros del modelo.

Los objetivos experimentales pueden ser extremadamente diversos. Las situaciones en las que se
han utilizado técnicas de diseño estadístico en geofísica incluyen (1) determinar ubicaciones óptimas
de sismómetros con el objetivo de ubicar terremotos con mínima incertidumbre (por ejemplo,
Rabinowitcz y Steinberg, 1990); (2) diseñar geometrías de fuente / receptor para tomografía basada
en barcos que detecte de manera óptima las anomalías de la velocidad del subsuelo (Barth y
Wunsch, 1990); (3) diseñar encuestas para tomografía electromagnética desde la superficie del
suelo con el objetivo de restringir de manera óptima la estructura de conductividad del subsuelo
(Maurer y Boerner, 1998); y (4) planear estudios tomográficos sísmicos de pozos cruzados que
iluminan la estructura de los pocillos de manera óptima (Curtis, 1999).

Las restricciones experimentales suelen ser únicas para cada experimento. Definen el rango de
posibles diseños experimentales. Una limitación clave es la accesibilidad del área de investigación,
porque generalmente no es posible colocar fuentes y receptores en todas partes. Las restricciones
instrumentales imponen otras restricciones, como la frecuencia y el rango dinámico. Finalmente,
cada encuesta está limitada en última instancia por restricciones financieras.

Las relaciones físicas entre los datos observados y las propiedades de la tierra imponen limitaciones
teóricas con respecto a la singularidad y el poder de resolución. Los métodos de campo potenciales,
por ejemplo, adolecen de ambigüedades inherentes, y se sabe que algunas técnicas EM difusivas
tienen una resolución espacial limitada.

Una vez especificados los objetivos experimentales, las restricciones y las relaciones de datos del
modelo físico, la receta general del diseño experimental estadístico se puede describir de la
siguiente manera:

1) Defina el espacio de datos que incluye todas las configuraciones de levantamiento realizables.

2) Defina el espacio modelo que incluye la gama completa de modelos de tierra plausible.
3) Encuentre la configuración de la encuesta que restrinja los modelos del subsuelo óptimamente
con respecto a los objetivos experimentales, dadas las restricciones y las relaciones físicas.

Encontrar una configuración óptima requiere una definición clara del término "óptimo". Por
ejemplo, una buena configuración de la encuesta debería conducir a una alta precisión y fiabilidad
de las estimaciones de los parámetros del modelo. Además, la configuración debe ser realizable
fácilmente y requiere un esfuerzo financiero mínimo. En algunos casos, por ejemplo, la precisión y
confiabilidad esperadas del parámetro del modelo posterior a la encuesta pueden especificarse
mediante la teoría inversa lineal (covarianza y resolución del modelo), mientras que el esfuerzo
financiero puede considerarse proporcional al número de receptores de datos implementados.
Otros factores también pueden contribuir a la calidad de una configuración de encuesta particular.
El único requisito es que estos factores puedan expresarse mediante una expresión matemática.

En general, se debe considerar una gran cantidad de posibles configuraciones de encuestas. Los
esquemas de optimización global, como los algoritmos genéticos o el recocido simulado han
demostrado ser medios eficaces para buscar la mejor configuración de encuesta.

Algunos ejemplos

Una aplicación sencilla de las técnicas de diseño estadístico experimental es el diseño de un

experimento óptimo de tomografía de pozos cruzados sísmicos. Los tiempos de viaje de la energía
sísmica entre las fuentes en un pozo y los receptores en otro (con fuentes o receptores en la
superficie del suelo) se utilizan para restringir la estructura de velocidad sísmica entre pozos. En un
primer paso, se especifica una gran cantidad de posiciones de fuente y receptor dentro de los pozos
y en la superficie. Esto define el espacio de datos que comprende todas las combinaciones posibles
de fuente-receptor y, por lo tanto, todos los posibles caminos de rayos sísmicos. El algoritmo de
optimización debe identificar un subconjunto óptimo de estos rayos.
Figura 2. Un experimento tomográfico de pozos cruzados. (a) Los lados izquierdo y derecho
representan pozos, arriba de la superficie del suelo. El modelo de velocidad a restringir consiste en
celdas cuadradas regularmente espaciadas delineadas por líneas en negrita. Las líneas finas
muestran trayectorias de rayos predichas entre 20 fuentes sísmicas y 20 receptores (por lo tanto,
400 trayectorias de rayos), cada una distribuida uniformemente a lo largo de cada pozo. Se supone
que el modelo de velocidad es aproximadamente constante durante este intervalo de 100 m. (b)
Similar a (a), pero esta vez utilizando una geometría optimizada de fuentes y receptores sísmicos.
(c) Logaritmo de espectros de valores propios de los problemas inversos tomográficos
correspondientes a los diseños experimentales representados en (a) línea discontinua y (b) línea
sólida, normalizados por el mayor valor propio en cada caso.

Suponga que los objetivos experimentales son obtener la máxima información sobre la estructura
de velocidad de interpolación, que a su vez está representada por un modelo parametrizado. Dicha
información se obtendrá, después del experimento, invirtiendo linealmente los tiempos de viaje
sísmicos cruzados medidos para restringir el modelo. Una medida de la cantidad de información del
modelo disponible de cualquier diseño de encuesta particular puede construirse a partir de los
valores propios del problema inverso: los valores propios son cantidades matemáticas que
describen cuán bien los datos pueden restringir cualquier combinación lineal particular de los
parámetros del modelo. Los valores propios están directamente relacionados con la resolución del
modelo y la incertidumbre. En este experimento, nos gustaría medir la información sobre todo el
espacio modelo, por lo que estamos igualmente interesados en maximizar todos los valores propios
(por ejemplo, Maurer y Boerner 1998; Curtis, 1999). Si hubiéramos estado interesados en maximizar
la información sobre una parte particular del modelo, entonces trataríamos de maximizar los valores
propios relacionados con esos parámetros particulares del modelo (Curtis 1999).

En la figura 2 se muestra un ejemplo. Las fuentes se pueden colocar en la superficie del suelo o en
el orificio izquierdo, mientras que los receptores se pueden colocar en la superficie o en el orificio
derecho. Suponiendo un modelo de velocidad aproximadamente homogéneo (por lo tanto,
trayectorias de rayos rectos) y que el modelo de velocidad real puede representarse
aproximadamente utilizando celdas de modelo cuadrado con una longitud lateral de 10 m, una
distribución uniforme de 20 posiciones de fuente y 20 de receptor (Figura 2a) da como resultado un
espectro de valor propio del problema inverso tomográfico correspondiente como se muestra por
la línea discontinua en la Figura 2c. Una configuración optimizada se representa en la Figura 2b. Su
superioridad se demuestra con el espectro de valores propios correspondiente en la Figura 2c (línea
continua) ya que todos los valores propios se han incrementado. También tenga en cuenta que solo
se requieren unos pocos receptores en la superficie, mientras que la densidad de la fuente y del
receptor aumenta con la profundidad a lo largo de cada pozo. Aquí hemos considerado un número
fijo de posiciones de fuente y receptor. Por lo tanto, la calidad de un diseño se define solo por el
espectro de valor propio correspondiente. Alternativamente, uno podría maximizar
simultáneamente la información del modelo y minimizar el número de rayos, lo que conduce a
diseños de encuestas optimizados en costos.

En el ejemplo de pozo cruzado, se supuso que las fluctuaciones de velocidad no eran demasiado
severas. Esto hace que la geometría fuente-receptor sea prácticamente independiente del modelo
de velocidad, es decir, el problema es aproximadamente lineal. En otras aplicaciones, la
configuración experimental óptima puede depender de los valores de los parámetros del modelo
"verdadero". Este es el caso de cualquier problema no lineal, como el problema de la ubicación del
terremoto. Supongamos que queremos diseñar una red sísmica local dedicada a monitorear y
localizar terremotos a lo largo de una zona de falla. Una red óptima para ubicar los terremotos que
ocurren hacia un extremo de la falla puede ser muy diferente de la requerida para los terremotos
hacia el otro extremo. En tales situaciones, uno podría optar por utilizar técnicas de diseño
experimental bayesianas (Chaloner y Verdinelli, 1995). Estas técnicas dan cuenta de todas las
expectativas previas de dónde es probable que ocurra el terremoto, basándose, por ejemplo, en las
ubicaciones y las magnitudes de terremotos anteriores. Suponga que podemos describir nuestras
expectativas anteriores mediante una distribución de probabilidad. Esto encapsula la probabilidad
relativa de ocurrencia en todas las ubicaciones a lo largo o alrededor de fallas conocidas. El uso de
técnicas de diseño bayesianas optimiza la precisión esperada del procedimiento de ubicación del
terremoto, ponderado por la probabilidad relativa de ocurrencia en cada ubicación. De esta manera,
se puede diseñar una encuesta que sea más probable que proporcione ubicaciones de origen bien
restringidas, dado todo el conocimiento previo al terremoto. Del mismo modo, las brechas sísmicas
también podrían considerarse en el proceso de diseño.

Finalmente, consideramos un conjunto simple de experimentos para determinar una aproximación

polinómica al umbral de fusión P-T de un material cristalino particular. Dado un conjunto de
determinaciones del punto de fusión a presión atmosférica, 5 GPa y 10 Gpa, se pueden estimar los
coeficientes polinómicos. Las presiones y temperaturas de fusión registradas pueden ser inciertas
debido a la inexactitud del equipo utilizado. Por lo tanto, las estimaciones de los coeficientes
polinómicos también son inciertas. Dados estos resultados, y el hecho de que cada experimento de
experiencia requiere un esfuerzo significativo para que deseemos minimizar el número de ensayos,
debemos determinar a qué presiones se debe realizar el siguiente conjunto de experimentos para
maximizar la información sobre la curva P- T . De hecho, tales situaciones experimentales pueden
diseñarse de manera óptima utilizando técnicas de diseño experimental estadístico casi idénticas a
las descritas anteriormente; uno simplemente reformula el método de restringir los coeficientes
polinómicos de los datos como un problema inverso y sigue los procedimientos ya descritos.

Conclusión: la idea de GEDNET. Debido a que creemos que las técnicas de diseño estadístico
experimental pueden tener el potencial de mejorar la práctica de medición geofísica, proponemos
establecer una Red de Diseño Experimental Geofísico (GEDNET). Esto debería involucrar un grupo
de trabajo interdisciplinario dedicado a recolectar y distribuir información sobre técnicas de diseño
experimental y a coordinar investigaciones futuras. Una característica sorprendente de las técnicas
de diseño experimental es que los mismos principios básicos son comunes a una amplia gama de
aplicaciones geofísicas. Con GEDNET, esperamos estimular el intercambio de ideas y la transferencia
de información entre disciplinas individuales. Los interesados deben consultar la página web
www.gednet. geophys.ethz.ch y / o suscribirse a la lista de correo electrónico gednet@ethz.ch.