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 Migração por quadrados mínimos: estudo de estratégias de formulação e precondicionamento JOSÉ JÉSUS DA SILVA SOBRINHO Belém � Pará 2020 JOSÉ JÉSUS DA SILVA SOBRINHO Migração por quadrados mínimos: estudo de estratégias de formulação e precondicionamento 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: Imageamento de dados geofísicos Orientador: Dr. Jessé Carvalho Costa Belém � Pará 2020 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) S586m Silva Sobrinho, José Jésus da. Migração por quadrados mínimos: estudo de estratégias de formulação e precondicionamento / José Jésus da Silva Sobrinho. — 2020. 51 f. : il. color. Orientador(a): Prof. Dr. Jessé Carvalho Costa Dissertação (Mestrado) - Universidade Federal do Pará, Instituto de Geociências, Programa de Pós-Graduação em Geofísica, Belém, 2020. 1. Imageamento sísmico. 2. Migração por quadrados mínimos. 3. Precondicionamento. I. Título. CDD 550 Powered by TCPDF (www.tcpdf.org) Let everything happen to you Beauty and terror Just keep going No feeling is �nal. -Rainer Maria Rilke AGRADECIMENTOS Gostaria de primeiramente agradecer à minha família que me forneceu todo suporte para que eu chegasse até aqui: meu pai, que me deu todo apoio quando decidir sair para estudar; minha mãe, pelas orações e por todo carinho e amor; minha irmã caçula, que esquenta o meu coração e com a qual eu relembro todos os dias a felicidade absoluta que a gente só consegue encontrar nos olhos de uma criança; e a minha irmã Apoenna, que esteve do meu lado ao longo de todo esse caminho durante os bons e maus momentos. Isso é por vocês. Em segundo lugar, gostaria de agradecer o apoio e amizade dos muitos amigos que �z e/ou fortaleci durante esses anos de dedicação ao mestrado: aos parceiros de café, Luize, Adriany, Natiê, Isadora; aos parceiros de copo, Sidônio, Cláudia, Murilo, Caique, Iury, Luan, Joaquim e muitos outros. Dos amigos que o mestrado me trouxe, eu gostaria de agradecer em especial ao meu orientador professor Jessé, e ao meu parceiro de programa- ção Bruno, pois ambos ajudaram e incitaram muitas das re�exões que vieram a resultar neste trabalho. Agradeço também todo apoio �nanceiro que recebi durante toda minha vida acadê- mica desde a graduação: a CAPES, pela oportunidade do intercâmbio durante a gra- duação com o Ciência sem Fronteiras e pela bolsa de mestrado; a SBGf, pela bolsa de iniciação cientí�ca durante a graduação; e a PETROBRAS, pelo apoio �nanceiro ao pro- jeto que possibilitou essa pesquisa. Ainda no âmbito acadêmico, agradeço a todo apoio do Programa de Pós-Graduação em Geofísica da UFPa. Por último, mas mais importante que tudo, agradeço a Deus por ter me dado força e saúde para chegar até aqui, e por ter colocado as pessoas certas nesta minha caminhada. RESUMO A migração reversa no tempo por mínimos quadrados (LSRTM, na sigla em inglês) é capaz de produzir imagens sísmicas com resolução mais alta, amplitudes relativas balan- ceadas e reduzir os artefatos causados pela aquisição. Isto é atingido através do ajuste dos dados de re�exão observados com um modelo linearizado para o campo de onda es- palhado. Os dados calculados podem ser obtidos por diferentes métodos. Neste trabalho, dois diferentes modelos para o campo de onda re�etido são investigados: a aproximação de Born e a aproximação de Kirchho�. As diferenças e vantagens dessas duas abordagens são estudadas através de experimentos numéricos usando dados sintéticos. Adicionalmente, investigamos um precondicionador com o objetivo de acelerar a convergência do método de gradientes conjugados e produzir imagens com amplitudes relativas mais balanceadas. Palavras-chaves: Migração por quadrados mínimos. LSRTM. Aproximação de Born. Aproximação de Kirchho�. Precondicionamento. ABSTRACT Least-squares reverse time migration (LSRTM) produces seismic images with higher resolution, improved relative amplitude balance, and reduced artifacts produced by acqui- sition footprints. This is achieved by �tting the observed re�ection data with a linearized model for the scattered wave�eld. The linearized model data might be obtained th- rough di�erent methods. In this work, two di�erent models for the re�ected �eld are investigated: the Born approximation and the Kirchho� approximation. The di�erences between the approaches and the advantages of each model are studied through numerical experiments using synthetic data sets. Additionally, we investigate a preconditioner to accelerate the convergence of the conjugated gradient method and to produce images with more balanced relative amplitudes. Keywords: Least squares migration. LSRTM. Born approximation. Kirchho� ap- proximation. Preconditioning. LISTA DE FIGURAS 2.1 (a) Ponto de re�exão em um re�etor plano. (b) Ponto de re�exão em um re�etor com mergulho. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4 2.2 Ilustração esquemática do RTM em duas dimensões espaciais. Começando com o máximo tempo registrado tmax, o campo de onda é injetado a partir da superfície de observação em direção a subsuperfície, então é retropropa- gado no tempo até t0. A equação da onda propaga energia descendente e ascendente dentro do domínio computacional. A cada intervalo temporal um corte vertical ao longo do cubo mostra um instantâneo do campo de onda. Este campo de onda é então cross-correlacionado com o campo da fonte, que é propagado forward no tempo, segundo a condição de imagem utilizada. Adaptado de Etgen et al. (2009). . . . . . . . . . . . . . . . . . . 5 2.3 Diagrama esquemático da geometria para os gradientes do tempo de trân- sito da fonte da função de Green, ∇τs, e o gradiente do receptor da função de Green, ∇τr. Onde θ é o ângulo de abertura entre o raio incidente e o raio re�etor. Adaptado de Yao et al. (2018). . . . . . . . . . . . . . . . . . 9 3.1 (a) Modelo de re�etividade verdadeiro. (b) Imagem do LSRTM com apro- ximação Born depois de 20 iterações. (c) Imagem do LSRTM com aproxi- mação Kirchho� depois de 20 iterações. (d) Primeira derivada na direção z da imagem do LSRTM com aproximação de Born. . . . . . . . . . . . . . 19 3.2 4 primeiros shotgathers do dado observado para o modelo Marmousi2. . . . 21 3.3 (a) Wavelet broadband utilizada nas modelagens com banda de frequência em Hz: [2.0, 10.0, 22.0, 30.0]. (b) Espectro de amplitudes da wavelet. . . . 21 3.4 (a) Modelo de velocidade verdadeiro do Marmousi2. (b) Modelo de veloci- dade suavizado do Marmousi2. (c) Modelo de re�etividade do Marmousi2. 22 4.1 Iterações do LSRTM utilizando a aproximação de Born sem precondicio- nador: (a) iteração 1, (b) iteração 25. . . . . . . . . . . . . . . . . . . . . . 24 4.2 Iterações do LSRTM utilizando a aproximação de Kirchho� sem precondi- cionador: (a) iteração 1, (b) iteração 25. . . . . . . . . . . . . . . . . . . . 25 4.3 Iterações do LSRTM utilizando a aproximação de Born com precondicio- nador Laplaciano: (a) iteração 1, (b) iteração 25. . . . . . . . . . . . . . . 26 4.4 Iterações do LSRTM utilizando a aproximação de Kirchho� com precondi- cionador Laplaciano: (a) iteração 1, (b) iteração 25. . . . . . . . . . . . . 27 4.5 Iterações do LSRTM utilizando a aproximação de Born com precondicio- nador iluminação: (a) iteração 1, (b) iteração 25. . . . . . . . . . . . . . . 28 4.6 Iterações do LSRTM utilizando a aproximação de Kirchho� com precondi- cionador iluminação: (a) iteração 1, (b) iteração 25. . . . . . . . . . . . . .29 4.7 Curvas de resíduo. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30 4.8 Resultados �nais do LSRTM depois de 25 iterações: (a) aproximação de Born e precondicionador Laplaciano, (b) aproximação de Born e precon- dicionador iluminação, (c) aproximação de Kirchho� e precondicionador Laplaciano, (d) aproximação de Kirchho� e precondicionador iluminação, (e) re�etividade verdadeira do modelo Marmousi2. . . . . . . . . . . . . . . 31 4.9 Espectros de amplitude do: (a) LSRTM com aproximação de Born e pre- condicionador Laplaciano (b) LSRTM com aproximação de Born e pre- condicionador iluminação, (c) LSRTM com aproximação de Kirchho� e precondicionador Laplaciano, (d) LSRTM com aproximação de Kirchho� e precondicionador iluminação, (e) modelo de re�etividade verdadeiro do modelo Marmousi2. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32 SUMÁRIO 1 INTRODUÇÃO 1 2 FUNDAMENTAÇÃO TEÓRICA 3 2.1 MIGRAÇÃO . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3 2.1.1 Migração Reversa no Tempo . . . . . . . . . . . . . . . . . . 5 2.1.2 Migração Como um Problema Inverso . . . . . . . . . . . . 6 2.2 OPERADORES DO PROBLEMA DIRETO . . . . . . . . . . . . . . . . 7 2.2.1 Aproximação de Born . . . . . . . . . . . . . . . . . . . . . . . 7 2.2.2 Aproximação de Kirchho� . . . . . . . . . . . . . . . . . . . . 8 2.3 MÉTODO DOS ESTADOS ADJUNTOS . . . . . . . . . . . . . . . . . . 11 2.4 PRECONDICIONANDO O SISTEMA LINEAR . . . . . . . . . . . . . . 16 3 METODOLOGIA 18 3.1 IMPLEMENTAÇÃO DO LSRTM . . . . . . . . . . . . . . . . . . . . . . 18 3.2 APROXIMAÇÃO BORN X APROXIMAÇÃO KIRCHHOFF: COMPA- RAÇÃO EM UM MODELO DE CAMADAS HORIZONTAIS . . . . . . . 19 3.3 MODELO MARMOUSI . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20 4 RESULTADOS 23 4.1 SEM PRECONDICIONADOR . . . . . . . . . . . . . . . . . . . . . . . . 23 4.2 PRECONDICIONADOR LAPLACIANO . . . . . . . . . . . . . . . . . . 23 4.3 PRECONDICIONADOR ILUMINAÇÃO . . . . . . . . . . . . . . . . . . 24 4.4 ESPECTROS DE AMPLITUDE E COMPARAÇÃO DOS RESULTADOS 26 5 CONCLUSÃO 33 REFERÊNCIAS 35 APÊNDICES 38 A� GRADIENTE CONJUGADO PRECONDICIONADO E REGULARI- ZADO 39 1 INTRODUÇÃO A migração por quadrados mínimos é reconhecida como um importante método para a estimativa da re�etividade da terra, capaz de produzir imagens com uma qualidade maior do que aquelas produzidas por métodos convencionais de migração (Zhang et al., 2014). A teoria da migração por quadrados mínimos foi primeiramente derivada por Nemeth et al. (1999) para aplicações na migração Kirchho�; posteriormente, com o avanço do poder computacional, aplicações da migração por quadrados mínimos foram realizadas com o método de migração reversa no tempo. Atualmente, a migração reversa no tempo é o estado-da-arte dos métodos de imageamento, principalmente para áreas com estruturas complexas na subsuperfície, e quando a mesma é empregada como um problema inverso de quadrados mínimos é capaz de reduzir ruídos devido a limitações dos algoritmos de migração em aquisições sísmicas com parametrizações insatisfatórias, atenuar artefatos de baixo número de onda e mitigar os efeitos de iluminação em subsuperfície, resultando em uma imagem com maior resolução (Dai and Schuster, 2013). Na migração por quadrados mínimos a relação linearizada entre o dado calculado e o parâmetro invertido pode ser deduzida por duas formas: a primeira, mais comumente encontrada na literatura, utiliza a aproximação de Born - foi a abordagem utilizada por Nemeth et al. (1999) quando primeiro formulou a migração por quadrados mínimos - e tem como parâmetro físico invertido pertubações do modelo de impedância; a segunda alternativa utiliza a aproximação de Kirchho� para a linearização do problema, resultando em um parâmetro de inversão relacionado a re�etividade (Yao et al., 2018). Além disso, na migração por quadrados mínimos as atualizações do modelo são cal- culadas a partir da minimização da função objetivo. Portanto, um passo intermediário mandatório na migração por quadrados mínimos é a avaliação do gradiente da função objetivo. Entretanto, o gradiente construído a partir da operação de correlação cruzada sofre com efeitos do espalhamento geométrico, o que resulta em amplitudes baixas para re�etores profundos e uma taxa de convergência mais lenta (Huang et al., 2016). Xu and Sacchi (2017) tentaram mitigar esse problema aplicando um precondicionador à função objetivo que compensasse pela energia do campo de onda da fonte e obtiveram uma acele- ração na convergência e uma melhor resolução espacial. Já Huang et al. (2016) utilizaram uma aproximação da matriz Hessiana como um precondicionador para compensar pelo efeito do espalhamento geométrico e melhorar a performance da inversão por quadrados mínimos. Portanto, motivado por tais considerações, este trabalho tem como objetivos princi- pais: 1) fórmular a LSRTM com as duas aproximações lineares - Born e Kirchho� - para assim analisar suas diferenças e possíveis vantagens do uso de uma ou outra; e 2) propor um precondicionador que, idealmente, acelere a taxa de convergência do método de gradi- 1 2 ente conjugado utilizado e, ao mesmo tempo, entregue imagens com amplitudes relativas dos re�etores mais próximas possíveis das amplitudes relativas do modelo de re�etividade verdadeiro; uma vez que a obtenção de imagens com amplitudes relativas preservadas é essencial na análise de litologias (Wang, 2017). Para tal �m, nós analisamos o efeito de dois precondicionadores diferentes na migração por quadrados mínimos; sendo o primeiro um operador Laplaciano convencional, uma vez que é bem conhecida sua propriedade de atenuar ruídos de baixo número de onda; e o segundo um precondicionador para compen- sar pela iluminação do campo de onda da fonte, sendo tal operador inspirado no inverso assintótico da modelagem Born derivado por Op't Root et al. (2012). Esta dissertação está estruturada da seguinte maneira: no capítulo 2 apresentamos o referencial teórico onde analisamos as motivações que levaram ao desenvolvimento do método RTM, a formulação da migração como um problema inverso, onde deduzimos as duas formulações estudadas para o operador direto, demonstramos a dedução do cálculo da função objetivo pelo método dos estados adjuntos, e �nalizamos esse capítulo apre- sentando os precondicionadores analisados neste trabalho. No capítulo 3 tratamos da implementação do LSRTM e analisamos as diferenças na utilização da aproximação de Born ou Kirchho� nos resultados do LSRTM em um modelo simples de três camadas ho- rizontais. No capítulo 4 analisamos os resultados das duas formulações do LSRTM com a aplicação dos precondicionadores propostos em experimentos realizados no modelo Mar- mousi2. Em seguida o capítulo 5 apresenta a discussão de nossos resultados e conclusões. Por �m, o apêndice A� contém a dedução do método de gradiente conjugado regularizado utilizado para a solução do problema linear. 2 FUNDAMENTAÇÃO TEÓRICA 2.1 MIGRAÇÃO Na prospecção de hidrocarbonetos o principal método geofísico utilizado é a sísmica de re�exão, onde o campo de onda gerado por uma fonte na superfície é re�etido em descontinuidades geológicas na subsuperfície e então registrado em receptores localizados na superfície. Esses dados são então processados para a obtenção de uma seção sísmica que corresponda idealmente a uma seção com as principais interfaces do local estudado, levando-se em consideração alguns pressupostos. No empilhamento, que é uma das etapas do processamento, pode-se pressupor que as camadas em subsuperfície são horizontais. Logo, para um par fonte-receptor com afastamento não-nulo, o ponto re�etor se encon- traria diretamente abaixo do ponto médio entre a fonte e o receptor (Figura 2.1a). Então pode-se organizar todo o conjunto de dados em famílias de ponto médio comum para a realização da etapa de correção NMO e em seguida o empilhamento, obtendo-se,assim, a seção empilhada que é uma aproximação de uma seção de afastamento nulo (seção zero- o�set). Tal seção já pode ser considerada uma primeira aproximação de uma imagem da subsuperfície. No entanto, para o caso de camadas inclinadas o ponto re�etor não estará localizado diretamente abaixo do ponto médio entre a fonte e o receptor (Figura 2.1b), logo a seção empilhada resultará em uma imagem na qual os re�etores inclinados serão focalizados em posições diferentes da posição verdadeira. Tal deslocamento na real posição de um ponto de um re�etor inclinado é corrigido por meio de uma migração. A migração, com a posse de um modelo de velocidade su�cientemente acurado, obje- tiva mover re�etores inclinados para suas verdadeiras posições em subsuperfície ao mesmo tempo que colapsa difrações, portanto aumentando a resolução espacial e fornecendo uma imagem sísmica da subsuperfície (Yilmaz, 2001). Em outras palavras, o objetivo da mi- gração é fazer com que a seção sísmica �nal corresponda a uma imagem com as principais interfaces do local estudado. Nesta etapa os pontos re�etores aparentes são reposicionados para os pontos re�etores verdadeiros em profundidade ou tempo. A denominação migra- ção é devido a esse reposicionamento das coordenadas dos pontos re�etores aparentes para os pontos re�etores verdadeiros. Na realidade, a migração é mais antiga que a maioria dos métodos de processamento sísmico. Durante a década de 1920 surgiram as primeiras implementações da migração como um método grá�co, e antes do advento do processamento digital a migração fora desenvolvida em diversas formulações baseadas no princípio cinemático do empilhamento em curvas de difrações, que é o princípio por detrás da migração de Kirchho� (Gray et al., 2001). Com o desenvolvimento do empilhamento de Ponto Médio Comum (CMP, na sigla 3 4 (a) (b) Figura 2.1: (a) Ponto de re�exão em um re�etor plano. (b) Ponto de re�exão em um re�etor com mergulho. em inglês) e a aplicação de técnicas de processamento de sinal digital em dados sísmicos nos anos 1960, foi então possível o surgimento dos primeiros métodos de migração baseados na equação da onda: migração como solução de diferenças �nitas de uma aproximação da equação da onda (Claerbout and Doherty, 1972), a migração Kirchho� (Schneider, 1978) e a migração no domínio f-k (Stolt, 1978). Há uma variedade de estratégias de migração: pré ou pós-empilhamento; migração em tempo ou em profundidade; migração 2-D ou 3-D. Em suma, o espectro de estratégias de migração estende-se desde migração 2-D pós-empilhamento em tempo até migração 3-D pré-empilhamento em profundidade. Dependendo da geologia da subsuperfície do local estudado, qualquer estratégia entre estes extremos pode ser selecionada (Yilmaz, 2001). A estratégia utilizada neste trabalho é a Migração Reversa no Tempo (RTM, na sigla em inglês) que é um tipo de migração pré-empilhamento em profundidade. 5 2.1.1 Migração Reversa no Tempo Na Migração Reversa no Tempo (Baysal et al., 1983; McMechan, 1983; Whitmore, 1983) o campo de onda observado é propagado a partir das fronteiras do domínio (a superfície de observação) em direção ao interior da Terra utilizando a equação completa da onda com o tempo regredindo, o que é possível devido à simetria temporal da equação da onda. Para o caso da migração pré-empilhamento, o campo da fonte é também calculado utilizando-se a equação da onda, mas com o tempo na direção normal (forward time), em seguida, o campos da fonte e dos receptores são utilizados no cálculo da condição de imagem. A Figura 2.2 ilustra com mais detalhes todo o processo. É importante notar que o método RTM é baseado no teorema da reciprocidade do tipo correlação (Nemeth et al., 1999; Rosa, 2010). No entanto, por motivos práticos não é pos- sível adquirir observações do campo de onda em uma superfície fechada como idealizado no teorema da reciprocidade. Ainda assim, mesmo com observações limitadas e discre- tas na superfície o método RTM produz resultados satisfatórios, conseguindo focalizar pontos re�etores ou difratores com relativa precisão dependendo do modelo de velocidade utilizado. Figura 2.2: Ilustração esquemática do RTM em duas dimensões espaciais. Começando com o máximo tempo registrado tmax, o campo de onda é injetado a partir da superfície de observação em direção a subsuperfície, então é retropropagado no tempo até t0. A equação da onda propaga energia descendente e ascendente dentro do domínio computacional. A cada intervalo temporal um corte vertical ao longo do cubo mostra um instantâneo do campo de onda. Este campo de onda é então cross-correlacionado com o campo da fonte, que é propagado forward no tempo, segundo a condição de imagem utilizada. Adaptado de Etgen et al. (2009). 6 A versatilidade da RTM vem do fato desta ser um método de migração baseado na solução da equação da onda completa, devido a isto ela é capaz de lidar com variações laterais de velocidade e produzir muitos fenômenos ondulatórios (re�exões, refrações, di- frações, múltiplas e ondas evanescentes). Além disso, na RTM a propagação da onda se dá em todas as direções possíveis, e sua habilidade de imagear mergulhos com forte inclinação lhe dá uma vantagem sobre outros métodos (Bednar, 2005; Etgen et al., 2009). Atual- mente, para muitos projetos de imageamento cujo propósito seja delinear trapas sutis de hidrocarbonetos sob um meio sobrejacente complexo a RTM é considerada indispensável. O uso da solução da equação da onda, em vez de uma aproximação, é capaz de dar ao RTM uma melhoria na formação da imagem quando comparado com outros métodos de migração baseados na teoria do raio ou nas aproximações parabólicas da equação da onda. Além disso, uma modi�cação simples na condição de imagem pode possibilitar ao RTM gerar imagens compensadas pelo espalhamento geométrico, resultando em amplitudes re- lativas mais �éis para os re�etores mais profundos (Xu et al., 2011; Hou and Symes, 2015; Dafni and Symes, 2018). Discutimos este tópico na seção 4.3 pois um dos objetivos deste trabalho é analisar possíveis precondicionadores para o LSRTM que forneçam imagens mais próximas possíveis das verdadeiras amplitudes relativas. A utilização da solução da onda completa na formulação da RTM ocasiona um pro- blema particular que não é observado em outros métodos de migração, como os baseados na teoria do raio, que é o surgimento de artefatos de baixo número de onda acima de regiões com alto contraste de impedância. Esses artefatos surgem devido ao fato dos campos de onda da fonte e dos receptores terem o mesmo caminho de propagação ao longo do qual a energia correlaciona; então, a correlação cruzada desses dois campos não produz amplitude apenas nos re�etores, mas também em todos pontos não-re�etores ao longo de todo o percurso entre fonte e receptor, resultando em ruídos de alta amplitude que contaminam a imagem próximo de interfaces com forte contraste de impedância (Liu et al., 2011). Na seção 2.4 discutimos alguns precondicionadores estudados neste trabalho que podem ser utilizados para mitigar os efeitos dos artefatos de baixo número de onda. 2.1.2 Migração Como um Problema Inverso O objetivo �nal da Geofísica é fazer inferência sobre as propriedades físicas da sub- superfície a partir dos dados observados (Zhdanov, 2015). Tal processo é habitualmente denominado de inversão e é expresso matematicamente pela seguinte equação: d = L(m), (2.1) onde d é o dado observado, m é o modelo desconhecido e L é o operador que descreve a relação entre o dado e o modelo da subsuperfície. No caso da inversão sísmica, há diferentes atributos sísmicos que podem ser invertidos: tempo de trânsito, informação da 7 fase e informação da forma de onda (Schuster, 2017). Para efeitos deste trabalho, nós estamos interessados na inversão da forma de onda dos eventos de re�exão. A equação 2.1 trata de problemas não-lineares, que são os mais comuns em geofísica e os mais difíceisde resolver. Devido a isto procuram-se formas mais simples de se resol- verem problemas não-lineares através de aproximações destes por problemas lineares. No caso da migração, Tarantola (1984) foi um dos primeiros a formulá-la como um problema inverso linear, neste caso a equação 2.1 pode ser reescrita como: d = Lm, (2.2) onde d é o vetor N × 1 dos dados observados, m é o vetor M × 1 dos parâmetros do modelo, e L é o operador linear que mapeia do espaço dos modelos para o espaço dos dados e tem dimensão de uma matriz N × M . A equação 2.2 representa o problema direto, isto é, ela permite o cálculo dos dados a partir dos parâmetros m do modelo; logo L é também conhecido como operador de modelagem do problema direto. No caso do LSRTM, o operador de modelagem nos fornece os dados de re�exão primárias. Na próxima seção abordaremos duas maneiras de se obter tal operador: a primeira a partir da aproximação de Born (Tarantola, 1984; Dai et al., 2012; Hou and Symes, 2016), e uma segunda que utiliza a aproximação de Kirchho� (Yao et al., 2018; Trad, 2020). A migração é o convencionalmente de�nida como o adjunto do operador de modelagem, pois ela mapeia do espaço dos dados de re�exões para o espaço do modelo de pertubação (Claerbout, 1992; Chen and Sacchi, 2017; Wu and Bai, 2018). Então, isso é representado da seguinte forma: m = LTd, (2.3) onde LT representa o operador de migração que faz a projeção dos dados no espaço dos modelos. Na seção 2.3 deduzimos o operador LT a partir do método dos estados adjun- tos. Com os operadores de modelagem e adjunto em mãos temos todas as ferramentas necessárias para a realização do LSRTM. 2.2 OPERADORES DO PROBLEMA DIRETO 2.2.1 Aproximação de Born A migração por quadrados mínimos pressupõe que se possa estimar a re�etividade da subsuperfície a partir dos registros do campo de onda re�etido considerando apenas espalhamentos de primeira ordem em um meio de fundo suave. Para a equação da onda acústica, temos: 1 c(x)2 ∂2p (x, t;xs) ∂t2 −∇2p (x, t;xs) = s (t;xs) , (2.4) A aproximação de Born assume que o modelo de velocidade, c(x), pode ser separado 8 em uma componente do meio de fundo suave, c0(x), e uma componente de pertubação, δc(x), i.e., c(x) = c0(x) + δc(x) , (2.5) onde |δc(x)| << c0(x). Desta maneira o problema direto é linearizado, logo eventos de re�exões múltiplas não são considerados (Tarantola, 1984). De forma parecida, o campo de pressão, p (x, t;xs), pode ser decomposto como p (x, t;xs) = p0 (x, t;xs) + δp (x, t;xs) , (2.6) no qual p0 (x, t;xs) é o campo de onda que se propaga no meio de fundo com velocidade suave que, portanto, obedece 1 c0(x)2 ∂2p0 (x, t;xs) ∂t2 −∇2p0 (x, t;xs) = s (t;xs) , (2.7) para um pulso fonte s (t;xs) injetado na posição xs. Substituindo as expressões 2.5 e 2.6 na equação 2.4, e mantendo somente os termos de primeira ordem, nós obtemos a equação da onda linearizada 1 co(x)2 ∂2δp (x, t;xs) ∂t2 −∇2δp (x, t;xs) = m(x) c2o(x) ∂2po (x, t;xs) ∂t2 , (2.8) onde m(x) = 2δc(x)/co(x) representa a re�etividade. Formalmente, a solução de diferenças �nitas da equação (2.8) pode ser representada em uma notação matricial da seguinte forma Lm = d , (2.9) onde L representa o operador de modelagem Born, m é o modelo de re�etividade e d representa o campo de onda espalhado de primeira ordem δp(x, t;xs), ou dado Born, utilizado para ajustar o campo de onda re�etido observado. 2.2.2 Aproximação de Kirchho� Além da aproximação de Born utilizada para avaliar o dado calculado, podemos utilizar a integral de Kirchho� para calcularmos os dados de re�exão (problema direto). Nesta seção seguimos a abordagem de Yao et al. (2018) para deduzir o operador direto utilizando a aproximação de Kirchho�. O campo de onda incidente em um ponto de uma interface re�etora pode ser expresso como: pi(x, ω) = Gs(x|xs, ω)s(ω), (2.10) 9 onde x representa a coordenada do ponto re�etor, Gs(x|xs, ω) é a função de Green da posição da fonte para a posição x, e s(ω) é o pulso fonte. O fenômeno de re�exão tem como característica mudar a direção do campo de onda incidente e escalar a amplitude do mesmo pela re�etividade, rk, mantendo assim a forma de onda do campo incidente inalterada. Logo, o campo de onda re�etido pode ser expresso como: pr(x, ω) = rk(x, α)Gs(x|xs, ω)s(ω), (2.11) onde rk(x, α) é a re�etividade com dependência angular, e α é igual ao ângulo de re�exão que é igual à metade de θ (Figura 2.3). Uma vez que o campo de onda re�etido é conhecido na interface re�etora, o campo de onda no receptor pode ser computado a partir da integral de Kirchho� ps(xr, ω) = ∫ S ( Gr(x|xr, ω) ∂pr(x, ω) ∂n − pr(x, ω) ∂Gr(x|xr, ω) ∂n ) dS, (2.12) onde xr é a posição do re�etor, Gr(x|xr, ω) é a função do Green da posição do receptor para x, S é a interface re�etora, e ∂pr ∂n representa a derivada direcional de pr na direção normal: ∂pr ∂n ≡ ∇pr · n (2.13) A derivada direcional do campo re�etido, pr(x, ω), ao longo do vetor normal à interface Figura 2.3: Diagrama esquemático da geometria para os gradientes do tempo de trânsito da fonte da função de Green, ∇τs, e o gradiente do receptor da função de Green, ∇τr. Onde θ é o ângulo de abertura entre o raio incidente e o raio re�etor. Adaptado de Yao et al. (2018). 10 re�etora, n, pode ser escrita como (a partir da Eq. (2.11)): ∂pr(x, ω) ∂n = −rk(x, α) ∂Gs(x|xs, ω) ∂n s(ω), (2.14) a equação (2.14) é conhecida como aproximação de Kirchho�. O campo de onda re�etido pr(x, ω) e o campo de onda incidente se propagam em direções opostas, logo a presença do sinal negativo. No contexto da teoria do raio, quando o comprimento de onda típico do sinal é muito menor que o comprimento de onda típico das pertubações no modelo de velocidade, a função de Green pode ser aproximada como (Cerveny, 2005): G(x, ω) ≈ A(x)e−iωτ(x|xs), (2.15) onde A representa a amplitude e τ o tempo de trânsito. Logo, sua derivada direcional é dada por: ∂G ∂n ≈ −iωn · ∇τG, (2.16) onde ∇τ é o gradiente do tempo de trânsito. Substituindo-se as equações (2.14) e (2.16) na equação (2.12): ps(xr, ω) = iω ∫ S n. (∇τs +∇τr)Gr(x|xr, ω)rk(x, α)Gs(x|xs, ω)s(ω)dS, (2.17) A equação (2.17) descreve a contribuição de um único re�etor para o dado de re�exão, ps(xr, ω). O dado de re�exão para todo o modelo pode ser obtido integrando sob a direção normal n: ps(xr, ω) = iω ∫ ∫ S,n n · (∇τs +∇τr)Gr(x|xr, ω)rk(x, α)Gs(x|xs, ω)s(ω)dSdn, (2.18) onde n é a variável de integração ao longo da direção normal a interface. A partir da Figura 2.3, temos que para o meio isotrópico: ∇τs +∇τr = 2 cosαn v(x) , (2.19) onde α é o ângulo de re�exão e v(x) é a velocidade de propagação na posição x. Substituindo-se a equação (2.19) na equação (2.18) ps(xr, ω) = iω ∫ ∫ S,n 2 cosα v(x) Gr(x|xr, ω)rk(x, α)Gs(x|xs, ω)s(ω)dSdn, (2.20) Transformando a integral da equação (2.20) sob n e S para x: ps(xr, ω) = iω ∫ 2 cosα v(x) Gr(x|xr, ω)rk(x, α)Gs(x|xs, ω)s(ω)dx, (2.21) 11 Se a imagem da re�etividade empilhada (ângulo independente) for para ser recuperada, então a equação (2.21) pode ser simpli�cada como: ps(xr, ω) = iω ∫ Gr(x|xr, ω)Ir(x)Gs(x|xs, ω)s(ω)dx, (2.22) onde Ir(x) é a imagem da re�etividade empilhada. De acordo com o teorema da recipro- cidade, a equação (2.22) pode ser reescrita como ps(xr, ω) = iω ∫ Gr(xr|x, ω)Ir(x)Gs(x|xs, ω)s(ω)dx, (2.23) A equação (2.23) pode ser entendida como solução de um sistema de equações no domínio do tempo: 1 v02(x) ∂2p0(x, t) ∂t2 −∇2p0(x, t) = ∂s(t) ∂t , (2.24) 1 v02(x) ∂2ps(x, t) ∂t2 −∇2ps(x, t) = Ir(x)p0(x, t). (2.25) O sistema de Equações (2.24) e (2.25) são muito parecidos com o sistema deduzido na seção anterior para o cálculo do dado Born, a diferença está na injeção da fonte do campo de onda no modelo de referência e no escalonamento da injeção da fonte do campo re�etido. Devido a isto, é possível implementar as duas abordagens com o mesmo modelador, fazendo poucas modi�cações de uma abordagem para a outra. 2.3 MÉTODO DOS ESTADOSADJUNTOS O LSRTM consiste na solução do problem de quadrados mínimos linearizado argmin m ∥∥Lm− dobs∥∥2 2 (2.26) onde dobs é o dado sísmico de re�exão observado. Neste trabalho esse problema inverso é resolvido através de iterações de gradiente conjugado (GC). Portanto, para implementar essa solução nós precisamos do gradiente da função objetivo (2.26), que corresponde a um operador migração aplicado à diferença entre os dados observados e calculados (Tarantola, 1984; Claerbout, 1992). Nesta seção nós deduzimos uma expressão para esse gradiente por meio do método dos estados adjuntos (Plessix, 2006). Em muitos problemas de inversão em Geofísica estamos interessados em minimizar o erro entre os dados observados e o dado calculado a partir de um modelo do problema es- tudado. No caso da migração por quadrados mínimos estamos interessados em minimizar o resíduo entre os dados observados e modelados para um conjunto de fontes e receptores, 12 então a função objetivo que tentamos otimizar tem a forma: J (ps;m) = 1 2 ∑ s ∑ t ∑ r [ pobs (t,xr;xs)− ps (t,xr;xs|m(x)) ]2 , (2.27) onde pobs é o dado de re�exão observado e ps o dado calculado (Born) que obedece a equação 2.8. O objetivo é minimizar J vinculado à equação de evolução do campo Born 2.8: 1 co(x)2 ∂2ps (x, t;xs) ∂t2 −∇2ps (x, t;xs) = m(x) c2o(x) ∂2po (x, t;xs) ∂t2 . (2.28) Determinar um extremo de J sujeito à equação de evolução acima pode ser entendido como uma extensão do método dos multiplicadores de Lagrange (Chavent, 2010) para determinar o extremo de uma função sujeita à restrições. Em cada instante de tempo e em cada posição do domínio no qual ocorre a propagação as equações de evolução devem ser satisfeitas, os multiplicadores de Lagrange devem ser especi�cados para cada instante e coordenada (t,x); ou seja, os multiplicadores de Lagrange passam a ser campos adjuntos de�nidos em todo o domínio de propagação durante todo o intervalo de tempo de modelagem, portanto é um campo associado (adjunto) à equação de evolução 2.28. Analogamente à minimização de uma função, especi�camos um funcional estendido, a Lagrangeana, formado pela adição de J ao vínculo de�nido pela equação de evolução ponderada pelo campo adjunto, especi�camente: L (ps,Λ|m) = 1 2 ∑ s ∑ t ∑ r [ pobs (t,xr;xs)− ps (t,xr;xs|m) ]2 + ∑ s ∫ Ω(x) dΩ ∫ T 0 dtΛ (t,x;xs) [ 1 co(x)2 ∂2ps (x, t;xs) ∂t2 −∇2ps (x, t;xs)− m(x) c2o(x) ∂2po (x, t;xs) ∂t2 ] , (2.29) na qual Ω representa o domínio de propagação, o intervalo de registro dos campos é de 0 a T ; e Λ é o estado adjunto ao campo de pressão. Para determinar o gradiente de J em relação a perturbações na propriedade física, neste caso a re�etividade m(x), avaliamos variação de primeira ordem do funcional da equação (2.29) em relação a uma con�guração estacionária do campo de onda. Conside- rando uma perturbação na re�etividade, avaliamos o efeito de primeira ordem no funcional em torno de uma con�guração de extrema dos campos de onda, ou seja, con�gurações que satisfazem as equações de campo (2.28). Para avaliar a variação do funcional consideramos 13 as con�gurações de campo e perturbações do parâmetro físico: p′s(t,x) = ps(t,x) + δps(t,x), m′(x) = m(x) + δm(x). (2.30) Adicionalmente pressupomos que estas variações sejam nulas na fronteira do domínio e que os campos de onda satisfação as mesmas soluções iniciais. Substituindo as expressões acima na Lagrageana (2.29) e retendo apenas os termos de primeira ordem obtem-se: δL = ∑ s ∫ Ω dΩ(x) { − ∑ r δ (x− xr) [∫ T 0 dt [ pobs(t,x)− ps(t,x) ] δps(t,x) } + ∑ s ∫ Ω(x) dΩ ∫ T 0 dtΛ (t,x;xs) [ 1 co(x)2 ∂2δps (x, t;xs) ∂t2 −∇2δps (x, t;xs)− δm(x) c2o(x) ∂2po (x, t;xs) ∂t2 ] . (2.31) Considerando-se as parcelas de δL ponderadas por Λ(t,x), ∑ s ∫ Ω(x) dΩ(x) ∫ T 0 dtΛ(t,x;xs) [ 1 c20(x) ∂2δps ∂t2 −∇2δps − δm(x) c2o(x) ∂2po ∂t2 ] . (2.32) Integrando por partes a parcela que envolve a segunda derivada em relação ao tempo das variações no campo de onda ps:∫ T 0 dtΛ(t,x) ∂2δps ∂t2 = Λ(t,x) ∂δps ∂t ∣∣∣∣T 0 − ∫ T 0 dt ∂Λ ∂t ∂δps ∂t . (2.33) Considerando a condição �nal Λ(T,x) = 0, temos:∫ T 0 dtΛ(t,x) ∂2δps ∂t2 = − ∫ T 0 dt ∂Λ ∂t ∂δps ∂t . (2.34) Integrando por partes novamente o lado direito da equação acima: − ∫ T 0 dt ∂Λ ∂t δps ∂t = ∂Λ ∂t δps ∣∣∣∣T 0 + ∫ T 0 dt ∂2Λ(t,x) ∂2t δps. (2.35) E tendo como condições �nais ∂Λ(T,x) ∂t = 0 e Λ(T,x) = 0, temos:∫ T 0 dtΛ(t,x) ∂2δps ∂t2 = ∫ T 0 dtδps ∂2Λ(t,x) ∂2t . (2.36) Analisando agora a parte que envolve o laplaciano das variações do campo de onda ps na equação (2.32), vemos que podemos utilizar a regra da cadeia para reescrever esse 14 termo como: ∫ Ω(x) dΩΛ(t,x)∇2δps = ∫ Ω(x) dΩ [ ∇ · (Λ∇δps)−∇Λ · ∇ps ] . (2.37) Aplicando-se o Teorema de Gauss no lado direito da equação acima, obtemos:∫ Ω(x) dΩΛ(t,x)∇2δps = ∫ ∂Ω Λ∇δps · n̂ dS − ∫ Ω dΩ∇Λ .∇δps. (2.38) Considerando-se condições de fronteira nulas para Λ(t,x), temos:∫ Ω(x) dΩΛ(t,x)∇2δps = − ∫ Ω(x) dΩ∇Λ · ∇δps. (2.39) Utilizando novamente a regra da cadeia podemos reescrever o lado direito da equação acima como: − ∫ Ω(x) dΩ∇Λ · ∇δps = − ∫ Ω(x) dΩ [ ∇ · (∇Λ δps)−∇2Λ(t,x)δps ] . (2.40) Pelo Teorema de Gauss, temos: − ∫ Ω(x) dΩ∇Λ · ∇δps = − ∫ ∂Ω dS δps ∇Λ · n̂ + ∫ Ω(x) dΩδps∇2Λ(t,x). (2.41) Considerando-se as condições de fronteira ∇Λ.n̂ = 0, temos: − ∫ Ω(x) dΩ∇Λ · ∇δps = ∫ Ω(x) dΩδps∇2Λ(t,x). (2.42) Logo, para as condições de fronteira Λ(t,x) = 0 e ∇Λ · n̂ = 0, temos que:∫ Ω(x) dΩΛ(t,x)∇2δps = ∫ Ω(x) dΩδps∇2Λ(t,x). (2.43) Substituindo os resultados de (2.36) e (2.43) na equação de variação de primeira ordem da Lagrangeana (2.31), podemos obter a expressão para a variação da função objetivo em decorrência de variações no modelo m em qualquer região do domínio Ω: δL(ps,Λ|m) = ∑ s ∫ Ω(x) dΩ ∫ T 0 dtδps [ 1 c20(x) ∂2Λ(t,x) ∂t2 −∇2Λ(t,x) − ∑ r (pobs(t,x)− ps(t,x))δ(x− xr) ] − ∑ s ∫ Ω dΩ ∫ T 0 dtδm Λ(t,x) c20(x) ∂2p0(t,x) ∂t2 . (2.44) 15 Como o objetivo é determinar as variações do funcional devidas exclusivamente às variações da propriedade física, neste caso pertubações na impedância ou re�etividade representadas por m, a expressão acima não pode depender de δps. Consequentemente devemos exigir que os coe�cientes de δps se anulem, o que resulta na seguinte equação para o campo adjunto: 1 c20(x) ∂2Λ(t,x) ∂t2 −∇2Λ(t,x) = ∑ r ( pobs(t,x)− ps(t,x) ) δ(x− xr). (2.45) Sujeito às condições �nais: Λ(T,x;xs) ∣∣ Ω = 0 . (2.46) ∂Λ(T,x;xs) ∂t ∣∣ Ω = 0 . (2.47) e a condições de fronteira homogêneas em Λ e ∇Λ.n, de�nidas em consequência das condições de fronteira do problema de modelagem e recobrindo toda a fronteira do domínio de propagação, ∂Ω. Portanto, o estado adjunto é solução da equação acústica escalar em que os termos fontes correspondem aos resíduos entre o campo observado e o campo modelado. Determinando o estado adjunto Λ, a variação da Lagrangeana pode ser imediatamente obtida, δL(ps,Λ|m) = − ∑ s ∫ Ω dΩ ∫ T 0 dtδm Λ(t,x) c20(x) ∂2p0(t,x) ∂t2 . (2.48) Devido a forma como foi de�nida a Lagrangeana (2.29), a variação de L devido a pertubações no modelo m equivale a variação da função objetivo J : δJ = δL = − ∑ s ∫ Ω dΩ ∫ T 0 dtδm Λ(t,x) c20(x) ∂2p0(t,x) ∂t2 . (2.49) Do cálculo, temos que a variação em J devido a pertubações e m(x) é: δJ = ∇mJ · δm(x) . (2.50) Comparando a equação (2.49) com a (2.50) e reconhecendo a integral no domínio Ω como um produto escalar, temos que: ∇mJ = − ∑ s ∫ T 0 dtΛ(t,x) 1 c20(x) ∂2p0(t,x) ∂t2 . (2.51) onde ∇mJ é o gradiente da função objetivo na direção da pertubação do modelo m(x). Analisando-se a equação (2.51) percebe-se que à parte de uma multiplicação pela ve- 16 locidade do meio de fundo e de uma derivada parcial temporal de segunda ordem, o gradiente da função objetivo é similar a uma imagem migrada e sua fórmula é cinemati- camente similar ao princípio do imageamento (Claerbout, 1985). 2.4 PRECONDICIONANDOO SISTEMA LINEAR A convergência do método dos gradiente conjugados pode ser comprometida por um gradiente desbalanceado, marcas de aquisição e artefatos de baixo número de onda pre- sentes no gradiente da função objetivo. Além disso, como apontado por Claerbout (2014), métodos iterativos, como o das direções conjugadas, podem ser muitas vezes acelerados por uma mudança de variáveis, onde a mudança de variável mais simples é chamada de solução teste. Então, com objetivo de reduzir os artefatos provenientes de marcas da aquisição e de acelerar a convergência do método do gradiente conjugado, nós precondici- onamos o problema linear com uma mudança de variáveis. Formalmente, nós escrevemos a solução como: m = Pa, (2.52) onde m é a solução que procuramos, as colunas da matriz P são formatos que preferimos e os coe�cientes em a são coe�cientes desconhecidos para selecionar as quantidades dos formatos prediletos. As variáveis a são comumente chamadas de variáveis precondiciona- das. Idealmente, o operador P deve ser projetado para �ltrar artefatos de baixo número de onda, acelerar a taxa de convergência das iterações do GC e melhorar a qualidade do modelo invertido. Para �ltrar artefatos de baixo número de onda o operador P não pode ser positivo de�nido e para garantir a convergência do GC nós precisamos adicionar um termo de regularização para a, resultando no seguinte sistema linear regularizado:( LP µI ) a = ( dobs 0 ) , (2.53) onde µ é o parâmetro de regularização, tal parâmetro é utilizado para tornar a solução do sistema linear mais estável; e I é a matriz identidade. O apêndice A� apresenta a dedução do algoritmo utilizado na solução desse problema. Nós investigamos o efeito de dois tipos de precondicionadores para o LSRTM. O pri- meiro precondicionador é um operador Laplaciano 2D, o qual possui a propriedade de �ltrar as componentes de baixo número de onda (Guitton et al., 2006). Neste caso, a equação (2.52) assume a forma: m = [ ∇2 ] a . (2.54) Nós propomos a segundo precondicionador que foi inspirado pelo inverso assintótico do operador da modelagem Born derivado por Op't Root et al. (2012). Este operador 17 além de aplicar um operador Laplaciano também compensa pela iluminação da fonte. Neste caso P assume a forma: m = [ c2(x)∇2 I(x) ] a , (2.55) onde I é a iluminação do campo de onda da fonte (Kaelin and Guitton, 2006). Este precondicionador quando aplicado ao gradiente da função objetivo (equação (2.51)) difere da condição de imagem deduzida por Op't Root et al. (2012) por esta última ter como fonte do problema adjunto a integral do campo observado nos receptores, mas ambas fórmulas multiplicam pelo quadrado da velocidade e dividem pela iluminação do campo da fonte. 3 METODOLOGIA 3.1 IMPLEMENTAÇÃO DO LSRTM Para a realização do LSRTM é necessária a implementação de duas operações: migra- ção (cálculo do gradiente da função objetivo) e modelagem direta (cálculo do dado). Em ambas operações o modelo de velocidade do meio de fundo (�gura 3.4b) é utilizado, e tal modelo é uma das entradas do LSRTM e equivale ao termo c0(x) da equação 2.5. Esse modelo se mantém constante ao longo das iterações do LSRTM e a solução do sistema linear é o modelo de pertubação δc(x). Para a realização da modelagem direta e adjunta a equação da onda acústica (equação 2.4) foi discretizada no tempo com diferenças �nitas com um precisão de segunda ordem, e o laplaciano foi avaliado utilizando também o método de diferenças �nitas com uma precisão de sexta ordem. A condição de borda utilizada para a atenuação do campo nas extremidades do domínio foi a C-PML (Pasalic and McGarry, 2010), que devido a sua e�ciência permite a utilização de uma borda com poucos pontos, facilitando, desta forma, uma economia de memória. Como demonstrado no capítulo anterior, a diferença de implementação da modelagem direta utilizando a aproximação de Born e Kirchho� está apenas na fonte. Para facili- tar o desenvolvimento e manutenção do código nós o construímos com uma abordagem inspirada no paradigma de programação orientada a objeto. Os serviços necessários - como injeção da fonte, avaliação da condição de imagem, avanço no tempo, algoritmo de otimização - foram programados da forma mais independente possível, o que possibilitou a reutilização de muitas subrotinas e uma melhor organização. As modelagens direta e adjunta apresentam uma independência com relação aos ti- ros, isto é, os dados gerados devido a uma fonte na posição xs = x0 não têm nenhuma relação com os dados com uma segunda fonte na posição xs = x0 + dx. Isto nos permitiu utilizar as subrotinas de MPI (Message Pass Interface) para realizar a modelagem dos tiros em paralelo, diminuindo, desta forma, o tempo total de modelagem de acordo com a quantidade de núcleos disponíveis. Com todos os serviços acimas mencionados implementados de forma independente, o último passo para a realização do LSRTM foi a escolha do método de otimização para a resolução do sistema linear. Para este trabalho nós escolhemos o gradiente conjugado precondicionado e regularizado, cuja dedução encontra-se no Apêndice A�. Todos os códigos deste trabalho foram implementados em FORTRAN 2003 e paraleli- zados utilizando MPI 3.0, com exceção dos plots dos resultados que foram feitos utilizando a biblioteca Matplotlib do Python (Hunter, 2007). 18 19 3.2 APROXIMAÇÃO BORN X APROXIMAÇÃO KIRCHHOFF: COMPARAÇÃO EM UM MODELO DE CAMADAS HORIZONTAIS Como vimos nas seções anteriores, duas aproximações podem ser utilizadas para a modelagem direta do dado para o LSRTM: aproximação de Born ou aproximação de Kirchho�. Elas possuem signi�cados físicos diferentes. A aproximação de Born é baseada em pertubações na impedância, enquanto que a aproximação de Kirchho� é deduzida usando a re�etividade (Yao et al., 2018). 0 200 400 600 800 1000 Distancia (m) 0 200 400 600 800 1000 Pr of un di da de (m ) (a) 0 200 400 600 800 1000 Distancia (m) 0 200 400 600 800 1000 Pr of un di da de (m ) (b) 0 200 400 600 800 1000 Distancia (m) 0 200 400 600 800 1000 Pr of un di da de (m ) (c) 0 200 400 600 800 1000 Distancia (m) 0 200 400 600 800 1000 Pr of un di da de (m ) (d) Figura 3.1: (a) Modelo de re�etividade verdadeiro. (b) Imagem do LSRTM com aproxi- mação Born depois de 20 iterações. (c) Imagem do LSRTM com aproximação Kirchho� depois de 20 iterações. (d) Primeira derivada na direção z da imagem do LSRTM com aproximação de Born. 20 Para compararmos o efeito da in�uência da utilização da aproximação de Kirchho� ou de Born no resultado �nal do LSRTM, realizamos um experimento em um modelo simples de três camadas, onde a segunda camada possui uma velocidade v = 2200m/s, e a primeira e terceira camadas possuem uma velocidade v = 2000m/s. O modelo possui um grid de 200x200 com dz = dx = 5m, e 9 tiros foram distribuídos igualmente na superfície a partir de x = 50m até x = 950m. O dado foi gerado utilizando-se uma wavelet Ricker de 30 Hz. A velocidade de migração é uma versão suavizada do modelo de velocidade verdadeiro. As Figuras 3.1b e 3.1c mostram o resultados do LSRTM depois de 20 iterações utilizando-se a aproximação Born e a aproximação Kirchho�, respectivamente. Neste ex- perimento utilizamos a iluminação da fonte para precondicionar o problema linear (Kaelin and Guitton, 2006). Comparando-se os resultados obtidos, percebe-se que a aproxima- ção de Kirchho� produz uma imagem simétrica (fase zero) do re�etor, enquanto que a aproximação de Born produz uma imagem anti-simétrica do re�etor. Isso implica que a posição do re�etor é indicado pelo pico na imagem da aproximação de Kirchho� (seta na Figura3.1c), enquanto que, utilizando a aproximação de Born, a posição do re�etor é indicada pela zona de transição do zero na imagem (seta na Figura 3.1b). Se a primeira derivada ao longo da direção z é aplicada na imagem do LSRTM com aproximação Born (Figura 3.1b),o resultado (Figura 3.1d) é muito similar a imagem do LSRTM com aproximação de Kirchho�. Yao et al. (2018) provou que isso é devido ao fato da imagem da aproximação de Kirchho� ser a primeira derivada da imagem da aproximação Born sob a pressuposição de independência angular. Entretanto, essa simples conversão, que implica na derivada ao longo da profundidade, só é válida para um modelo de camadas horizontais. 3.3 MODELO MARMOUSI O dado de entrada é de uma porção do modelo Marmousi2 (Martin et al., 2002) e foi avaliado com um modelador diferente do implementado nas modelagens diretas e adjuntas do LSRTM. Nós procuramos evitar, desta forma, o que alguns autores, como Schuster (2017), de�nem como o crime da inversão: a utilização do mesmo modelador para produzir o dado observado e o dado calculado. O período de gravação do dado foi de 3.5 s com uma amostragem de 0.004 s. A �gura 3.2 mostra as quatro primeiras seções de tiro-comum do dado sintético, com a aplicação de um silenciamento para a retirada da onda direta, então é esperado que alguns eventos, como múltiplas, gerem artefatos que não serão explicados pelo dado calculado, uma vez que o operador direto é um operador linear que prediz apenas re�exões primárias. O modelo de velocidade original foi modi�cado para uma tamanho de 9 km x 3.5 km com um intervalo de grid de 10m (�gura 3.4a). Nos experimentos 240 tiros foram igual- 21 Figura 3.2: 4 primeiros shotgathers do dado observado para o modelo Marmousi2. (a) (b) Figura 3.3: (a) Wavelet broadband utilizada nas modelagens com banda de frequência em Hz: [2.0, 10.0, 22.0, 30.0]. (b) Espectro de amplitudes da wavelet. mente distribuídos na superfície, a posição da primeira e última fonte são, respectivamente, 3000m e 8975m, com uma distância entre cada tiro de 25m. Para cada família de tiro comum, o o�set mínimo é 200m e o máximo 2575m, com 96 receptores igualmente dis- postos com um espaçamento de 25m entre si. A �gura 3.3 mostra a wavelet utilizada na modelagem e o seu respectivo espectro. A injeção da fonte pontual e os registros dos receptores pontuais foram implementados usando uma função de banda limitada que fornece medidas acuradas em posições arbitrárias do grid (Hicks, 2002). 22 (a) (b) (c) Figura 3.4: (a) Modelo de velocidade verdadeiro do Marmousi2. (b) Modelo de velocidade suavizado do Marmousi2. (c) Modelo de re�etividade do Marmousi2. 4 RESULTADOS 4.1 SEM PRECONDICIONADOR As Figuras 4.1 e 4.2 mostram o resultado do LSRTM usando, respectivamente, a apro- ximação de Born e a aproximação de Kirchho�, ambas sem precondicionador. É possível notar a presença de artefatos de baixo número de onda, e também que a aproximação de Kirchho� se mostra mais sensível a esse tipo de ruído. É possível também perceber que a presença saturada de artefato de baixo número de onda prejudica o melhoramento da imagem pelo LSRTM, pois a maior parte da melhora da imagem é na redução do mesmo como pode ser observado nas regiões em destaque nas �guras 4.1b e 4.2b. Como visto no capítulo anterior, quando o modelo de camadas horizontais foi ana- lisado, é possível notar uma diferença de fase nas imagens dependendo da aproximação utilizada para o operador direto. Tal diferença é mais perceptível comparando o resultado da primeira iteração (Figuras 4.1a e 4.2a), onde é possível veri�car que a aproximação de Kirchho� é mais suscetível a artefatos de baixo número de onda quando não utiliza-se um precondicionador. 4.2 PRECONDICIONADOR LAPLACIANO As �guras 4.3 e 4.4 mostram os resultados do LSRTM usando, respectivamente, a aproximação de Born e a aproximação de Kirchho� com o precondicionador Laplaciano. Comparando esses resultados com os da seção anterior é possível notar que o precondicio- nador Laplaciano é capaz de diminuir com sucesso os artefatos de baixo número de onda. Além disso, observando o fundo do mar nas �guras 4.3b e 4.4b, em torno do crossline = 6000m, é possível perceber a diferença de fase devido a utilização das duas diferentes aproximações lineares para o operador direto, para o caso da aproximação de Kirchho� (�gura 4.4b) o re�etor se localiza sob o valor máximo de re�etividade, enquanto que para a aproximação de Born (�gura 4.3b) o re�etor se localiza na zona de transição do valor da re�etividade. Apesar da melhora considerável devido apenas à utilização do precondicionador Lapla- ciano, como pode ser observado nas regiões em destaque nas �guras 4.3b e 4.4b, quando comparamos os resultados das �guras 4.3 e 4.4 com a re�etividade verdadeira do modelo Marmousi2 (�gura 3.4c) percebemos que as amplitudes relativas desses resultados não coincidem com do modelo verdadeiro. 23 24 (a) (b) Figura 4.1: Iterações do LSRTM utilizando a aproximação de Born sem precondicionador: (a) iteração 1, (b) iteração 25. 4.3 PRECONDICIONADOR ILUMINAÇÃO As �guras 4.5 e 4.6 mostram os resultados do LSRTM usando, respectivamente, a aproximação de Born e a aproximação de Kirchho� com o precondicionador iluminação. Como vimos na Equação 2.55 proposta para esse precondicionador, há a aplicação de um operador Laplaciano que é capaz de reduzir consideravelmente os artefatos de baixo número de onda resultantes da correlação cruzada utilizada da condição de imagem. En- quanto que a correção pela iluminação da fonte possibilita a recuperação de imagens com amplitudes relativas mais �éis ao modelo de re�etividade verdadeiro (�gura 3.4c), isto é melhor observado nas regiões mais rasas do modelo em torno do crossline = 3000m. 25 (a) (b) Figura 4.2: Iterações do LSRTM utilizando a aproximação de Kirchho� sem precondici- onador: (a) iteração 1, (b) iteração 25. Quando analisamos o efeito da aproximação linear utilizada no operador direto perce- bemos que devido a diferença de fase entre as duas aproximações os resultados apresentam um pequeno deslocamento vertical na localização dos re�etores, sendo que o operador que utiliza a aproximação de Kirchho� é capaz de entregar resultados com resoluções ligei- ramente melhores, devido ao fato de que com essa aproximação a localização do re�etor se dá no máximo valor da re�etividade (como descrito na seção 3.2). Além disso, com- parando a primeira iteração (�guras 4.5a e 4.6a) com a última iteração (�guras 4.5b e 4.6b) podemos observar o aumento da resolução das imagens com os re�etores mais bem de�nidos, como pode ser observado nas regiões em destaque nessas �guras. 26 (a) (b) Figura 4.3: Iterações do LSRTM utilizando a aproximação de Born com precondicionador Laplaciano: (a) iteração 1, (b) iteração 25. 4.4 ESPECTROS DE AMPLITUDE E COMPARAÇÃO DOS RESULTADOS Nesta seção analisaremos como a convergência do método de gradientes conjugados é in�uenciada pelos precondicionadores e pela aproximação linear utilizada (Born e Kir- chho�), compararemos os resultados �nais do LSRTM para todos os precondicionadores utilizados e analisaremos os espectros de amplitudes deste resultados para identi�carmos a banda de frequência recuperada. A �gura 4.7 mostra o resíduo da função objetivo que é um parâmetro comumente utili- zado para analisarmos a convergência do método de gradientes conjugados. Analisando-a percebe-se que o LSRTM utilizando a aproximação de Kirchho� sem precondicionador 27 (a) (b) Figura 4.4: Iterações do LSRTM utilizando a aproximação de Kirchho� com precondici- onador Laplaciano: (a) iteração 1, (b) iteração 25. foi o caso que apresentou a pior convergência, uma vez que o valor do resíduo diminui vagarosamente ao longo das iterações. Tal fato está relacionado à grande quantidade de ruídos de baixo número de onda presentes nos resultados desse experimento (�gura 4.2) resultantes da ausência de um precondicionador. É importante notar que há muito ruído de baixo número de onda para o caso da aproximação de Born sem precondicionador tam- bém, no entanto, para este caso o LSRTM consegue reduzir consideravelmente tal ruído, ajustando melhor o dado observado - o que é evidenciadopelo resíduo na �gura 4.7. O LSRTM com aproximação de Kirchho� e precondicionador Laplaciano foi o expe- rimento que apresentou a maior redução do resíduo (�gura 4.7). Entretanto, quando 28 (a) (b) Figura 4.5: Iterações do LSRTM utilizando a aproximação de Born com precondicionador iluminação: (a) iteração 1, (b) iteração 25. comparamos tal experimento com o resultado �nal do LSRTM utilizando a aproximação de Kirchho� com o precondicionador iluminação, �ca evidente que apenas a análise da evolução do resíduo não é um parâmetro ideal para de�nirmos uma con�guração ótima para o LSRTM. Pois este último experimento (�gura 4.8d) foi o que apresentou o melhor resultado para as amplitudes relativas dos re�etores ao longo de todo o modelo - fato evi- denciado quando comparamos os resultados da �gura 4.8 com a re�etividade verdadeira (�gura 4.8e) - e uma redução dos artefatos e das marcas de aquisição que resultaram numa imagem com maior resolução. Na �gura 4.8 está a síntese de todo este trabalho, uma vez que a mesma mostra o re- 29 (a) (b) Figura 4.6: Iterações do LSRTM utilizando a aproximação de Kirchho� com precondici- onador iluminação: (a) iteração 1, (b) iteração 25. sultado �nal do LSRTM depois de 25 iterações para os dois precondicionadores e as duas aproximações lineares estudadas. Nela é possível observar que ambas aproximações, Born e Kirchho�, entregam um melhor resultado quando utilizado o precondicionador ilumina- ção (�guras 4.8b e 4.8d), pois as amplitudes relativas, principalmente dos re�etores mais profundos, condizem mais com as amplitudes relativas do modelo de re�etividade verda- deiro. Quando analisamos os resultados com o precondicionador Laplaciano, no entanto, percebemos que a ausência de um termo para compensar pela iluminação nesse precon- dicionador faz com que os re�etores mais rasos apresentem amplitudes relativas muito mais elevadas do que a realidade. Logo, daí percebe-se a importância da compensação 30 Figura 4.7: Curvas de resíduo. pela iluminação da fonte para a obtenção de resultados mais próximos dos modelos reais e que, idealmente, possibilitem a análise de amplitudes para, assim, inferirmos informações sobre a composição das camadas. A comparação dos espectros de amplitude dos resultados �nais do LSRTM (�gura 4.9) com o espectro de amplitude do modelo de re�etividade verdadeira (�gura 4.9e) aponta para a hipótese de que a maior resolução obtida com a utilização do precondicionador iluminação é devido a sua maior capacidade de reduzir artefatos de baixo número de onda, uma vez que para a banda de frequência de 0− 25 rad/km os espectros de amplitude do LSRTM com esse precondicionador assemelham-se mais com o do modelo de re�etividade verdadeira. É possível notar que o LSRTM utilizando o precondicionador Laplaciano foi o que obteve a maior banda de frequência, o que geralmente implicaria em maior resolução; no entanto, o maior comprometimento das baixas frequências com artefatos resultou em uma perda de resolução. 31 (a) (b) (c) (d) (e) Figura 4.8: Resultados �nais do LSRTM depois de 25 iterações: (a) aproximação de Born e precondicionador Laplaciano, (b) aproximação de Born e precondicionador iluminação, (c) aproximação de Kirchho� e precondicionador Laplaciano, (d) aproximação de Kirchho� e precondicionador iluminação, (e) re�etividade verdadeira do modelo Marmousi2. 32 (a) (b) (c) (d) (e) Figura 4.9: Espectros de amplitude do: (a) LSRTM com aproximação de Born e pre- condicionador Laplaciano (b) LSRTM com aproximação de Born e precondicionador ilu- minação, (c) LSRTM com aproximação de Kirchho� e precondicionador Laplaciano, (d) LSRTM com aproximação de Kirchho� e precondicionador iluminação, (e) modelo de re�etividade verdadeiro do modelo Marmousi2. 5 CONCLUSÃO Neste trabalho analisamos o efeito do precondicionamento do LSRTM no domínio do dado com objetivo de propormos um precondicionador que entregasse idealmente imagens com amplitudes relativas mais próximas o possível do modelo verdadeiro. Para isso, comparamos os resultados de dois precondicionadores, Laplaciano e Iluminação, com os resultados do problema sem precondicionador. O precondicionador Laplaciano mostrou-se capaz de reduzir substancialmente os arte- fatos de baixo número de onda presentes no problema sem precondicionador. No entanto, as amplitudes relativas, principalmente dos re�etores mais rasos, não se assemelharam com as do modelo verdadeiro. Contudo, o precondicionador que propusemos, que leva em consideração a iluminação da fonte, apresentou os melhores resultados com imagens com amplitudes relativas mais próximas do modelo verdadeiro de re�etividade, e uma redução considerável dos artefatos e marcas de aquisição, resultando em uma imagem com maior resolução. Além disso, os espectros de amplitude dos resultados �nais do LSRTM evi- denciam que a melhor resolução entregue pelo precondicionador iluminação vêm de sua maior e�cácia em reduzir os artefatos de baixo número de onda. Outro objetivo deste trabalho foi analisar o efeito de duas das aproximações lineares que podem ser utilizadas na dedução do operador direto: aproximação de Born e Kir- chho�. Do ponto de vista da implementação, essa comparação foi facilitada por o código ser construído inspirado no paradigma de programação orientada a objeto, o que nos pos- sibilitou uma melhor separação dos serviços independentes comuns a ambas deduções da modelagem direta e dos diferentes precondicionadores estudados. A implementação do LSRTM utilizando a aproximação de Kirchho� sem precondici- onador mostrou-se mais suscetível a ruídos de baixo número de onda, o que resultou em toda melhora proporcionada pela migração por quadrados mínimos ser observada apenas na redução parcial desses artefatos, em vez da recuperação de uma imagem com amplitu- des relativas mais balanceadas e maior resolução. No entanto, esta mesma implementação com a aproximação de Kirchho� quando realizada com o precondicionador iluminação pro- duziu o melhor resultado, uma vez que o termo Laplaciano presente no precondicionador iluminação obteve êxito na retirada dos artefatos e o termo de compensão da iluminação resultou em amplitudes relativas mais próximas as do modelo de re�etividade verdadeiro. Além disso, é preciso enfatizar a diferença de fase nos resultados produzidos pelas duas formulações estudadas para o operador direto. A formulação utilizando a aproximação de Kirchho� produz imagens nas quais o valor máximo de re�etividade encontra-se na posição do re�etor, enquanto que nas imagens produzidas pela outra formulação a localização do re�etor encontra-se no valor nulo da amplitude (para re�etores horizontais). Esta é a provável razão para a melhor resolução da imagem produzida pelo LSRTM com a 33 34 aproximação de Kirchho�, uma vez que re�etores muito próximos podem se sobrepor mais facilmente quando utilizando a aproximação de Born dependendo da banda de frequência da wavelet da fonte. REFERÊNCIAS Baysal, E., D. D. Koslo�, and J. W. Sherwood, 1983, Reverse time migration: Geophysics, 48, 1514�1524. Bednar, J. B., 2005, A brief history of seismic migration: Geophysics, 70, 3MJ�20MJ. Cerveny, V., 2005, Seismic ray theory: Cambridge university press. Chavent, G., 2010, Nonlinear least squares for inverse problems: theoretical foundations and step-by-step guide for applications: Springer Science & Business Media. Chen, K., and M. D. Sacchi, 2017, Elastic least-squares reverse time migration via line- arized elastic full-waveform inversion with pseudo-hessian preconditioningelastic lsrtm: Geophysics, 82, S341�S358. Claerbout, J., 2014, Geophysical image estimation by example: Lulu. com. Claerbout, J. F., 1985, Imaging the earth's interior: Blackwell scienti�c publications Oxford. ���, 1992, Earth soundings analysis: Processing versus inversion: Blackwell Scienti�c Publications London. Claerbout, J. F., and S. M. Doherty, 1972, Downward continuation ofmoveout-corrected seismograms: Geophysics, 37, 741�768. Dafni, R., and W. W. Symes, 2018, Accelerated acoustic least-squares migration, in SEG Technical Program Expanded Abstracts 2018: Society of Exploration Geophysicists, 4291�4295. Dai, W., P. Fowler, and G. T. Schuster, 2012, Multi-source least-squares reverse time migration: Geophysical Prospecting, 60, 681�695. Dai, W., and G. T. Schuster, 2013, Plane-wave least-squares reverse-time migration: Ge- ophysics, 78, S165�S177. Etgen, J., S. H. Gray, and Y. Zhang, 2009, An overview of depth imaging in exploration geophysics: Geophysics, 74, WCA5�WCA17. Gray, S. H., J. Etgen, J. Dellinger, and D. Whitmore, 2001, Seismic migration problems and solutions: Geophysics, 66, 1622�1640. Guitton, A., B. Kaelin, and B. Biondi, 2006, Least-squares attenuation of reverse-time- migration artifacts: Geophysics, 72, S19�S23. Hicks, G. J., 2002, Arbitrary source and receiver positioning in �nite-di�erence schemes using kaiser windowed sinc functions: Geophysics, 67, 156�165. Hou, J., and W. W. Symes, 2015, An approximate inverse to the extended born modeling operatoran approximate inverse operator: Geophysics, 80, R331�R349. ���, 2016, Accelerating extended least-squares migration with weighted conjugate gra- dient iteration: Geophysics, 81, S165�S179. Huang, Y., R. Nammour, and W. Symes, 2016, Flexibly preconditioned extended least- squares migration in shot-record domain: Geophysics, 81, S299�S315. 35 36 Hunter, J. D., 2007, Matplotlib: A 2d graphics environment: Computing in Science & Engineering, 9, 90�95. Kaelin, B., and A. Guitton, 2006, Imaging condition for reverse time migration, in SEG Technical Program Expanded Abstracts 2006: Society of Exploration Geophysicists, 2594�2598. Liu, F., G. Zhang, S. A. Morton, and J. P. Leveille, 2011, An e�ective imaging condition for reverse-time migration using wave�eld decomposition: Geophysics, 76, S29�S39. Martin, G. S., K. J. Marfurt, and S. Larsen, 2002, Marmousi-2: An updated model for the investigation of avo in structurally complex areas, in SEG Technical Program Expanded Abstracts 2002: Society of Exploration Geophysicists, 1979�1982. McMechan, G. A., 1983, Migration by extrapolation of time-dependent boundary values: Geophysical prospecting, 31, 413�420. Nemeth, T., C. Wu, and G. T. Schuster, 1999, Least-squares migration of incomplete re�ection data: Geophysics, 64, 208�221. Op't Root, T. J., C. C. Stolk, and V. Maarten, 2012, Linearized inverse scattering based on seismic reverse time migration: Journal de mathématiques pures et appliquées, 98, 211�238. Pasalic, D., and R. McGarry, 2010, Convolutional perfectly matched layer for isotropic and anisotropic acoustic wave equations, in SEG Technical Program Expanded Abstracts 2010: Society of Exploration Geophysicists, 2925�2929. Plessix, R.-E., 2006, A review of the adjoint-state method for computing the gradient of a functional with geophysical applications: Geophysical Journal International, 167, 495�503. Rosa, A. L. R., 2010, Análise do sinal sísmico: SBGF-Sociedade Brasileira de Geofísica, Rio de Janeiro, Brasil. Schneider, W. A., 1978, Integral formulation for migration in two and three dimensions: Geophysics, 43, 49�76. Schuster, G. T., 2017, Seismic inversion: Society of Exploration Geophysicists. Stolt, R. H., 1978, Migration by fourier transform: Geophysics, 43, 23�48. Tarantola, A., 1984, Linearized inversion of seismic re�ection data: Geophysical prospec- ting, 32, 998�1015. Trad, D., 2020, Assumptions and goals for least squares migration: Geophysical Prospec- ting, 68, 802�814. Wang, X., 2017, Relative �delity processing of seismic data: Methods and applications: John Wiley & Sons. Whitmore, N. D., 1983, Iterative depth migration by backward time propagation, in SEG Technical Program Expanded Abstracts 1983: Society of Exploration Geophysicists, 382�385. Wu, J., and M. Bai, 2018, Incoherent dictionary learning for reducing crosstalk noise in 37 least-squares reverse time migration: Computers & Geosciences, 114, 11�21. Xu, L., and M. D. Sacchi, 2017, Preconditioned acoustic least-squares two-way wave- equation migration with exact adjoint operator: Geophysics, 83, S1�S13. Xu, S., Y. Zhang, and B. Tang, 2011, 3d angle gathers from reverse time migration: Geophysics, 76, S77�S92. Yao, G., N. V. da Silva, and D. Wu, 2018, Forward modelling formulas for least-squares reverse-time migration: Exploration Geophysics, 49, 506�518. Yilmaz, Ö., 2001, Seismic data analysis: Processing, inversion, and interpretation of seismic data: Society of exploration geophysicists. Zhang, Y., L. Duan, and Y. Xie, 2014, A stable and practical implementation of least- squares reverse time migration: Geophysics, 80, V23�V31. Zhdanov, M. S., 2015, Inverse theory and applications in geophysics: Elsevier. APÊNDICES A� GRADIENTE CONJUGADO PRECONDICIONADO E REGULARIZADO Nesta seção derivaremos o esquema de gradiente conjugado precondicionado e regula- rizado utilizado na solução da LSM. A equação 2.53 pode ser reescrita como:( LP µI )T ( LP µI ) a = ( LP µI )T ( dobs 0 ) , (A�1) De�nindo-se L̂ = LP, temos que:( L̂T L̂ + µ2IT I ) a = L̂Tdobs (A�2) O esquema de gradiente conjugado baseado na equação A�2 é apresentado no algoritmo a seguir: Algorithm 1 Gradiente conjugado regularizado e precondicionado a0 = 0; r0 = dobs g0 = L̂ T r0; p0 = g0 for n = 0, 1, 2... do qn = L̂pn αn = ∥∥gn∥∥2∥∥qn∥∥2+µ2∥∥pn∥∥2 an+1 = an + αnpn rn+1 = rn − αnqn gn+1 = L̂ T rn+1 if η‖rn+1‖2 < ‖r0‖2 then exit end if βn = ∥∥gn+1∥∥2∥∥gn∥∥2 pn+1 = gn+1 + βnpn end for m = Pa No algoritmo acima, gn é o n-ésimo vetor gradiente regularizado, pn é o n-ésimo vetor de direção conjugada, rn é o n-ésimo vetor de resíduo do dado (para a iteração zero é o dado em si), qn é o n-ésimo vetor do dado modelado, αn e βn são coe�cientes de peso, e η é um limite de acurácia pré-determinado. Este esquema cálcula implicitamente as operações matriz-vetor, ou seja, as matrizes nunca são formadas explicitamente; em vez disso, elas são substituídas por subrotinas de modelagem adjunta e direta que têm como saída apenas o vetor resultande (Nemeth et al., 1999). 39 40 Como discutido na seção 2.4, o precondicionador é introduzido no esquema de gra- diente conjugado através de uma mudança de variáveis. Isso quer dizer que para cada iteração há um pouco mais de trabalho: em vez dos operadores L e LT , nós aplicamos, res- pectivamente, LP e PTLT . Nosso objetivo é que uma escolha adequada de preconcionador diminua o número de iterações necessárias para a convergência do esquema de gradiente conjugado (Claerbout, 2014). Felizmente, o custo computacional extra da aplicação do precondicionador P não é muito quando comparado com o de L.
Compartilhar