Baixe o app para aproveitar ainda mais
Prévia do material em texto
UNIVERSIDADE FEDERAL DO PARÁ INSTITUTO DE GEOCIÊNCIAS PROGRAMA DE PÓS-GRADUAÇÃO EM GEOFÍSICA DISSERTAÇÃO DE MESTRADO Análise Numérica do Critério de Convergência do Método da Decomposição Espectral de Lanczos Aplicado a Modelagem de Dados MT 2-D CRISLENE MOREIRA DA SILVA Belém – Pará 2021 CRISLENE MOREIRA DA SILVA Análise Numérica do Critério de Convergência do Método da Decomposição Espectral de Lanczos Aplicado a Modelagem de Dados MT 2-D Dissertação apresentada ao Programa de Pós-Graduação em Geofísica do Instituto de Geociências da Universi- dade Federal do Pará para obtenção do título de Mestre em Geofísica. Área de concentração: Modelagem e Inversão de Dados Geofísicos Linha de pesquisa: Geofísica Aplicada à Exploração de Hidrocarbonetos Orientadora: Profa. Dra. Ellen de Nazaré Souza Gomes Belém – Pará 2021 Dados Internacionais de Catalogação na Publicação (CIP) de acordo com ISBD Sistema de Bibliotecas da Universidade Federal do Pará Gerada automaticamente pelo módulo Ficat, mediante os dados fornecidos pelo(a) autor(a) S586a Silva, Crislene Moreira da. Análise numérica do critério de convergência do método da decomposição espectral de Lanczos aplicado a modelagem de dados MT 2-D / Crislene Moreira da Silva. — 2021. 34 f. : il. color. Orientador(a): Profª. Dra. Ellen de Nazaré Souza Gomes Dissertação (Mestrado) - Universidade Federal do Pará, Instituto de Geociências, Programa de Pós-Graduação em Ciências Ambientais, Belém, 2021. 1. modelagem numérica. 2. método da decomposição espectral de Lanczos. 3. algoritmo de iteração de Lanczos. 4. aceleradores de convergência. 5. Método Magnetotelúrico. I. Título. CDD 550 Powered by TCPDF (www.tcpdf.org) À minha mãe pelo exemplo e dedicação à mi- nha educação. AGRADECIMENTOS Gostaria de expressar gratidão ao Programa de Pós-graduação de Geofísica da Universi- dade Federal do Pará por oferecer a estrutura necessária para a realização desta pesquisa e ao Conselho Nacional Científico e Tecnológico (CNPq) pelo apoio financeiro. Adicio- nalmente, é expressada imensa gratidão aos amigos e familiares por todo o apoio pessoal dedicado a minha continuidade no programa. Um agradecimento excepcional a minha orientadora por ser exemplo de dedicação, compreensão, acolhimento e por compartilhar comigo a conquista de finalizar este trabalho. RESUMO A modelagem do convencional das soluções das equações de Maxwell no domínio da frequência é computacionalmente custosa por ser calculada para cada frequência de ma- neira independente e por apresentar erros de arredondamento devido as matrizes envol- vidas na modelagem serem grandes e esparsas. Utilizando o Método da Decomposição Espectral de Lanczos (SLDM), essa modelagem não precisa ser refeita para cada frequên- cia e os erros de arredondamento podem ser reduzidos já que as matrizes utilizadas na modelagem podem ser muito menores que as matrizes originais do problema abordado. Assim, o SLDM pode ser uma abordagem alternativa para a modelagem de campos em regime de difusão, como é o caso do método Magnetotelúrico - MT. Neste trabalho, o cri- tério de convergência do SLDM foi analisado numericamente e, com base nos resultados obtidos, um número ótimo para a convergência deste método foi determinado. Para sele- cionar este número, o SLDM foi utilizado para modelar a resposta do Método MT a um modelo 2D contendo um prisma condutivo. Os resultados obtidos são apresentados em termos do campo magnético e são numericamente comparados com estimativas oriundas da modelagem convencional. O erro quadrático médio foi utilizado nessa comparação. Palavras-chaves: modelagem numérica; método da decomposição espectral de Lanc- zos; algoritmo de iteração de Lanczos; aceleradores de convergência; campos em regime de difusão; Método Magnetotelúrico. ABSTRACT The conventional modeling of the solutions to Maxwell’s equations is computationally expensive because it is independently calculated for each frequency and due to rounding errors caused by greatness and sparseness of the matrices evolved in the process. Using the Spectral Lanczos Decomposition Method, it is unnecessary to perform this modeling for each frequency and the rounding errors can be reduced since the matrices evolved in the process can be much smaller than the original matrices of the problem. Hence, the SLDM may be an alternative approach for modeling fields in diffusion regime, which is the case of the Magnetotelluric (MT) Methods. In this work, a convergence criterion for the SLDM was numerically analyzed and, based on the obtained results, a great number for the method convergence was determined. In order to select this number, the SLDM was used to model the MT response to a 2D-model containing a conductive prism. The obtained results are presented in terms of the magnetic field and are numerically compared to approximations of the conventional modeling. The root-mean-square error was used in this comparison. Keywords: numerical modeling; spectral Lanczos decomposition method; Lanczos algorithm; convergence accelerators; fields in diffusion regime; magnetotelluric method. LISTA DE FIGURAS 1.1 Espectro de amplitude do campo geomagnético indicando as fontes de acordo com a frequência do sinal que elas emitem. Fonte: Menezes (2013). 2 1.2 Gráfico destacando as aplicações do Método MT de acordo com a faixa de frequência estudada. A banda de frequência de interesse para este trabalho é definida como MT Banda Larga. Fonte: Santos et al. (2019) . . . . . . . 3 2.1 Campo Hy para 50 Hz a esquerda e para 150Hz a direita. Estimativas computadas sem a aplicação do ponderador. . . . . . . . . . . . . . . . . . 10 2.2 Fluxograma demonstrativo da aplicação do Método SLDM enfatizando o emprego do ponderador. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10 2.3 Representação do modelo de prisma resistivo 2-D. Dimensões: Lx = 1000m e Lz = 2000m. As propriedades elétricas do prima e do meio encaixante, respectivamente, são. ρ1 = 100 Ωm, ρ2 = 5 Ωm, Lx = 1000m. . . . . . . . 12 2.4 Campo Hy para frequência de 100 Hz, estimado por metodologia conven- cional e por SLDM considerando o tamanho total dos modelos, ou seja, adotando m = n. Painel a esquerda, estimativa para o Modelo 1. Painel a direita, estimativa para o Modelo 2. . . . . . . . . . . . . . . . . . . . . . . 13 2.5 Erro quadrático médio ERMS em maior detalhe enfatizando a estabilização desse parâmetro que ocorre com o aumento do número de iteração adotado no algorítmo de Lanczos. Valores para o Modelo 1 a esquerda e para o Modelo 2 a direita. O campo magnético obtido através de metodologia convencional foi utilizado como referência nesse cálculo. Frequência: 100Hz. 14 2.6 Para o Modelo 1, a diferença (Hy−H̄y) é mostrada. O H̄y é estimado através SLDM considerando um valor percentual da dimensão do problema. Em azul tem-se a diferença considerando m = n. Em preto tem-se a diferença quandom = 0, 05×n e em lozangos vermelhos o resultado param = 0, 2×n. A partir desse valor o campo H̄y é bem estimado quando comparado com os resultados obtidos para m = n. . . . . . . . . . . . . . . . . . . . . . . . 14 2.7 Campo Hy para frequência de 100 Hz, estimado por metodologia convenci- onal e por SLDM considerando m = 0, 2×n. Painel a esquerda, estimativa para o Modelo 1. Painel a direita, estimativa para o Modelo 2. . . . . . . . 15 2.8 Modelo 1: Campo Hy com frequência de 50Hz, estimado por metodologia convencional e por SLDM. Painel a esquerda: número de iterações igual a dimensão do modelo. Painel a direira: número de iterações igual a 20% da dimensão do modelo. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16 2.9 Modelo 1: Campo Hy com frequência de 150 Hz, estimado por metodologia convencional e por SLDM. Painel a esquerda, número de iterações igual a dimensão do modelo. Painel a direira, número de iterações igual a 20% da dimensão do modelo. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16 2.10 Modelo 2: CampoHy com frequência de 50Hz, estimado por metodologia convencional e por SLDM. Painel a esquerda: número de iterações igual a dimensão do modelo. Painel a direira: número de iterações igual a 20% da dimensão do modelo. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17 2.11 Modelo 2: Campo Hy com frequência de 150 Hz, estimado por metodologia convencional e por SLDM. Painel a esquerda, número de iterações igual a dimensão do modelo. Painel a direira, número de iterações igual a 20% da dimensão do modelo. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17 SUMÁRIO 1 INTRODUÇÃO 1 2 ARTIGO: ANÁLISE NUMÉRICA DO CRITÉRIO DE CONVERGÊN- CIA DO MÉTODO DA DECOMPOSIÇÃO ESPECTRAL DE LANC- ZOS APLICADO A DADOS MT 2-D 5 2.1 INTRODUÇÃO . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7 2.2 METODOLOGIA . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8 2.2.1 Método da Decomposição Espectral de Lanczos . . . . . . 8 2.2.2 Ponderador . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9 2.2.3 Critério de Convergência . . . . . . . . . . . . . . . . . . . . . 11 2.3 TESTES NUMÉRICOS . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11 2.4 CONCLUSÃO . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16 3 CONCLUSÃO 20 REFERÊNCIAS 21 1 INTRODUÇÃO Os problemas físicos encontrados na natureza podem ser descritos por equações di- ferenciais cuja solução dá o comportamento do fenômeno físico estudado. A Geofísica, enquanto ciência multidisciplinar que aplica as leis da física para entender sobre o planeta Terra em geral e/ou explorar seu recursos naturais, trabalha para encontrar as soluções de equações diferenciais que trarão informações sobre o alvo de investigação que, por sua vez, depende do problema abordado (Zhdanov, 2015). No âmbito da Geofísica Exploracional, por exemplo, as informações desejadas estão relacionadas a geologia da área de estudo, o que pode incluir a profundidade da formação rochosa de interesse juntamente com o tipo de rocha, sua porosidade e permeabilidade - para ambientes sedimentares -, presença e profundidade de falhas e/ou fraturas, ou seja, qualquer tipo de estrutura que possa ter relação com o recurso mineral prospectado - É por isso que esse ramo da Geofísica é considerado um método indireto (Tatham; Luiz and Silva, 1995; Telford et al., 1990). Para o caso dos métodos geofísicos eletromagnéticos, são as Equações de Maxwell que descrevem o fenômeno físico estudado: a propagação do campo eletromagnético no interior da Terra (Ward and Hohmann, 2012; Nabighian, 1987, 1991). A solução destas equações é dada em termos do campo elétrico ou magnético e traz em si informações sobre as propriedades elétricas do meio no qual o campo se propagou ou se difundiu. Dessa forma, a aplicação dos métodos eletromagnéticos resulta na distribuição de resistividade da subsuperfície. Como consequência disso os métodos eletromagnéticos são amplamente utilizados na prospecção mineral, de recursos hídricos e de hidrocarbonetos já que esses recursos geralmente apresentam contraste de propriedade eletromagnética com o meio encaixante. Para a maioria dos modelos de resistividades utilizados para representar a geologia do meio, a equação diferencial parcial (EDP) que deriva das equações de Maxwell não possui solução analítica. É nesse contexto que se fazem necessários os métodos numéricos, já que estes calculam soluções aproximadas para EDPs discretizando as derivadas espaciais (Chari and Salon, 2000a,b; 200, 2000; Chari and Salon, 2000c; Poljak, 2006). Na prática, a utilização desses métodos significa discretizar o modelo de propriedade física - feito com base no meio estudado - em vários elementos menores (que podem ser de diferentes formas: retângulos, quadrados, triângulos etc.) e calcular o campo desejado apenas nos vértices ou nos nós dos elementos. Esses métodos transformam a EDP do problema em um sistema de equações lineares cuja solução é uma aproximação da solução das equações originais. Os métodos númericos mais utilizados no eletromagnetismo são o método de Diferenças Finitas e o Método de Elementos Finitos. O sistema linear resultante da discretização é solucionado através de métodos especí- ficos de solução de sistemas de equações lineares como o Método de Gauss, o Método da 1 2 Figura 1.1: Espectro de amplitude do campo geomagnético indicando as fontes de acordo com a frequência do sinal que elas emitem. Fonte: Menezes (2013). Decomposição LU e o Método da Decomposição Espectral de Lanczos. Os dois primeiros métodos são os mais difundidos na literatura. Esses métodos convencionais utilizados na modelagem das equações de Maxwell, no regime de difusão, geram soluções independentes para cada frequência (Bowyer, 1981; Liu and Chew, 1990; Madden and Mackie, 1989), o que faz com que os métodos no domínio da frequência tenham um alto custo computa- cional na simulação multifrequência dos campos. Para os métodos eletromagnéticos que trabalham dentro de uma ampla banda de frequência, caso do Método Magnetotelúrico, este processo se torna ainda mais caro. A Figura 1.1, de Menezes (2013), mostra a banda de frequência que pode ser utilizada no método Magnetotelúrico (MT) de acordo com a fonte do sinal eletromagnético. Note que a menor frequência é da ordem de 10−9 e a maior frequência é da ordem de 105, ou seja, uma faixa de frequência de 15 décadas. Essa ampla faixa de frequência permite ao método uma vasta aplicação, como mostra a Figura 1.2 (Santos et al., 2019) que destaca a faixa de frequência na qual se deve trabalhar de acordo com o objeto de estudo. Para este trabalho, que visa a redução do custo computacional da modelagem MT aplicada a exploração de hidrocabornetos, tem-se como foco o MT Banda Larga, que abrange frequências de 10−3 a 103. Uma abordagem para alcançar o objetivo proposto é utilização de aceleradores na modelagem MT. Os trabalhos Druskin and Knizhnerman (1994); Carcione (2006); Dong 3 Figura 1.2: Gráfico destacando as aplicações do Método MT de acordo com a faixa de frequência estudada. A banda de frequência de interesse para este trabalho é definida como MT Banda Larga. Fonte: Santos et al. (2019) and Egbert (2018); Mohammad and Jin-Ming (1999) apresentam várias metodologias para a determinação de aceleradores da modelagem direta. Destacam-se a utilização de auto-modos, divergente livre e o método da decomposição espectral de Lanczos (Spectral Lanczos Decomposition Method - SLDM). O SLDM tem se mostrado um acelerador pro- missor na modelagem eletromagnética visto que a solução resultante desta metodologia não requer que a modelagem seja recalculada para cada frequência do método EM em questão, o que ocorre para as metodologias convencionais (Jin et al., 1999; Zhdanov and Chernyavskiy, 2004; Slone and Lee, 2000; Zunoubi et al., 1997). A estimativa do campo magnetotelúrico através do SLDM é dependente do critério de convergência do algorítmo de Lanczos que faz parte da aplicação do SLDM. O número de iterações necessárias para a convergência determina o espaço da solução das estimativas. Desta forma a determinação do critério de convergência deste algoritmo é importante para o cálculo da estimativa, além de influenciar no custo computacional do SLDM. Em geral, a convergência do SLDM é obtida para um valor muito menor que a dimensão do problema que, por sua vez, depende da discretização do modelo utilizado. Neste trabalho é apresentada uma análise numérica do critério de convergência do SLDM através de sua aplicação a dados magnetotelúricos 2-D. Esta análise é aplicada a um modelo 2-D de prisma com diferentes dimensões. As matrizes de massa e rigidez e o vetor fonte desses modelos foram obtidos através do Método de Elementos Finitos. O erro quadrático médio foi utilizado na determinação de um critério de parada ótimo para o 4 algorítmo de Lanczos. Os resultados dessa análise juntamente com a proposta do critério de parada ótimo e a metodologia utilizada foram escritos em formato de artigocientífico e estão dispostos no próximo capítulo desta dissertação. 2 ARTIGO: ANÁLISE NUMÉRICA DO CRITÉRIO DE CONVERGÊNCIA DO MÉTODO DA DECOMPOSIÇÃO ESPECTRAL DE LANCZOS APLICADO A DADOS MT 2-D RESUMO Amodelagem de dados Magnetotelúricos (MT) possui alto custo computacional devido a sua extensa banda de frequência. Além disso, a modelagem convencional no domínio da frequência é feita de maneira independente para cada frequência. Tem-se ainda que, para campos eletromagnéticos em regime de difusão, as matrizes envolvidas nos problemas são grandes devido a discretização utilizada na modelagem, o que aumenta o custo computa- cional. Uma solução para este problema é a utilização de aceleradores de convergência. O Método da Decomposição Espectral de Lanczos (SLDM) é um exemplo desses acele- radores e uma alternativa na estimativas de campos MT. Duas matrizes são utilizadas na solução MT estimada pelo SLDM. A primeira delas gera o espaço das soluções e a a outra é uma matriz tridiagonal, cujos auto-modos fazem parte da solução. Essas matri- zes são obtidas através do algoritmo de recursão de Lanczos e sua dimensão, em geral muito menor que a dimensão do problema envolvido, depende do número de iterações desse algoritmo. Neste trabalho foram realizadas uma análise do número de iterações e a determinação de um número ótimo - que é uma fração percentual do problema inicial - para critério de convergência desse algorítmo. Palavras-chaves: modelagem numérica; método da decomposição espectral de Lanc- zos; algoritmo de iteração de Lanczos; aceleradores de convergência; campos em regime de difusão; Método Magnetotelúrico. ABSTRACT MT data modeling has a high computational cost because of its extensive frequency bandwidth. Moreover, its conventional modeling in the frequency domain is performed for each frequency independently. On top of that, for electromagnetic fields in the diffusion regime the matrices associated to the problems are great and sparse which increases the computational cost. A solution to this problem is using convergence accelerators. The Spectral Lanczos Decomposition Method (SLDM) is an example of this accelerators and an alternative to calculating the MT fields approximations. Two matrices are used to estimate the MT solutions through SLDM. The first one generates the solution space and the second one is a tridiagonal matrix whose eigenpairs are part of the solution. These matrices are obtained through the Lanczos Algorithm and their dimension, in general much smaller than the dimension of the problem, depends on the iteration number of this algorithm. In this work, an analysis of the iteration number and the determination of a great number - which is a percentage of the original problem - to be the convergence criterion of this algorithm were performed. Keywords: numerical modeling; spectral Lanczos decomposition method; Lanczos algorithm; convergence accelerators; fields in diffusion regime; magnetotelluric method. 7 2.1 INTRODUÇÃO A modelagem convencional de soluções aproximadas das equações de Maxwell para o caso MT tem alto custo computacional (Boyse et al., 1992; Liu and Chew, 1990; Madden and Mackie, 1989; Oristaglio and Hohmann, 1984; Weiland, 1986). Isso se deve a mode- lagem, no domínio da frequência, ser gerada de forma independente para cada frequência e para cada posição de fonte e receptor (Ohashi and Souza, 2015). Além disso, problemas relacionados a modelagem computacional são frequentes devido as matrizes envolvidas no problema possuírem dimensão significativa. Uma solução que pode levar a redução de custo computacional é a utilização de aceleradores de convergência. Dentre as várias técnicas utilizadas para reduzir o custo da convergência (Saad and Schultz, 1986; Manteuffel et al., 2005; Van der Vorst, 1992; Freund, 1993) se destaca o Método da Decomposição Espectral de Lanczos (SLDM, em inglês) (Druskin and Knizh- nerman, 1994; Zhdanov, 2015; Knizhnerman et al., 1994). No SLDM, os campos são deter- minados para uma dada frequência, chamada frequência base. A partir dessa estimativa, o campo para várias frequências é então determinado através de operações simples evi- tando a necessidade de repetir a modelagem numérica para cada frequência, o que ocorre convencionalmente. Essas estimativas são calculadas no sub-espaço de krilov gerado a partir da frequência base através do método de iteração de lanczos (Freund, 1993; Cullum and Willoughby, 2002; Komzsik, 2003). A dimensão do sub-espaço de krilov é um ponto importante nas estimativas e na per- formance computacional do método. Ele é determinado pelo critério de convergência do algorítmo de Lanczos, que faz parte do processo de aplicação do SLDM e constuma ter dimensão menor que a dimensão do problema envolvido (Lanczos, 1950; Cullum and Wil- loughby, 2002; Komzsik, 2003). Em Mohammad and Jin-Ming (1999), a convergência deste algoritmo é discutida considerando fatores relacionados a dimensão da malha utili- zada na discretização. Neste trabalho, é feita uma análise numérica do critério de convergência do algoritmo de Lanczos utilizando-o no SLDM Ponderado aplicado a modelagem de dados MT para modelos 2-D. As matrizes de massa e rigidez e o vetor fonte foram obtidos através do método de elementos finitos nodal (Becker et al., 1981; Bakuska et al., 2010; Öchsner and Merkel, 2018; Assan, 2020; Boyse et al., 1992). Os resultados foram apresentados em termos do campo magnético (Modo TM) e comparados com estimativas da modelagem convencional. 8 2.2 METODOLOGIA 2.2.1 Método da Decomposição Espectral de Lanczos De acordo com Mohammad and Jin-Ming (1999), uma solução aproximada para as equações de Maxwell em regime de difusão, a baixa frequência, considerando dados de magnetotelúrico (MT) pode ser encontrada através da solução do sistema matricial: (C + iωµS) Hy = b, (2.1) em que C e S são as matrizes de rigidez e massa respectivamente, com ordem n, Hy é o vetor da componente y do campo magnético e b é o vetor fonte, que carrega informações da geometria do problema e do campo secundário. Esse sistema pode ser reescrito como: (A + ıωµI) H′y = b ′, (2.2) em que: I é a matriz identidade, A = D−1/2 C D−1/2, H′y = D1/2 Hy, b′ = D−1/2 b e D é a matriz diagonal obtida a partir da matriz de massa S através de método de row-sum lumpig1. Uma solução aproximada de (2.2) para a frequência ω é dada por: H′y(ω) = (ıωµI + A) −1 b′. (2.3) A solução envolve o cálculo dos automodos (autovalores e autovetores) da matriz A, que é uma tarefa complexa e com alto custo computacional uma vez que, a matriz A é, em geral, grande e esparsa. Uma solução é a utilização de acelaradores de convergência, o método da decomposição de Lanczos é um exemplo (Lanczos, 1950). Este método consiste na estimativa do campo para uma dada frequência, chamada de frequência base, dado por: H′y(ω) ≈ ‖b′‖QV (Λ + ıωµI)−1VTe1, (2.4) em que as colunas da matiz Q são uma base ortornormal do sub-espaço de Krilov, Λ e V são os autovalores e autovetores da matriz tridiagonal T (obtida a partir da matriz A) respectivamente e e†1 = (1, 0, 0, · · · , n) vetor unitário (o símbolo † significa a transposta conjugada). Em seguida, as estimativas o campo para outras frequências são obtidas através da substituíção de ω → ω′ no termo (Λ + ıωµI)−1 da equação (2.4). Teoricamente, os valores das matrizes Q e T são determinados uma única vez, apenas 1A soma de todos os elementos de uma linha é colocado na posição do diagonal principal daquela linha. 9 para a frequência base. As matrizes Q, V e T, são determinadas através do algoritmo de recursão de Lanczos ?. Este algoritmo é muito aplicado na área das engenharias e matemática computacional em dois tipos de situação: na determinação dos autovalores e autovetores de sistemas lineares cuja matriz envolvida é grande e esparsa e na redução da dimensão de sistemas lineares. A determinação dos automodos da matriz do sistema linear torna-se mais fácil por que uma aproximação desses valores é obtida do calculo dos autovaloresde uma matriz tridi- agonal T que é produto da recursão de Lanczos. Essa matriz é mais simples e menor em comparação a dimensão do problema. A redução da dimensão do sistema ocorre devido aos produtos gerados através do al- goritmo de recursão (matrizes Q, V e T) possuírem dimensão que é determinada pelo número de iterações do algorítmo que, por sua vez, está ligado a convergência do mesmo. A redução da dimensão do problema combinado com a aplicação do SLDM na estimativa dos campos para o método MT pode ser muito útil na redução do tempo computacional, que em geral é considerável nas abordagens convencionais. Neste trabalho é apresentada uma análise na convergência do algoritmo de iteração de Lanczos. 2.2.2 Ponderador De acordo com o os resultados encontrados em Gomes et al. (em fase de elaboração) é observado que a substituíção do valor de ω no termo em (2.4) não é suficiente para recuperar o campo para todas as faixas de frequência do método MT. Acredita-se que isso se deve ao espaço das soluções (colunas da matriz Q) ser construído em torno do vetor fonte b, que por sua vez, dependende da frequência (além de depender da geometria do problema). Isso torna a solução dependente de b e, portanto, dependente da frequência adotada. Para o caso MT devido a extensão da banda de frequência (seis décadas), essa dependência foi melhor observada. A solução proposta por Gomes et al. (em fase de elaboração) é a aplicação de um fator de ponderação nas aproximações obtidas pelo SLDM. Esse ponderador é cálculado através do vetor fonte de uma frequência de referência denominada frequncia baseωb e o vetor fonte da frequência ω cujo campo será calculado. Esse ponderador é dado por: P1 = b(ω) T (b(ω)b(ω)T )−1 b(ωb). (2.5) Logo, o ponderador depende dos vetores fonte b, da frequência base ωb e da frequência ω do campo a ser calculado. A Figura 2.1 mostra o campo Hy calculado para 50Hz com e sem a aplicação do ponderador. Note que o campo estimado com o SLDM se afasta do campo calculado com elementos finitos, logo, a estimativa passa a ser insatisfatória. O fluxograma abaixo, Figura 2.2, mostra como funciona a aplicação do ponderador 10 0 2000 4000 6000 8000 10000 Distância (m) -4 -2 0 2 4 6 H y ( T ) 10 -3 Modelo 2 FEM Real SLDM Real FEM Imag SLDM Imag 0 2000 4000 6000 8000 10000 Distância (m) -3 -2 -1 0 1 2 3 4 5 H y ( T ) 10 -3 Modelo 2 FEM Real SLDM Real FEM Imag SLDM Imag Figura 2.1: Campo Hy para 50 Hz a esquerda e para 150Hz a direita. Estimativas computadas sem a aplicação do ponderador. no cálculo das estimativas do campo Hy para frequências diferentes da frequência base. Gomes et al. (em fase de elaboração) ainda relata que esse processo precisa ser feito de década em década dentro das faixas de frequência adotadas no método MT. Figura 2.2: Fluxograma demonstrativo da aplicação do Método SLDM enfatizando o emprego do ponderador. 11 2.2.3 Critério de Convergência Para analisar o critério de convergência, foram realizados testes numéricos para estimar o campo Hy para uma faixa de frequências a partir da frequência base de 100Hz. Nessas estimativas, utilizou-se diferentes paradas para o algoritmo de iteração de Lanczos e assim as matrizes Q, V e T foram calculadas com diferentes dimenssões todas menores que a dimensão dos modelos. Devido a inexistência de uma solução analítica para as Equações de Maxwell em geral, as soluções obtidas através do SLDM foram comparadas com os campos calculados através de metodologia convencional que utiliza os elementos finitos. A análise dos resultados consistiu na comparação dos campos estimados pelo SLDM e pela metodologia convencional, além do cálculo do erro quadrático médio, ERMS, dado por: ERMS = √∑k i=1 ( Hy,i − H̄y,i )2 (k − 1) , (2.6) em que: Hy,i é o valor do campo Hy na estação i calculado através por FEM; H̄y,i é é o valor do campo Hy na estação i estimado pelo SLDM; k é o número de estações adotados no eixo x. Esse erro foi calculado para cada valor de m, que é o número de iterações do algoritmo de Lanczos. O valor de ERMS calculado quando o (m = n) foi considerado como o menor valor de ERMS que o SLDM consegue gerar, logo, este valor foi adotado como referência na escolha de um critério de parada ótimo para o algorítmo de Lanczos. 2.3 TESTES NUMÉRICOS A configuração adotada aos modelos de prisma resistivo 2-D utilizados na realização de todos os testes apresentados neste trabalho é mostrada na Figura 2.3. As resistividades elétricas do meio encaixante e do prisma são ρ1 = 100 Ωm e ρ2 = 5 Ωm respectivamente. O As dimensões do prisma são: Lx = 1000m no eixo x e Lz = 2000m no eixo z. 12 Figura 2.3: Representação do modelo de prisma resistivo 2-D. Dimensões: Lx = 1000m e Lz = 2000m. As propriedades elétricas do prima e do meio encaixante, respectivamente, são. ρ1 = 100 Ωm, ρ2 = 5 Ωm, Lx = 1000m. Foram utilizados vários modelos com dimensões distintas para a determinação de um critério de parada ótimo para o algorítmo de Lanczos. Neste trabalho são apresentados os resultados para dois modelos: o primeiro tem dimensão n = 1521 (Modelo 1), considerado um modelo de pequeno porte, o segundo modelo tem dimensão n = 5041 (Modelo 2) - considerado um modelo de médio porte. Modelos maiores não foram utilizados devido limitações de máquina. Em todos os testes apresentados a frequência base adotada é igual a 100Hz e o erro quadrático médio ERMS é calculado considerando vários percentuais do tamanho total do modelo (denominados de m) como critério de parada para o algorítmo de Lanczos. O valor de ERMS calculado pelo Hy obtido quando m = n foi utilizado como referência na determinação de um percentual ótimo para critério de parada do algorítmo de Lanczos. A estimativa do campo Hy oriunda dessa aplicação é mostrada na Figura 2.4. De acordo com a Tabela 2.1, que mostra os valores de ERMS obtidos para o Modelo 1 e para o Modelo 2 utilizando a frequência de 100Hz, o erro quadrático médio tende a se estabilizar se igualando ao valor encontrado quando m = n a medida que o número de iterações aumenta. Isso pode ser verificado na Figura 2.5, onde os valores do ERMS são apresentados a partir do número de iterações igual a 10% da dimensão do modelo. 13 0 2000 4000 6000 8000 10000 Distância (m) -4 -3 -2 -1 0 1 2 H y ( T ) 10 -3 Modelo 1 FEM Real SLDM Real FEM Imag SLDM Imag 2000 4000 6000 8000 10000 Distância (m) -4 -3 -2 -1 0 1 2 H y ( T ) 10 -3 Modelo 2 FEM Real SLDM Real FEM Imag SLDM Imag Figura 2.4: CampoHy para frequência de 100 Hz, estimado por metodologia convencional e por SLDM considerando o tamanho total dos modelos, ou seja, adotando m = n. Painel a esquerda, estimativa para o Modelo 1. Painel a direita, estimativa para o Modelo 2. Tabela 2.1: Valores do erro quadrático médio para as estimativas do campo variando o número de iterações no algorítimo de Lanczos em um valor percentual da dimensão do modelo. Tabela a esquerda: resultados para o Modelo 1. Tabela a direita: resultados para o Modelo 2. Os erros foram calculados para as estimativas do campo Hy na frequência base: 100Hz. Modelo 1 (n = 1521) (%) m ERMS 5 76 4, 94834× 10−5 10 152 2, 66913× 10−5 20 304 2, 66963× 10−5 30 456 2, 66963× 10−5 50 760 2, 66963× 10−5 70 1064 2, 66963× 10−5 100 1521 2, 66963× 10−5 Modelo 2 (n = 5041) (%) m ERMS 5 252 4, 22576× 10−6 10 504 4, 22849× 10−6 20 1008 4, 22848× 10−6 30 1512 4, 22849× 10−6 50 2520 4, 22849× 10−6 70 3528 4, 22849× 10−6 100 5041 4, 22849× 10−6 Na Figura 2.6 é mostrado, para o Modelo 1, a diferença entre os campos (Hy − H̄y) para a estimativa de H̄y quando m = 0, 05 × n e m = 0, 2 × n. Para comparação usou- se a diferença dos campos quando m = n. Esta figura comprova que 20% do tamanho do modelo é o percentual ótimo a ser adotado como critério de parada do algorítmo de Lanczos. Para fins demonstrativos, a Figura 2.7 mostra o campo Hy calculado quando m = 0, 2× n para o Modelo 1 e para o Modelo 2. As estimativas do campo Hy para outras frequências foram realizadasde acordo com o fluxograma apresentado na Figura 2.2. Em todos os casos, as estimativas dos campos considerando apenas 20% da dimensão do modelo são comparadas com os resultados ad- quiridos adotando a dimensão total do modelo como critério de parada. Para todas as 14 100 150 200 m (até 0.15n) 3 3.5 4 4.5 E R M S 10 -5 Modelo 1 200 300 400 500 600 700 m (até 0.15n) 4.23 4.235 4.24 4.245 4.25 E R M S 10 -6 Modelo 2 Figura 2.5: Erro quadrático médio ERMS em maior detalhe enfatizando a estabilização desse parâmetro que ocorre com o aumento do número de iteração adotado no algorítmo de Lanczos. Valores para o Modelo 1 a esquerda e para o Modelo 2 a direita. O campo magnético obtido através de metodologia convencional foi utilizado como referência nesse cálculo. Frequência: 100Hz. 0 2000 4000 6000 8000 10000 Distância (m) 0 0.5 1 1.5 2 2.5 10 -4 Parte Real Dif5% Dif20% Dif100% 0 2000 4000 6000 8000 10000 Distância (m) -5 0 5 10 10 -5 Parte Imag Dif5% Dif20% Dif100% Figura 2.6: Para o Modelo 1, a diferença (Hy− H̄y) é mostrada. O H̄y é estimado através SLDM considerando um valor percentual da dimensão do problema. Em azul tem-se a diferença considerando m = n. Em preto tem-se a diferença quando m = 0, 05× n e em lozangos vermelhos o resultado para m = 0, 2×n. A partir desse valor o campo H̄y é bem estimado quando comparado com os resultados obtidos para m = n. frequências, o valor de ERMS das estimativas é igual (em até cinco casas decimais) ao ERMS da estimativa considerando toda a dimensão do modelo. As estimativas do campo Hy para as frequências de 50Hz e 150Hz para o Modelo 1 e para o Modelo 2 são mostra- das nas Figuras 2.8, 2.9, 2.10 e 2.11. De acordo com Gomes et al. (em fase de elaboração), a estimativa do campo a partir da frequência base com a utilização do ponderador é válida para uma faixa de frequência uma década distante da frequência base. Para frequências maiores, uma nova frequência base precisa ser determinada para que, então, o cálculo de 15 0 2000 4000 6000 8000 10000 Distância (m) -4 -3 -2 -1 0 1 2 H y ( T ) 10 -3 Modelo 1 FEM Real SLDM Real FEM Imag SLDM Imag 0 2000 4000 6000 8000 10000 Distância (m) -4 -3 -2 -1 0 1 2 3 H y ( T ) 10 -3 Modelo 2 FEM Real SLDM Real FEM Imag SLDM Imag Figura 2.7: CampoHy para frequência de 100 Hz, estimado por metodologia convencional e por SLDM considerando m = 0, 2× n. Painel a esquerda, estimativa para o Modelo 1. Painel a direita, estimativa para o Modelo 2. um novo fator de ponderação seja realizado. Em termos de tempo computacional, a Tabela 2.2 mostra que o tempo gasto para calcular o campo Hy utilizando m = 0, 2× n é reduzido em, aproximadamente, 75% para o Modelo 1 e em 91% para o Modelo 2. É importante ressaltar que o computador utilizado para gerar esses dados possui 8 GB de memória RAM e processador Intel Core i5. Tabela 2.2: Tempo computacional gasto para estimar o campo Hy utilizando a dimensão total do modelo e apenas 20% deste como critério de parada do algorítimo de Lanczos. Tabela a esquerda: resultados para o Modelo 1. Tabela a direita: resultados para o Modelo 2. Frequência base: 100Hz. Modelo 1 (n = 1521) (%) m t(s) 20 304 4, 659427 100 1521 18, 90088 Modelo 2 (n = 5041) (%) m t(s) 20 1008 48, 21489 100 5041 499, 3721 Com base nas Figuras 2.8, 2.9, 2.10 e 2.11, verifica-se que as estimativas considerando apenas 20% da dimensão do modelo são muito próximas as estimativas obtidas adotando a dimensão total do modelo como critério de parada do algorítmo de Lanczos. Foram apresentados os campos com frequências nos valores extremos da frequência base pois é nesses casos que a metodologia do SLDM apresenta as estimativas com maior erro. A estimativa do campo melhora a medida que a frequência do campo a ser estimado se aproxima da frequência base. É importante ressaltar que esse comportamento se deve a metodologia e não a redução das interações do algorítmo de Lanczos, o que pode ser concluído a partir da análise do valores apresentados de ERMS. 16 0 2000 4000 6000 8000 10000 Distância (m) -3 -2 -1 0 1 2 3 4 5 H y ( T ) 10 -3 Modelo 1 FEM Real SLDM Real FEM Imag SLDM Imag 0 2000 4000 6000 8000 10000 Distância (m) -3 -2 -1 0 1 2 3 4 5 H y ( T ) 10 -3 Modelo 1 FEM Real SLDM Real FEM Imag SLDM Imag Figura 2.8: Modelo 1: Campo Hy com frequência de 50Hz, estimado por metodologia convencional e por SLDM. Painel a esquerda: número de iterações igual a dimensão do modelo. Painel a direira: número de iterações igual a 20% da dimensão do modelo. 0 2000 4000 6000 8000 10000 Distância (m) -3.5 -3 -2.5 -2 -1.5 -1 -0.5 0 0.5 H y ( T ) 10 -3 Modelo 1 FEM Real SLDM Real FEM Imag SLDM Imag 0 2000 4000 6000 8000 10000 Distância (m) -3.5 -3 -2.5 -2 -1.5 -1 -0.5 0 0.5 H y ( T ) 10 -3 Modelo 1 FEM Real SLDM Real FEM Imag SLDM Imag Figura 2.9: Modelo 1: Campo Hy com frequência de 150 Hz, estimado por metodologia convencional e por SLDM. Painel a esquerda, número de iterações igual a dimensão do modelo. Painel a direira, número de iterações igual a 20% da dimensão do modelo. 2.4 CONCLUSÃO O Método da Decomposição Espectral de Lanczos - SLDM é um exemplo de acelerador de convergência que vem sendo utilizado na estimativa de campos eletromagnéticos que estão em regime de difusão. Em contraste com a metodologia usual, através do SLDM o campo é estimado para uma frequência base e a partir desta as estimativas do campo para outras frequências são obtidas através de algumas operações matriciais. A estimativa do campo para a frequência base utilizando o algorítmo de recursão de Lanc- zos tem como produtos a matriz Q, cujas colunas geram o espaço das soluções, e a matriz tridiagonal T cujo autovalores fazem parte da solução estimada através do SLDM. 17 0 2000 4000 6000 8000 10000 Distância (m) -3 -2 -1 0 1 2 3 4 5 H y ( T ) 10 -3 Modelo 2 FEM Real SLDM Real FEM Imag SLDM Imag 0 2000 4000 6000 8000 10000 Distância (m) -3 -2 -1 0 1 2 3 4 5 H y ( T ) 10 -3 Modelo 2 FEM Real SLDM Real FEM Imag SLDM Imag Figura 2.10: Modelo 2: Campo Hy com frequência de 50Hz, estimado por metodologia convencional e por SLDM. Painel a esquerda: número de iterações igual a dimensão do modelo. Painel a direira: número de iterações igual a 20% da dimensão do modelo. 0 2000 4000 6000 8000 10000 Distância (m) -3.5 -3 -2.5 -2 -1.5 -1 -0.5 0 H y ( T ) 10 -3 Modelo 2 FEM Real SLDM Real FEM Imag SLDM Imag 0 2000 4000 6000 8000 10000 Distância (m) -3.5 -3 -2.5 -2 -1.5 -1 -0.5 0 H y ( T ) 10 -3 Modelo 2 FEM Real SLDM Real FEM Imag SLDM Imag Figura 2.11: Modelo 2: Campo Hy com frequência de 150 Hz, estimado por metodologia convencional e por SLDM. Painel a esquerda, número de iterações igual a dimensão do modelo. Painel a direira, número de iterações igual a 20% da dimensão do modelo. A dimensão das matrizes Q e T é estimada pelo critério de convergência do algoritmo de Lanczos, logo, este parâmetro é fundamental na redução da dimensão das matrizes envolvidas na estimativa do campo já que elas são os parâmetros de entrada do SLDM. Sendo assim, é apresentada uma análise do número de iterações do algoritmo de Lanczos e proposto um número ótimo de iterações através da aplicação do SLDM na estimativa de campos de MT. Foram considerados modelos 2-D de prisma resistivo com tamanhos que variavam do pequeno ao médio. Foram testados vários números de iteração no algoritmo de Lanczos que correspondiam a uma fração percentual da dimensão do problema. Con- sideramos as estimativas para o número de iterações igual a dimensão do problema como valores de referência. Nesta análise foram calculados valores para o erro quadrático médio, 18 ERMS, utilizando a diferença entre o campo estimado pela metodologia convencional e o campo estimado com o SLDM Ponderado. A diferença entre o campo de referência Observou-se que os valores de ERMS para estimativas cujo o númerode iterações era me- nor que 20% são instáveis e o campo Hy não é satisfatório. Acima de 20%, os valores de ERMS se estabilizam e o campoHy resultante se assemelha ao campo de referência. Assim, concluí-se que um número ótimo para o número de iterações é igual a 20% da dimensão do modelo em questão. Adicionalmente, verificou-se que esse número ótimo independe da frequência do campo Hy a ser estimado quando utilizado o SLDM Ponderado. Propõem-se, como continuidade dessa pesquisa, a realização de testes com modelos mai- ores e mais realísticos para o caso MT. APÊNDICE A ALGORITMO DE LANCZOS Em seguida são mostrados alguns detalhes para a obtenção da base ortornormal e da matriz tridiagonal através do algorítimo de recursão de Lanczos. Dada A′, matriz simétrica de ordem n× n, f uma função definida no intervalo espectral de A′ e ϕ′ vetor do <n. A solução das equações de Maxwell dadas por: Eω = iω ( iω I + A) −1ϕ, pode ser representada por: u = f(A′)ϕ′ Através do algoritmo de Lanczos é determinada uma base ortonormal, {q1, . . . ,qm}, do subespaço de Krylov, Km = spam{ϕ′,A′ϕ′, . . . ,A′m−1ϕ′}, além da matriz tridiagonal T, cujos autovalores são aproximações dos autovalores de A′. Da combinação da base ortornormal tem-se uma aproximação dos autovetores de A′. A base ortonormal Q e a matriz tridiagonal T são determinados por três termos de recursão descrito a seguir: Fazendo β0 = 0 q0 = 0, q1 = ϕ′/ ‖ ϕ′ ‖ e βi ≥ 0 1. αi = q∗iA′qi, 2. wi = A′qi − βi−1qi−1 − αiqi, 3. βi =‖ wi ‖, i = 1, . . . ,m, 4. qi+1 = wi/βi. O processo de recurssão é continuado até se alcaçado alguma tolerância imposta pelo 19 usuário. A matriz tridiagonal é escrita por: T = α1 β1 . . . 0 β1 α2 β2 ... . . . ... 0 . . . βm−1 αm e a matriz cujas colunas são os vetores da base ortornormal é dada por: Q = [q1, . . . ,qm]. Através do algoritmo de recurssão de Lanczos tem-se que a dimensão de Q e T (n) é menor que a dimensão de A (m) do problema. O algoritmo de recurssão tem sido empregado em áreas da engenharia na redução da dimensão e no cálculo dos auto-modos de problemas. AGRADECIMENTOS Os autores gostariam de expressar gratidão ao Programa de Pós-graduação de Geofí- sica da Universidade Federal do Pará por oferecer a estrutura necessária para a realização desta pesquisa e ao Conselho Nacional Científico e Tecnológico (CNPq) pelo apoio finan- ceiro. CONFLITO DE INTERESSE Os autores declaram que não há conflito de interesse. 3 CONCLUSÃO A modelagem de dados magnetotelúricos apresenta alto custo computacional devido ao grande volume de dados relacionados a extensa banda de frequência que este método geofísico apresenta. O do Método da Decomposição Espectral de Lanczos (SLDM) apli- cado juntamente com o algortimo de lanczos pode ser uma alternativa que resulte em redução de custo computacional para a modelagem multifrequência deste método. Um parâmetro importante dentro da modelagem com o SLDM é o critério de parada - número de iterações - do algorítmo de Lanczos. Este critério de parada define o tamanho das ma- trizes que serão utilizadas na modelagem dos campos magnetotelúricos através do SLDM, logo, sua determinação faz-se necessária para a redução do custo computacional desta mo- delagem. Objetivando a determinação de um critério de parada ótimo, neste trabalho, o SLDM foi aplicado na modelagem de dados MT para uma configuração de 2-D de prisma - que simula um corpo resistivo localizado no centro de um meio condutivo - em modelos de diferentes dimensões. Foram apresentados os resultados para dois modelos: Modelo 1 que foi discretizado em 1521 elementos e o Modelo 2 que possui 5041 elementos. Em todos os testes realizados, a frequência base empregada é igual a 100 Hz, os resultados da modelagem com o SLDM Ponderado foram apresentados em termos do campo magnético Hy e a quantificação das análises se deu através do cálculo do erro quadrático médio ERMS utilizando como referência o campo Hy estimado pela metodologia convencional. Analisando os resultados obtidos, as seguintes observações foram realizadas: Os valores de ERMS para estimativas cujo o número de iterações era menor que 20% são instáveis e o campo Hy resultante não é satisfatório; Acima de 20%, os valores de ERMS se estabilizam e o campo Hy resultante se assemelha ao campo de referência. . Assim, propõem-se que utilizar 20% da dimensão do modelo em questão como critério de parada do algorítmo de Lanczos é uma excelente abordagem para a modelagem multifrequência de dados MT. Logo, este percentual é reconhecido como númeoro de iterações ótimo. Adicionalmente, verificou-se que esse número ótimo independe da frequência do campo Hy a ser estimado quando utilizado o SLDM Pon- derado. Uma sugestão de continuidade de pesquisa é a realização de uma comparação temporal entre a modelagem de dados MT utilizando o método SLDM adotando o crité- rio de parada ótimo sugerido neste trabalho e a modelagem MT convencional realizada independentemente para cada frequência. Aĺém disso, adotar a mesma abordagem apre- sentada neste trabalho utilizando modelos maiores e mais complexos auxiliaria na análise da abrangência do critério de parada sugerido. 20 REFERÊNCIAS C - Fourier Transform Method. In Numerical Methods in Electromagnetism; Chari, M.; Salon, S., Eds.; Electromagnetism, Academic Press: San Diego, 2000; pp. 711–717. https://doi.org/https://doi.org/10.1016/B978-012615760-4/50015- 8https://doi.org/10.1016/B978-012615760-4/50015-8. Assan, A. Método dos Elementos Finitos - Primeiros Passos; Editora UNICAMP, 2020; p. 544. Bakuska, I.; Whiteman, J.R.; Strouboulis, T. Finite elements: an introduction to the method and error estimation; Oxford, Oxford University Press, 2010; p. 323. Becker, E.B.; Carey, G.F.; Oden, J.T. Finite Elements - An Introduction; New Jersey: Prentice-Hall, 1981; p. 258. Bowyer, A. Computing Dirichlet Tessellations. The Computer Journal 1981, 24(2), 162– 166. Boyse, W.D.; Lynch, K.P.; G, M. Nodal-based finite-element modeling of Maxwell’s equations. Antennas Propag. 1992, 40, 642–651. Carcione, J.M. A spectral numerical method for electromagnetic diffusion. Geophysics 2006, 71, I1–I9. Chari, M.; Salon, S. 4 - Variational and Galerkin Methods. In Numerical Methods in Electromagnetism; Chari, M.; Salon, S., Eds.; Electromagnetism, Academic Press: San Diego, 2000; pp. 143–187. https://doi.org/https://doi.org/10.1016/B978-012615760- 4/50005-5https://doi.org/10.1016/B978-012615760-4/50005-5. Chari, M.; Salon, S. 3 - The Finite Difference Method. In Numerical Methods in Electro- magnetism; Chari, M.; Salon, S., Eds.; Electromagnetism, Academic Press: San Diego, 2000; pp. 105–141. https://doi.org/https://doi.org/10.1016/B978-012615760-4/50004- 3https://doi.org/10.1016/B978-012615760-4/50004-3. Chari, M.; Salon, S. 6 - The Finite Element Method. In Numerical Methods in Electro- magnetism; Chari, M.; Salon, S., Eds.; Electromagnetism, Academic Press: San Diego, 2000; pp. 283–357. https://doi.org/https://doi.org/10.1016/B978-012615760-4/50007- 9https://doi.org/10.1016/B978-012615760-4/50007-9. Cullum, J.K.; Willoughby, R.A. Lanczos Algorithms for Large Symmetric Ei- genvalue Computations; Society for Industrial and Applied Mathematics, 2002. https://doi.org/10.1137/1.978089871919210.1137/1.9780898719192. 21 22 Dong, H.; Egbert, G.D. Divergence-free solutions to electromagnetic forward and ad- joint problems: a regularization approach. Geophysical Journal International 2018, 216, 906–918. Druskin, V.; Knizhnerman, L. Spectral approach to solving three-dimensional Maxwell’s diffusion equations in the time and frequency domains. Radio Science 1994, 29, 937– 953. Freund, R.W. A transpose-free quasi-minimal residual algorithm for non-hermitian linear systems. SIAM journal on scientific computing 1993, 14(2), 470–482. Gomes, E.N.S.; Piedade, A.; Figueiredo, J.J.S.; D., M.; B., S.C.; W., M.J. On the Appli- cation of Spectral Lanczos Decomposition Method on Magnetotellurics Multifrequency Dataset. Journal of Electromagnetic Wavesand Applications. Em fase de elaboração. Jin, J.M.; Zunoubi, M.; Donepudi, K.C.; Chew, W.C. Frequency-domain and time- domain finite-element solution of Maxwell’s equations using spectral Lanczos de- composition method. Computer Methods in Applied Mechanics and Engineering 1999, 169, 279–296. https://doi.org/https://doi.org/10.1016/S0045-7825(98)00158- 3https://doi.org/10.1016/S0045-7825(98)00158-3. Knizhnerman, L.; Druskin, V.; Liu, Q.; Kuchuk, F.J. Spectral Lanczos decom- position method for solving single-phase fluid flow porous media 1994. 10. https://doi.org/10.1002/num.169010050410.1002/num.1690100504. Komzsik, L. The Lanczos Method. Evolution and application 2003. https://doi.org/10.1137/1.978089871818810.1137/1.9780898718188. Lanczos, C. An Iteration Method for the Solution of the Eigenvalue Problem of Linear Differential and Integral Operators. Journal of Research of the National Bureau of Standards 1950, 45(4), 29. Liu, Q.H.; Chew, W.C. Numerical mode matching method for the multi-region vertically stratified media. Antennas Propag. 1990, 30, 653–663. Luiz, J.; Silva, L. Geofísica de prospecção; 1995. Madden, T.R.; Mackie, R.L. Three-dimensional magnetotelluric modeling and inversion. Proc. Inst. Electr. Eng. 1989, 77, 318–323. Manteuffel, T.; Baker, A.; Jessup, E. A technique for accelerating the convergence of restarted Gmres. SIAM journal on matrix analysis and applications 2005, 4, 962–984. Menezes, P.T.L. Fundamentos do Método Magnetotelúrico na exploração de Hidrocarbo- netos; Sociedade Brasileira de Geofísica, 2013; p. 208. 23 Mohammad, R.Z.; Jin-Ming, J. A Spectral Lanczos Decomposition Method for Solving 3–D Low-Frequency Eletromagnetic Diffusion by Finite-Element Method. IEE Transactions on Atennas and Propagation 1999, 47, 242–248. https://doi.org/10.1109/8.76106310.1109/8.761063. Nabighian, M.N. Electromagnetic Methods in Applied Geophysics: Volume 1, Theory; Society of Exploration Geophysicists, 1987. https://doi.org/10.1190/1.978156080263110.1190/1.9781560802631. Nabighian, M.N. Electromagnetic Methods in Applied Geophysics: Volume 2, Application, Parts A and B; Society of Exploration Geophysicists, 1991. https://doi.org/10.1190/1.978156080268610.1190/1.9781560802686. Ohashi, A.A.; Souza, V.C.T. Modelagem do Método Magnetotelúrico 2D usando elemen- tos finitos em C++, 2015. Trabalho de Conclusão de Curso (Bacharelado em Geofísica), Faculdade de Geofísica, Instituto de Geociências, Universidade Federal do Pará, Belém. Oristaglio, M.L.; Hohmann, G.W. Diffusion of Eletromagnetic Fields into a Two- dimensional Earth: A Finite Difference Approach. Geophysics 1984, 49, 870–894. Poljak, D., Introduction to Numerical Methods in Electromagnetics; 2006; pp. 80–122. https://doi.org/10.1002/9780470116883.ch310.1002/9780470116883.ch3. Saad, Y.; Schultz, M.H. Gmres: A generalized minimal residual algorithm for solving nonsymmetric linear systems. SIAM Journal on scientific and statistical computing 1986, 7(3), 856–869. Santos, P.R.; Padilha, A.L.; Santos-Matos, A.C.L. Modelo Unidimensional de Dados Magnetotelúricossob a Bacia Tucano Central e Bloco Serrinha Noedeste do Brasil, 2019. Relatório Final de Projeto de Iniciação Cienfífica (PIBIC/INPE/CNPq), Universidade Federal do Pampas. Slone, R.D.; Lee, R. Applying Padé via Lanczos to the finite element method for electromagnetic radiation problems. Radio Science 2000, 35, 331–340. https://doi.org/10.1029/1999RS00225810.1029/1999RS002258. Tatham, R.H. An Introduction to Geophysical Exploration: Third Edition. Eos, Tran- sactions American Geophysical Union, 84, 113–113. Telford, W.M.; Geldart, L.P.; Sheriff, R.E. Applied Ge- ophysics, 2 ed.; Cambridge University Press, 1990. https://doi.org/10.1017/CBO978113916793210.1017/CBO9781139167932. 24 Van der Vorst, H.A. Bi-cgstab: A fast and smoothly converging variant of bi-cg for the solution of nonsymmetric linear systems. SIAM Journal on scientific and Statistical Computing 1992, 13(2), 631–644. Ward, S.H.; Hohmann, G.W., 4. Electromagnetic Theory for Geophysical Applications. In Electromagnetic Methods in Applied Geophysics: Volume 1, Theory; 2012; pp. 130–311. Weiland, T. Numerical Solution of MAxwell’s Equation for Static Resonant and Transient Problem. Proc. Int. Symp. Electromagn. 1986, 22, 537–666. Zhdanov, M.S.; Chernyavskiy, A. Rapid three-dimensional inversion of multi- transmitter electromagnetic data using the spectral Lanczos decomposition method. Inverse Problems 2004, 20, S233–S256. https://doi.org/10.1088/0266- 5611/20/6/s1410.1088/0266-5611/20/6/s14. Zhdanov, M.S. Chapter 1 - Forward and Inverse Problems in Science and Engineering. In Inverse Theory and Applications in Geophysics (Se- cond Edition), Second Edition ed.; Zhdanov, M.S., Ed.; Elsevier: Oxford, 2015; pp. 3–31. https://doi.org/https://doi.org/10.1016/B978-0-444-62674-5.00001- 3https://doi.org/10.1016/B978-0-444-62674-5.00001-3. Zunoubi, M.; Jin, J.M.; Chew, W.; Kennedy, D. A Spectral Lanczos Decomposition Method for Solving Axisymmetric Low-Frequency Electromagnetic Diffusion By the Finite-Element Method. Journal of Electromagnetic Waves and Applications 1997, 11, 1389–1406. Öchsner, A.; Merkel, M. One-Dimensional Finite Elements; Springer, Cham, 2018; p. 418.
Compartilhar