Baixe o app para aproveitar ainda mais
Prévia do material em texto
DISSERTAÇÃO DE MESTRADO Inversão de Velocidades Intervalares: Aplicação em Modelo Sísmico da Área do Pré-sal THAÍS GOMES SANTANA SALVADOR � BAHIA DEZEMBRO � 2013 Documento preparado com o sistema L A T E X. Documento elaborado com os recursos gráficos e de informática do CPGG/UFBA Inversão de Velocidades Intervalares: Aplicação em Modelo Sísmico da Área do Pré-sal por Thaís Gomes Santana Geofísica (Universidade Federal da Bahia � 2009) Orientador: Prof. Dr. Amin Bassrei DISSERTAÇÃO DE MESTRADO Submetida em satisfação parcial dos requisitos ao grau de MESTRE EM CIÊNCIAS EM GEOFÍSICA ao Conselho Acadêmico de Ensino da Universidade Federal da Bahia Comissão Examinadora Dr. Amin Bassrei - Orientador Dr. Eduardo Telmo Fonseca Santos Dr. Wilson Mouzer Figueiró Aprovada em 18 de dezembro de 2013 A presente pesquisa foi desenvolvida no Centro de Pesquisa em Geofísica e Geologia da UFBA, com recursos da ANP, CAPES, CNPq, FINEP e PETROBRAS. S232 Santana, Thaís Gomes, Inversão de Velocidades Intervalares: Aplicação em Modelo Sísmico da Área do Pré-sal / Thaís Gomes Santana. � Salvador, 2013. 131f.: il. Orientador: Prof. Dr. Amin Bassrei Dissertação (Mestrado em Geofísica) - Universidade Federal da Bahia, Instituto de Geociências, 2013. 1. Geofísica 2. Sismologia. 3. Inversão (Geofísica). 4. Pré-sal. I. Bassrei, Amin. II. Universidade Federal da Bahia. Instituto de Geociências. III. Título. 550.3:550.834 Resumo Os métodos sísmicos utilizam a teoria de propagação de ondas elásticas no interior da Terra, com o objetivo de adquirir imagens da em subsuperfície, para fins de exploração de alvos comerciais. Tais métodos são os mais importantes para a indústria de petróleo, com des- taque para a sísmica de reflexão. A determinação de velocidades intervalares é o principal parâmetro buscado no processamento sísmico. Dentro de certas premissas um dado meio pode ser parametrizado em camadas plano-paralelas. No processamento sísmico utiliza-se a chamada fórmula de Dix, que utiliza como dados de entrada as velocidades RMS e os tempos de reflexão, e como saída oferece uma estimativa das velocidades intervalares. Nessa Dissertação a estimação de velocidades intervalares é considerada como um pro- blema inverso mal posto. Duas abordagens são consideradas: (i) a inversa generalizada cuja implementação numérica é efetuada pela decomposição por valores singulares (SVD), e (ii) o método da entropia relativa mínima (MRE). A primeira abordagem é classificada como determinística e a segunda como probabilística. Ambas as abordagens permitem a incorpo- ração de informação a priori, o que não é possível quando se utiliza a fórmula de Dix. A incorporação da informação a priori é mais crucial em problemas inversos subdeterminados, onde o número de incógnitas é superior ao número de equações. Foram feitas simulações em vários modelos sintéticos unidimensionais, embora o desta- que maior seja para um modelo sintético bidimensional inspirado numa seção da área do Pré-sal da Bacia de Santos. No caso a sessão bidimensional em decomposta em 1000 perfis unidimensionais, onde o meio é considerado tendo camadas plano-paralelas. Para cada perfil é realizada uma inversão, cuja entrada é formada por 50 ou 20 pares de velocidade RMS e tempo de reflexão e a saída é o vetor de velocidades intervalares estimadas com 1000 veloci- dades, sendo cada velocidade associada a uma camada. Depois, todos os 1000 resultados são compostos de forma a se ter uma sessão bidimensional, que se trata de um modelo geológico complexo que apresenta refletores curvos e camadas mergulhantes. Os resultados foram satisfatórios para o SVD e o MRE, sendo o MRE ligeiramente superior em algumas simulações. 3 Abstract Seismic methods use the theory of elastic waves propagation in the Earth interior, in order to acquire subsurface images with the purpose of exploration of commercial targets. Such methods are the most important to the oil industry, with emphasis on the seismic reflection method. The determination of interval velocities is the main parameter sought in seismic processing. Under certain assumptions a given medium can be parameterized in plane par- allel layers. In seismic processing is used the so called Dix formula, which uses as input the RMS velocities and reflection times, and provides as output an estimate of interval velocities. In this dissertation the estimation of interval velocities is considered as an ill-posed inverse problem. Two approaches are considered: (i) the generalized inverse whose numerical implementation is done by singular value decomposition (SVD), and (ii) the method of minimum relative entropy (MRE). The first approach is classified as deterministic and the second one as probabilistic. Both approaches allow the incorporation of a priori information, which is not possible when using the Dix formula. The incorporation of a priori information is more crucial in undetermined inverse problems, where the number of unknowns exceeds the number of equations. Simulations were performed on several synthetic one-dimensional models, although the most important is a two-dimensional synthetic model inspired by a meeting of the pre-salt section from Santos Basin. The two-dimensional section case is decomposed in 1000 one- dimensional profiles, where the one-dimensional medium is considered with plane parallel layers. For each profile an inversion is performed, whose input consists of 50 or 20 pairs of RMS velocity and reflection time and the output is the vector of 1000 estimated interval velocities, being each velocity associated with a layer. Then, all 1000 results are compounded order to have a two-dimensional section, which is a complex geological model which has curved reflectors and dipping layers. The results were satisfactory for the SVD and MRE, MRE being slightly superior in some simulations. 4 Índice Resumo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3 Abstract . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4 Índice . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5 Índice de Tabelas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8 Índice de Figuras . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9 Introdução . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15 1 Revisão de Problemas Inversos . . . . . . . . . . . . . . . . . . . . . . . . 17 1.1 Sistemas Lineares . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17 1.2 Teoria da Inversão . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18 1.3 Decomposição em Valores Singulares . . . . . . . . . . . . . . . . . . . . . . 25 2 Revisão de Processamento Sísmico . . . . . . . . . . . . . . . . . . . . . . 27 2.1 Importação de dados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28 2.2 Geometria . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28 2.3 Edição . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28 2.4 Silenciamento . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29 2.5 Correção de Amplitude . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30 2.6 Filtragem . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30 2.7 Deconvolução . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31 2.8 Análise de Velocidades . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31 2.9 Correção NMO . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32 2.10 Empilhamento. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37 2.11 Migração . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37 5 Índice 6 3 Inversão de Velocidades Intervalares . . . . . . . . . . . . . . . . . . . . . 38 3.1 Fórmula de Dix . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38 3.2 Determinação de Velocidades Intervalares como um Problema Inverso . . . . 39 3.3 SVD com Informação a Priori . . . . . . . . . . . . . . . . . . . . . . . . . . 41 3.4 SVD com Adição de Ruído . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42 4 Entropia e Entropia Relativa Mínima . . . . . . . . . . . . . . . . . . . . 44 4.1 Introdução . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44 4.2 O Conceito da Entropia na Teoria da Informação . . . . . . . . . . . . . . . 46 4.3 O Princípio da Entropia Máxima . . . . . . . . . . . . . . . . . . . . . . . . 49 4.4 O Princípio da Entropia Relativa Mínima . . . . . . . . . . . . . . . . . . . 49 4.5 Aplicação da MRE em Problemas de Inversão . . . . . . . . . . . . . . . . . 50 4.6 Implementação da MRE . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55 5 Noções de Geologia na Área do Pré-sal . . . . . . . . . . . . . . . . . . . 59 5.1 Contexto Geológico . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59 5.2 Localização . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61 5.3 Pré-sal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 62 5.3.1 Características da Reserva . . . . . . . . . . . . . . . . . . . . . . . . 65 5.3.2 Desafios do Pré-sal . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65 6 Simulações Computacionais . . . . . . . . . . . . . . . . . . . . . . . . . . 69 6.1 Meios com camadas plano-paralelas . . . . . . . . . . . . . . . . . . . . . . . 71 6.1.1 Modelo A . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 71 6.1.2 Modelo B . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 73 6.1.3 Modelo C . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 75 6.1.3.1 Dados com Informação A Priori . . . . . . . . . . . . . . . 77 6.1.3.2 Dados com Ruído . . . . . . . . . . . . . . . . . . . . . . . . 79 6.1.3.3 Dados com Informação A Priori mais Ruído . . . . . . . . . 80 6.1.4 Modelo D . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 87 6.1.4.1 Dados com Informação A Priori . . . . . . . . . . . . . . . 88 6.1.4.2 Dados com Ruído . . . . . . . . . . . . . . . . . . . . . . . . 91 6.1.4.3 Dados com Informação A Priori mais Ruído . . . . . . . . . 92 7 Simulações Computacionais em Dados Sintéticos do Pré-Sal . . . . . . 100 7.1 Simulações Computacionais . . . . . . . . . . . . . . . . . . . . . . . . . . . 103 7.1.1 Sem a priori . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 103 7.1.1.1 Dados com Informação A Priori . . . . . . . . . . . . . . . 108 Índice 7 8 Conclusões . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 123 Agradecimentos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 126 9 Referências Bibliográficas . . . . . . . . . . . . . . . . . . . . . . . . . . . 127 Índice de Tabelas 6.1 Modelos de 100 camadas e erros associados. �v e �d correspondem ao erro dos modelo e dado utilizando SVD, respectivamente. . . . . . . . . . . . . . . . . 79 6.2 Modelos de 100 camadas e erros associados. �v e �d correspondem ao erro dos modelo e dado utilizando MRE, respectivamente. . . . . . . . . . . . . . . . 79 6.3 Modelos de 100 camadas e erros associados. �ruido, �v, �d e �d∗ correspondem ao erro dos ruído, modelo, dado ruidoso e dado observado, respectivamente, relacionado ao SVD. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 80 6.4 Modelos de 100 camadas e erros associados. �ruido, �v, �d e �d∗ correspondem ao erro dos ruído, modelo, dado ruidoso e dado observado, respectivamente, relacionado ao SVD. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 86 6.5 Modelos de 100 camadas e erros associados. �v e �d correspondem ao erro dos modelo e dado usando SVD, respectivamente. . . . . . . . . . . . . . . . . . 91 6.6 Modelos de 100 camadas e erros associados. �v e �d correspondem ao erro dos modelo e dado usando MRE, respectivamente. . . . . . . . . . . . . . . . . . 91 6.7 Modelos de 100 camadas e erros associados. �ruido, �v, �d e �d∗ correspondem ao erro dos ruído, modelo, dado ruidoso e dado observado, respectivamente, relacionado ao SVD. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 92 6.8 Modelos de 100 camadas e erros associados. �ruido, �v, �d e �d∗ correspondem ao erro dos ruído, modelo, dado ruidoso e dado observado, respectivamente, relacionado ao SVD. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 99 7.1 Velocidades intervalares verdadeiras do modelo sintético bidimensional. . . . 102 7.2 Modelos de 1000 camadas e erros associados. �v e �d correspondem ao erro dos modelo e dado usando SVD, respectivamente, para diferentes quantidades de velocidades RMS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 121 7.3 Modelos de 1000 camadas e erros associados. �v e �d correspondem ao erro dos modelo e dado usando MRE, respectivamente, para diferentes quantidades de velocidades RMS. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 122 8 Índice de Figuras 2.1 Formas de organização de traços sísmicos. . . . . . . . . . . . . . . . . . . . 28 2.2 Quatro tipos de representações do traço sísmico. Modificado de Silva (2004). 29 2.3 Os 4 tipos de corte de frequência utilizados em pacotes de processamento. Figura modificada de Silva (2004). . . . . . . . . . . . . . . . . . . . . . . . . 31 2.4 Relação entre as coordenadas xS, xG, xm, h e os diferentes agrupamentos. Cada ponto significa um traço sísmico. . . . . . . . . . . . . . . . . . . . . . 33 2.5 Modelo de uma única camada onde S é a fonte, G é o geofone, M é o ponto médio na superfície, X é a distância entre fonte e receptor na superfície e D é o ponto de reflexão na base da camada. . . . . . . . . . . . . . . . . . . . . . 34 2.6 Efeito de um único traço com um evento de reflexão à esquerda. . . . . . . . 34 3.1 Modelo de camadas plano-horizontais. Um mesmo ponto comum em profun- didade é associado a dois pares fonte-receptor. . . . . . . . . . . . . . . . . . 38 5.1 Formação dos continentes há 122 milhões de anos. Reconstrução Paleogeo- gráfica - Aptiano. Figura retirada do Instituto Brasileiro de Petróleo, Gás e Biocombustíveis (www.ibp.org.br). . . . . . . . . . . . . . . . . . . . . . . . 59 5.2 Seção geológica na Bacia de Santos. Figura retirada do Instituto Brasileiro de Petróleo, Gás e Biocombustíveis (www.ibp.org.br). . . . . . . . . . . . . . 60 5.3 Mapa das bacias brasileiras com camada de pré-sal. Figura extraída da Agên- cia Nacional de Petróleo, Gás Natural e Biocombustíveis (www.anp.gov.br). . 61 5.4 Modelo de acumulação. Figura modificada do Instituto Brasileiro de Petróleo, Gás e Biocombustíveis (www.ibp.org.br). . . . . . . . . . . . . . . . . . . . . 63 5.5 Seção Esquemática. Figura extraída da Agência Nacional de Petróleo, Gás Natural e Biocombustíveis (www.anp.org.br). . . . . . . . . . . . . . . . . . 64 6.1 Meio com 8 camadas plano-paralelas e 8 valores de velocidade RMS. . . . . . 71 6.2 Modelo A. Velocidades intervalares verdadeiras e velocidades RMS do modelo. 72 6.3 Modelo A. Velocidades intervalares verdadeiras e velocidades intervalares es- timadas pela fórmula de Dix e pelo método SVD. . . . . . . . . . . . . . . . 72 9 Índice de Figuras 10 6.4 Meio com 8 camadas plano-paralelas e 4 valores develocidade RMS. . . . . . 73 6.5 Modelo B. Velocidades intervalares verdadeiras e velocidades RMS do modelo. 74 6.6 Modelo B. Velocidades intervalares verdadeiras, e velocidades intervalares es- timadas pela fórmula de Dix e pelo método SVD. . . . . . . . . . . . . . . . 74 6.7 Meio com 100 camadas plano-paralelas com 100 velocidades intervalares ver- dadeiras com aumento linear constante e 10 valores de velocidade RMS. . . . 75 6.8 Modelo C. Velocidades intervalares verdadeiras e velocidades RMS do modelo. 76 6.9 Modelo C. Velocidades intervalares verdadeiras, via Dix e SVD, sem informa- ção a priori. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 76 6.10 Velocidades intervalares obtidas pela fórmula de Dix, SVD e MRE, com o a priori constante de 2000m/s. . . . . . . . . . . . . . . . . . . . . . . . . . . 77 6.11 Velocidades intervalares obtidas pela fórmula de Dix, SVD e MRE, com o a priori aumentando 10m/s de uma camada para outra. . . . . . . . . . . . . 77 6.12 Velocidades intervalares obtidas pela fórmula de Dix, SVD e MRE, com o a priori aumentando 25m/s de uma camada para outra. . . . . . . . . . . . . 78 6.13 Comparação das velocidades intervalares obtidas via SVD para os ruídos usa- dos com as velocidades intervalares verdadeiras. . . . . . . . . . . . . . . . . 79 6.14 Velocidades intervalares obtidas pela fórmula de Dix e pela SVD, considerando o a priori constante de 2000m/s e ruído de 0.001. . . . . . . . . . . . . . . . 80 6.15 Velocidades intervalares obtidas pela fórmula de Dix e pela SVD, considerando o a priori constante de 2000m/s e ruído de 0.005. . . . . . . . . . . . . . . . 81 6.16 Velocidades intervalares obtidas pela fórmula de Dix e pela SVD, considerando o a priori constante de 2000m/s e ruído de 0.01. . . . . . . . . . . . . . . . 81 6.17 Velocidades intervalares obtidas pela fórmula de Dix e pela SVD, considerando o a priori constante de 2000m/s e ruído de 0.05. . . . . . . . . . . . . . . . 82 6.18 Velocidades intervalares obtidas pela fórmula de Dix e pela SVD, considerando o a priori variando 10m/s e ruído de 0.001. . . . . . . . . . . . . . . . . . . 82 6.19 Velocidades intervalares obtidas pela fórmula de Dix e pela SVD, considerando o a priori variando 10m/s e ruído de 0.005. . . . . . . . . . . . . . . . . . . 83 6.20 Velocidades intervalares obtidas pela fórmula de Dix e pela SVD, considerando o a priori variando 10m/s e ruído de 0.01. . . . . . . . . . . . . . . . . . . . 83 6.21 Velocidades intervalares obtidas pela fórmula de Dix e pela SVD, considerando o a priori variando 10m/s e ruído de 0.05. . . . . . . . . . . . . . . . . . . . 84 6.22 Velocidades intervalares obtidas pela fórmula de Dix e pela SVD, considerando o a priori variando 25m/s e ruído de 0.001. . . . . . . . . . . . . . . . . . . 84 6.23 Velocidades intervalares obtidas pela fórmula de Dix e pela SVD, considerando o a priori variando 25m/s e ruído de 0.005. . . . . . . . . . . . . . . . . . . 85 Índice de Figuras 11 6.24 Velocidades intervalares obtidas pela fórmula de Dix e pela SVD, considerando o a priori variando 25m/s e ruído de 0.01. . . . . . . . . . . . . . . . . . . . 85 6.25 Velocidades intervalares obtidas pela fórmula de Dix e pela SVD, considerando o a priori variando 25m/s e ruído de 0.05. . . . . . . . . . . . . . . . . . . . 86 6.26 Meio com 100 camadas plano-paralelas com 100 velocidades intervalares ver- dadeiras aleatórias e 10 valores de velocidade RMS. . . . . . . . . . . . . . . 87 6.27 Modelo D. Velocidades intervalares verdadeiras e velocidades RMS do modelo. 87 6.28 Modelo D. Velocidades intervalares verdadeiras, via Dix e SVD, sem informa- ção a priori. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 88 6.29 Velocidades intervalares obtidas pela fórmula de Dix, SVD e MRE, com o a priori constante de 2000m/s. . . . . . . . . . . . . . . . . . . . . . . . . . . 89 6.30 Velocidades intervalares obtidas pela fórmula de Dix, SVD e MRE, com o a priori aumentando 10m/s de uma camada a outra. . . . . . . . . . . . . . . 89 6.31 Velocidades intervalares obtidas pela fórmula de Dix, SVD e MRE, com o a priori aumentando 25m/s de uma camada a outra. . . . . . . . . . . . . . . 90 6.32 Comparação das velocidades intervalares obtidas via SVD para os ruídos usa- dos com as velocidades intervalares verdadeiras. . . . . . . . . . . . . . . . . 91 6.33 Velocidades intervalares obtidas pela fórmula de Dix e pela SVD, considerando o a priori constante de 2000m/s e ruído de 0.001. . . . . . . . . . . . . . . . 92 6.34 Velocidades intervalares obtidas pela fórmula de Dix e pela SVD, considerando o a priori constante de 2000m/s e ruído de 0.005. . . . . . . . . . . . . . . . 93 6.35 Velocidades intervalares obtidas pela fórmula de Dix e pela SVD, considerando o a priori constante de 2000m/s e ruído de 0.01. . . . . . . . . . . . . . . . 93 6.36 Velocidades intervalares obtidas pela fórmula de Dix e pela SVD, considerando o a priori constante de 2000m/s e ruído de 0.05. . . . . . . . . . . . . . . . 94 6.37 Velocidades intervalares obtidas pela fórmula de Dix e pela SVD, considerando o a priori variando 10m/s e ruído de 0.001. . . . . . . . . . . . . . . . . . . 94 6.38 Velocidades intervalares obtidas pela fórmula de Dix e pela SVD, considerando o a priori variando 10m/s e ruído de 0.005. . . . . . . . . . . . . . . . . . . 95 6.39 Velocidades intervalares obtidas pela fórmula de Dix e pela SVD, considerando o a priori variando 10m/s e ruído de 0.01. . . . . . . . . . . . . . . . . . . . 95 6.40 Velocidades intervalares obtidas pela fórmula de Dix e pela SVD, considerando o a priori variando 10m/s e ruído de 0.05. . . . . . . . . . . . . . . . . . . . 96 6.41 Velocidades intervalares obtidas pela fórmula de Dix e pela SVD, considerando o a priori variando 25m/s e ruído de 0.001. . . . . . . . . . . . . . . . . . . 96 6.42 Velocidades intervalares obtidas pela fórmula de Dix e pela SVD, considerando o a priori variando 25m/s e ruído de 0.005. . . . . . . . . . . . . . . . . . . 97 Índice de Figuras 12 6.43 Velocidades intervalares obtidas pela fórmula de Dix e pela SVD, considerando o a priori variando 25m/s e ruído de 0.01. . . . . . . . . . . . . . . . . . . . 97 6.44 Velocidades intervalares obtidas pela fórmula de Dix e pela SVD, considerando o a priori variando 25m/s e ruído de 0.05. . . . . . . . . . . . . . . . . . . . 98 7.1 Modelo bidimensional da área do Pré-sal. A escala de cores indica as veloci- dades intervalares verdadeiras em m/s. . . . . . . . . . . . . . . . . . . . . . 101 7.2 Campo de velocidades RMS considerando 50 velocidades RMS. . . . . . . . . 103 7.3 Campo de velocidades RMS considerando 20 velocidades RMS. . . . . . . . . 103 7.4 Campo de velocidades intervalares obtidos pela fórmula de Dix usando 50 velocidades RMS. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 104 7.5 Campo de velocidades intervalares obtidos pela fórmula de Dix usando 20 velocidades RMS. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 104 7.6 Campo de velocidades intervalares obtidos pelo SVD usando 50 velocidades RMS. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 105 7.7 Campo de velocidades intervalares obtidos pelo SVD usando 20 velocidades RMS. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 105 7.8 Campo do resíduo entre as velocidades intervalares verdadeiras e as obtidas pela fórmula de Dix usando 50 velocidades RMS. . . . . . . . . . . . . . . . 106 7.9 Campo do resíduo entre as velocidades intervalares verdadeiras e as obtidas pela fórmula de Dix usando 20 velocidades RMS. . . . . . . . . . . . . . . . 106 7.10 Campo do resíduo entre as velocidadesintervalares verdadeiras e as obtidas pelo SVD usando 50 velocidades RMS. . . . . . . . . . . . . . . . . . . . . . 107 7.11 Campo do resíduo entre as velocidades intervalares verdadeiras e as obtidas pelo SVD usando 20 velocidades RMS. . . . . . . . . . . . . . . . . . . . . . 107 7.12 Velocidades intervalares a priori constante de 2000m/s. . . . . . . . . . . . 108 7.13 Velocidades intervalares a priori aumentando 5m/s de uma camada a outra. 108 7.14 Velocidades intervalares a priori sendo a VRMS. . . . . . . . . . . . . . . . . 109 7.15 Velocidades intervalares obtidas por SVD com o a priori constante de 2000m/s e 50 velocidades RMS. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 109 7.16 Velocidades intervalares obtidas por SVD com o a priori constante de 2000m/s e 20 velocidades RMS. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 110 7.17 Velocidades intervalares obtidas por SVD com o a priori aumentando 5m/s de uma camada a outra e 50 velocidades RMS. . . . . . . . . . . . . . . . . . 110 7.18 Velocidades intervalares obtidas por SVD com o a priori aumentando 5m/s de uma camada a outra e 20 velocidades RMS. . . . . . . . . . . . . . . . . . 111 Índice de Figuras 13 7.19 Velocidades intervalares obtidas por SVD com o a priori sendo a VRMS e 50 velocidades RMS. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 111 7.20 Velocidades intervalares obtidas por SVD com o a priori sendo a VRMS e 20 velocidades RMS. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 112 7.21 Velocidades intervalares obtidas por MRE com o a priori constante de 2000m/s e 50 velocidades RMS. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 112 7.22 Velocidades intervalares obtidas por MRE com o a priori constante de 2000m/s e 20 velocidades RMS. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 113 7.23 Velocidades intervalares obtidas por MRE com o a priori aumentando 5m/s de uma camada a outra e 50 velocidades RMS. . . . . . . . . . . . . . . . . . 113 7.24 Velocidades intervalares obtidas por MRE com o a priori aumentando 5m/s de uma camada a outra e 20 velocidades RMS. . . . . . . . . . . . . . . . . . 114 7.25 Velocidades intervalares obtidas por MRE com o a priori sendo a VRMS e 50 velocidades RMS. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 114 7.26 Velocidades intervalares obtidas por MRE com o a priori sendo a VRMS e 20 velocidades RMS. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 115 7.27 Campo do resíduo entre as velocidades intervalares verdadeiras e as obtidas via SVD para o a priori constante de 2000m/s e 50 velocidades RMS. . . . 115 7.28 Campo do resíduo entre as velocidades intervalares verdadeiras e as obtidas via SVD para o a priori constante de 2000m/s e 20 velocidades RMS. . . . 116 7.29 Campo do resíduo entre as velocidades intervalares verdadeiras e as obtidas via SVD com o a priori aumentando 5m/s de uma camada a outra e 50 velocidades RMS. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 116 7.30 Campo do resíduo entre as velocidades intervalares verdadeiras e as obtidas via SVD com o a priori aumentando 5m/s de uma camada a outra e 20 velocidades RMS. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 117 7.31 Campo do resíduo entre as velocidades intervalares verdadeiras e as obtidas via SVD com o a priori sendo a VRMS e 50 velocidades RMS. . . . . . . . . 117 7.32 Campo do resíduo entre as velocidades intervalares verdadeiras e as obtidas via SVD com o a priori sendo a VRMS e 20 velocidades RMS. . . . . . . . . 118 7.33 Campo do resíduo entre as velocidades intervalares verdadeiras e as obtidas via MRE para o a priori constante de 2000m/s e 50 velocidades RMS. . . . 118 7.34 Campo do resíduo entre as velocidades intervalares verdadeiras e as obtidas via MRE para o a priori constante de 2000m/s e 20 velocidades RMS. . . . 119 7.35 Campo do resíduo entre as velocidades intervalares verdadeiras e as obtidas via MRE com o a priori aumentando 5m/s de uma camada a outra e 50 velocidades RMS. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 119 Índice de Figuras 14 7.36 Campo do resíduo entre as velocidades intervalares verdadeiras e as obtidas via MRE com o a priori aumentando 5m/s de uma camada a outra e 20 velocidades RMS. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 120 7.37 Campo do resíduo entre as velocidades intervalares verdadeiras e as obtidas via MRE com o a priori sendo a VRMS e 50 velocidades RMS. . . . . . . . 120 7.38 Campo do resíduo entre as velocidades intervalares verdadeiras e as obtidas via MRE com o a priori sendo a VRMS e 20 velocidades RMS. . . . . . . . 121 Introdução Os métodos sísmicos se baseiam na teoria de propagação de ondas acústicas e elásticas nos diferentes meios. A sísmica de reflexão é o método geofísico mais usado na indústria de petróleo devido ao seu poder de resolução. Nesta pesquisa foram utilizadas diferentes formas de obter o campo de velocidades inter- valares e suas respectivas aplicações na área do pré-sal. A velocidade intervalar é a velocidade de propagação do pulso sísmico em um dado meio ou camada geológica, e sua determinação interfere diretamente nas etapas posteriores do processamento sísmico, tais como: correção NMO, empilhamento e migração. Portanto, a estimativa precisa do campo de velocidades intervalares permite caracterizar o meio analisado, além de garantir resultados de maior confiabilidade quanto à qualidade da imagem obtida. Para modelos geológicos simples, ou seja, modelos de interfaces plano-horizontais, a utilização da fórmula de Dix é a forma convencional de determinar essas velocidades a partir das velocidades RMS dentro de um pacote de processamento. A definição da velocidade RMS está relacionada aos raios que incidem verticalmente com ângulo de 90 ◦ na interface de reflexão, ou seja, é um conceito ligado ao arranjo de afastamento nulo. Além disso, segundo alguns autores, pode se tratar também de uma abstração matemática e não tem significado físico real. Os modelos utilizados nesse trabalho serão mais complexos, assim como acontece com a maioria dos modelos geofísicos. Consequentemente, a fórmula de Dix não é adequada nes- sas situações, já que os mesmos apresentam refletores curvos e/ou camadas mergulhantes. Então, uma saída é tratar a obtenção do campo de velocidades intervalares como um pro- blema inverso a ser resolvido com a utilização da decomposição em valores singulares. Em trabalhos anteriores, essa abordagem tem-se mostrado viável e robusta a erros numéricos e possíveis flutuações no processo de obtenção do campo de velocidades intervalares a partir das velocidades RMS, apresentando algumas vantagens sobre o método convencional, tal como a incorporação de informação prévia no processo de inversão. A aplicação da formulação de problemas inversos, usando SVD (sem e com informação 15 Introdução 16 prévia) e Entropia Relativa Miníma, matematicamente falando, tem como objetivo obter operadores de inversão e matrizes de funções de transferência, em casos onde o problema é mal condicionado ou apresenta outras características que dificultem uma solução trivial. Essa técnica foi aplicada nos dados sintéticos unidimensionais, utilizando rotinas FORTRAN que foram desenvolvidas no CPGG/UFBA para determinar as velocidades intervalares do meio, para validar sua eficácia. Posteriormente, o mesmo foi feito com dados sintéticos bidimensionais simulando o pré-sal, baseados no artigo de (Assine et al., 2008). 1 Revisão de Problemas Inversos 1.1 Sistemas Lineares Podemos definir um sistema de equações lineares com M equações e N incógnitas comoum conjunto de equações do tipo: g11m1 + g12m2 + . . .+ g1NmN = d1, g21m1 + g22m2 + . . .+ g2NmN = d2, . . . gM1m1 + gM2m2 + . . .+ gMNmN = dM , (1.1) onde os gij são os coeficientes do sistema e o vetor m, cujos elementos m1,m2, ...,mN satis- fazem o sistema 1.1, é chamado de vetor solução do sistema linear. De uma forma compacta, o sistema de equações pode ser expresso como d = Gm. Esse sistema também pode ser representado na forma ampliada com a utilização da matriz ampliada: g11 g12 . . . g1N d1 g21 g22 . . . g2N d2 . . . . . . . . . . . . . . . gM1 gM2 . . . gMN dM . (1.2) Levando-se em consideração a matriz G e sua respectiva matriz ampliada G˜ para um sistema M ×N , onde N é o número de incógnitas do sistema, temos: • se posto(G) = posto(G˜) e posto(G) = N , o sistema é determinado e possui solução única, o vetor m; 17 Revisão de Problemas Inversos 18 • se posto(G) = posto(G˜) e posto(G) < N , o sistema é sobredeterminado e possui infinitas soluções; • se posto(G) < posto(G˜), o sistema é subdeterminado e não existe solução. 1.2 Teoria da Inversão O vetor de dado é expresso como, d = [d1, d2, d3, . . . , dM ] T , (1.3) enquanto que o vetor parâmetros de modelo como, m = [m1,m2,m3, . . . ,mN ] T . (1.4) Na modelagem direta, os dados são obtidos a partir dos parâmetros de modelo. Em outras palavras, determina-se os efeitos de um sistema, onde se conhecem as causas. A for- mulação clássica do problema linear direto em Geofísica, segundo Menke (1984) e Tarantola (1987), é expressa como: d = Gm. (1.5) Os vetores d e m tem dimensões M × 1 e N × 1, definidos anteriormente. A matriz GM×N relaciona o vetor dos dados observados com os parâmetros do modelo: g11 g12 . . . g1N g21 g22 . . . g2N . . . . . . . . . . . . gM1 gM2 . . . gMN . (1.6) Os problemas inversos podem ser formulados comumente por equações integrais, onde a função incógnita que descreve os parâmetros do modelo faz parte do integrando. A equação abaixo é um exemplo de equação integral utilizada na inversão de dados. d(x) = n(x) + ∫ G(x, y)m(y)dy, (1.7) onde, Revisão de Problemas Inversos 19 • d(x) é a função que representa os dados, conhecida no processo de inversão; • n(x) representa a função ruído; • G(x, y) é a função Kernel e depende de duas variáveis, também conhecida; • m(y) é a função que representa os parâmetros do modelo, função incógnita. Ela corresponde a equação linear de Fredholm de primeira espécie definida por: d(x) = ∫ b a G(x, y)m(y)dy, (1.8) que é advinda da equação: d(x) = ∫ b a G[x, y,m(y)]m(y)dy, (1.9) para o caso não linear. Na maior parte dos problemas geofísicos, o que se obtém é um vetor que contém as estimativas dos parâmetros do modelo, devido a ruídos ou ao caráter indireto dos métodos geofísicos de investigação. Neste caso, temos uma modelagem inversa, onde os parâmetros de subsuperfície são obtidos a partir de observações feitas em superfície. Dessa forma, d calc = g(mest), (1.10) onde d calc é o vetor dos dados calculados a partir dos parâmetros estimados m est e g é o operador não linear que faz o relacionamento entre dados e parâmetros. A matriz G no caso linear, é muitas vezes, uma aproximação do operador g. Supondo que a matriz G é conhecida, utilizando a sua matriz inversa e a equação (1.5), podemos chegar a formulação do problema inverso linear clássico, expresso por: m = G−1d. (1.11) A determinação do operador inverso G−1 fica condicionada ao formalismo da matriz G ser quadrada ou possuir posto completo. Esse tipo de condicionamento é muito restritivo em problemas reais, já que esses problemas geralmente apresentam operadores não quadrados, esparsos ou de posto incompleto. Essa deficiência torna necessário o estudo de técnicas e estratégias de resolução aplicadas a esses operadores, tais como os mínimos quadrados, os Revisão de Problemas Inversos 20 mínimos quadrados amortecidos e a decomposição em valores singulares (SVD). No último caso, determinamos os parâmetros do modelo m, utilizando a seguinte equação: m = G+d, (1.12) onde G+ é uma matriz N ×M chamada de inversa generalizada ou pseudo-inversa. Utilizando os mínimos quadrados, podemos encontrar uma estimativa dem que minimiza a função erro do problema, E(m): E(m) = e = ‖d−Gm‖2, (1.13) onde ‖.‖2 é a norma Euclideana Lp, para p=2. O próximo passo é minimizar o somatório dos quadrados dos resíduos que é dado pela função objetivo: φ(m) = eTe = (d−Gm)T (d−Gm), (1.14) φ(m) = (dT −mTGT )(d−Gm), (1.15) φ(m) = dTd− dTGm−mTGTd+mTGTGm. (1.16) Considerando que d TGm =mTGTd, temos: φ(m) = dTd− 2mTGTd+mTGTGm. (1.17) Minimizando a função objetivo: ∂φ(m) ∂mT = −2GTd+ 2GTGm. (1.18) Fazendo, ∂φ(m) ∂mT = 0, (1.19) Revisão de Problemas Inversos 21 podemos escrever o problema dos mínimos quadrados em termos da equação (1.12), partindo da solução dos mínimos quadrados: −2GTd+ 2GTGm = 0, (1.20) −2GTd = −2GTGm, (1.21) GTd = GTGm, (1.22) m = (GTG)−1GTd. (1.23) Obtemos as equações análogas, utilizando a pseudo-inversa. Uma das soluções é então expressa como: m = (GTG)+GTd. (1.24) Na equação (1.24), o método dos mínimos quadrados é aplicado a sistemas sobredeter- minados e com a distribuição de resíduos como uma função de densidade Gaussiana. Repetindo os mesmos passos pecorridos no caso dos mínimos quadrados convencional e considerando a função objetivo abaixo que combina a minimização do erro associado aos dados como no MMQ convencional a um termo relacionado ao amortecimento dos parâmetros do modelo: φ(m) = eTe+ α2L2 = e T e+ α2mTm, (1.25) φ(m) = (dT −mTGT )(d−Gm) + α2mTm, (1.26) φ(m) = dTd− dTGm−mTGTd+mTGTGm+ α2mTm. (1.27) Repetindo o processo de minimização da função objetivo, teremos: ∂φ(m) ∂mT = 0, (1.28) Revisão de Problemas Inversos 22 assim, −2GTd+ 2GTGm+ 2α2m = 0, (1.29) 2GTd = 2GTGm+ 2α2m, (1.30) 2GTd = 2m(GTG+ α2I). (1.31) Por fim, mutiplicando ambos os lados da igualdade por (GTG + α2I)−1. A solução é então expressa como: m = (GTG+ α2I)+GTd, (1.32) onde α2 é chamado de fator de amortecimento. Logo, temos a equação 1.32. Onde esse método é aplicado a sistemas subdeterminados e trata-se dos mínimos quadrados amortecidos proposto por Levenberg (1944) e Marquardt (1963). A solução dos mínimos quadrados amortecidos é sensível e está diretamente relacionado ao parâmetros α, presente na diagonal principal do termo α2I. A solução implica que α seja diferente de 0, caso contrário voltamos à formulação do MMQ convencional. A escolha desse parâmetro α é decisiva na relação acurácia × viabilidade da solução MMQ. Valores grandes de α tornam a solução viável, mas menos precisa. Valores muito pequenos de α tornam a solução mais precisa, mas comprometem a viabilidade dos dados. Os parâmetros do modelo estudado m, utilizando o método SVD, não são determinados de qualquer maneira. Um problema linear é considerado bem posto ou bem condicionado se satisfaz às condições de existência, unicidade e estabilidade (Santos-Neto, 2009). 1. Condição de Existência No caso de problemas inversos normalmente encontramos solução indeterminada para resolver os sistemas lineares. Por exemplo: Partindo-se do pressuposto de que uma medição será feita num meio isotrópico (independente da direção), os resultados não serão afetados, logo temos uma condição necessária para a existência da solução. Po- rém se os dados responderem anisotropicamente, comprometeria a solução do sistema. Neste caso, se esse sistema possui solução precisamos saber se ela é única. Revisão de Problemas Inversos 23 2. Condição de Unicidade A unicidadeé um aspecto matemático de grande importância na Geofísica, mas muito difícil de ser atendido já que alguns problemas reais não são discretos. A sua falta é a existência de vários conjuntos de parâmetros que produzem os mesmos preditos. Logo, a unicidade pode ser atendida se reformularmos o problema para que o mesmo inclua requisitos adicionais, tal como buscar uma solução de norma mínima. 3. Condição de Estabilidade O conceito de estabilidade, associado a problemas matemáticos, está relacionado ao grau de dependência entre a solução e os dados do problema. Sendo assim, uma solu- ção é dita estável se depende continuamente dos dados. Como as prováveis variações nos dados do problema não afetam significativamente a solução do mesmo, temos um problema estável. Essa condição é muito mais difícil de ser alcançada que as outras, pois os problemas em Geofísica, em geral, tendem a ser instáveis, devido a ruídos de diversas origens que constantemente afetam as grandezas medidas em superfície. Esses ruídos estão rela- cionados a variações instrumentais, erros analíticos, erros de medição, dentre outros, juntamente com o caráter de investigação indireto dos métodos. Um importante meio de fazer a avaliação do grau de estabilidade de um determinado sistema é aplicar o conceito do número de condição ao operador que faz o relaciona- mento entre dados e parâmetros desse sistema. O conceito de condicionamento e do número de condição é uma forma de analisar o grau de dificuldade relativo ao processo de inversão de um determinado sistema que pode ser representado pela Equação 1.5. Considerando que m+ δm seja a representação da solução de um sistema perturbado por d+ δd, a partir da equação (1.5) obtemos: d+ δd = G(m+ δm), (1.33) d+ δd = Gm+Gδm, (1.34) d+ δd−Gm = Gδm, (1.35) como d = Gm, δd = Gδm, (1.36) Revisão de Problemas Inversos 24 G−1δd = δm. (1.37) Considerando-se a equação (1.5) e que δm = G−1δd, deduz-se pela Desigualdade de Schwartz, que: ‖Gm‖ ≤ ‖G‖‖m‖, (1.38) assim, ‖d‖ ≤ ‖G‖‖m‖, (1.39) e ‖δm‖ ≤ ‖G−1‖‖δd‖. (1.40) Pré-mutiplicando a equação (1.40) por ‖G‖ é possível obter: ‖G‖‖δm‖ ≤ ‖G‖‖G−1‖‖δd‖, (1.41) ‖δd‖ ‖δm‖‖δm‖ ≤ ‖G‖‖G−1‖‖δd‖, (1.42) ‖δm‖ ‖m‖ ≤ ‖G‖‖G−1‖‖δd‖‖d‖ . (1.43) Podemos reescrever a equação acima de modo que: ‖δm‖ ‖m‖ ≤ NC ‖δd‖‖d‖ . (1.44) A expressão (1.44) resulta da definição do número de condição. O numero de condição de uma matriz é definido como: NC = ‖G‖‖G−1‖. (1.45) A interpretação do real significado associado ao número de condição vem da equação (1.44). Para um determinado erro relativo associado ao dado ‖δd‖/‖d‖, o erro relativo da solução ‖δm‖/‖m‖ pode admitir uma faixa maior de valores possíveis, o quanto maior for o número de condição. Desta forma, para valores do número de condição Revisão de Problemas Inversos 25 próximos de 1, temos praticamente a mesma faixa de variação entre os erros relativos dos dados e da solução, fato este que caracteriza o bom condicionamento do sistema e, por consequência, sua estabilidade. Para valores altos do número de condição, o erro relativo da solução do sistema assume uma faixa muito ampla de variação quando comparado ao erro relativo associado aos dados do modelo, uma vez que ampliado o erro relativo aos dados, observamos uma faixa de variação ainda maior do erro relativo associado à solução do sistema. Esses fatos caracterizam o mal-condicionamento do sistema, bem como a sua instabilidade. O número de condição também pode ser dado em função dos autovalores de um sistema. Segundo Hansen (1998), as normas matriciais podem ser expressas em função dos autovalores das matrizes, λ: ‖G‖ = λ1, (1.46) e ‖G−1‖ = λk−1, (1.47) desta forma, NC = λmax λmin . (1.48) De acordo com a equação (1.48), podemos facilmente, a partir dos autovalores associ- ados ao sistema, determinar o grau de condicionamento e por consequência, o grau de estabilidade de um determinado problema a ser invertido. Enfim, caso o problema seja instável, faz-se necessário reformular o problema de modo a se obter um novo problema que seja menos sensível às perturbações nos dados. 1.3 Decomposição em Valores Singulares A decomposição em valores singulares tem como objetivo obter uma matriz inversa generalizada (Penrose, 1955). Considere a equação (1.5). A matriz G com sistema M × N pode ser decomposta da seguinte forma: G = UΣV T . (1.49) Revisão de Problemas Inversos 26 Para uma matriz G retangular, de posto k, definimos formalmente os elementos da decomposição em valores singulares de modo que: • U é uma matriz M ×M formada pelos autovetores ortonormalizados de GGT , • Σ é uma matriz diagonalM×N que contém a raiz quadrada dos autovalores da matriz GTG, denominadas de valores singulares, • V é uma matriz N ×N formada pelos autovetores ortonormalizados da matriz GTG. A matriz inversa generalizada pode ser encontrada mediante a seguinte formulação: G+ = V Σ+UT . (1.50) Essa matriz correspondente a uma matriz G deve ser caracterizada de modo único uti- lizando as condições de Penrose: • GG+G = G; • G+GG+ = G+; • (GG+)T = GG+; • (G+G)T = G+G. Caso uma matriz G satisfaça todas essas equações, então G é única. Apesar de resolver o problema teoricamente, o cálculo da pseudo-inversa, na maioria dos casos, é muito caro do ponto de vista computacional. Por exemplo, no caso de uma matriz quadrada N × N , necessita-se de um número de operações da ordem de N3. Muitas vezes encontramos inversas aproximadas, que não satisfazem as quatro condições de Penrose, mas que de alguma forma se aproximam da pseudo-inversa. Note que se uma inversa aproximada satisfaz as condições de Penrose, então, por unicidade, é a pseudo-inversa. 2 Revisão de Processamento Sísmico O processamento sísmico é muito importante na sísmica, pois possibilita uma melhor vi- sualização do dado em subsuperfície. O processamento de uma linha sísmica tem as seguintes etapas: • Importação dos dados • Geometria • Edição • Silenciamento • Correção de amplitude • Filtragem • Deconvolução • Organização CDP • Análise de velocidade • Correção NMO e silenciamento stretch • Empilhamento • Migração 27 Revisão de Processamento Sísmico 28 Durante o processamento, a utilização ou não de uma etapa vai depender da qualidade do dado, das ferramentas disponíveis, da experiência de quem está processando e do objetivo a ser alcançado. 2.1 Importação de dados Os dados sísmicos de entrada e saída são registrados na maioria das vezes no formato SEG- Y. Este formato é definido pela Society of Exploration Geophysicists e tornou-se o formato padrão mais utilizado na permuta de dados sísmicos nas companhias petrolíferas. 2.2 Geometria A geometria é uma etapa fundamental no processamento sísmico e deve receber atenção especial, pois é nela que informamos as corretas posições de fontes e receptores que serão utilizadas no restante do processamento. O objetivo é registrar no header (cabeçalho) de cada traço sísmico, as coordenadas: de ponto de tiro, de receptor, do ponto médio comum, do offset e de outras informações. Esse procedimento possibilitará a organização dos traços em família CDP ou outras formas de organização conforme pode ser visto na Figura 2.1. Figura 2.1: Formas de organização de traços sísmicos. 2.3 Edição Para melhor visualizar o dado sísmico, as seguintes opções de representação são mostradas na Figura 2.2: Revisão de Processamento Sísmico 29 Auto VD VA VAWG Figura 2.2: Quatro tipos de representações do traço sísmico. Modificado de Silva (2004). • Auto: as amplitudes positivas e negativas são representadas por simples curvas; • Área Variável (VA): somente são representadas as amplitudes positivas preenchidas em preto queficam a direita do centro do traço. Essa opção é a mais usada quando se deseja gerar uma versão reduzida de uma seção sísmica; • Área variável mais wiggle (VA+WIGGLE): as amplitudes positivas e negativas são representadas por uma simples curva, além de serem preenchidas pelas cores branco e preto respectivamente (padronizado pela SEG). Trata-se da opção mais utilizada para representar o traço sísmico; • Densidade variável (VD): as amplitudes são diferenciadas empregando-se escalas de cores e cinza. A edição pode ser realizada em qualquer etapa do processamento, porém recomenda-se que seja realizada antes ou logo após a montagem da geometria. Nela faz-se uma visualização prévia dos sismogramas que estão geralmente no domínio do tiro. Como a perda de energia durante a propagação da onda sísmica compromete a visualização dos dados, normalmente são aplicados neles um ganho automático. Por fim, erros de geometria são corrigidos, e os traços e tiros ruidosos são eliminados total ou parcialmente. 2.4 Silenciamento A utilização do silenciamento não é restrita apenas à fase do pré-processamento, sendo sua aplicação recomendada também antes da deconvolução e da análise de velocidade. Ela tem Revisão de Processamento Sísmico 30 como finalidade anular o valor de amplitude de parte dos traços sísmicos, eliminando áreas ruidosas do sismograma. A área ruidosa dos traços das famílias de tiro comum, compreendida entre os tempos zero e os tempos da primeira chegada pode ser eliminada sem maiores problemas definindo-se uma função silenciamento, assim como a onda direta e as refrações sísmicas, presentes nos dados sísmicos de reflexão. O silenciamento interno é usado para cancelar traços próximos de reflexões múltiplas que se alinham durante o empilhamento com a mesma velocidade do sinal primário. Por afetar o sinal primário este processo é geralmente evitado. O silenciamento externo procura atenuar as ondas diretas ou superficiais e as refrações rasas, que geralmente têm forte amplitude e funcionam como ruído. 2.5 Correção de Amplitude A correção de amplitude dos traços sísmicos se faz necessária devido a vários fatores contri- buírem para a perda de energia e atenuação do sinal sísmico com o tempo de propagação da onda elástica no interior da Terra, os quais podemos destacar a divergência esférica, a absorção e as perdas por transmissão entre as interfaces. 2.6 Filtragem As filtragens podem ser realizadas nos domínios da frequência e do tempo. A filtragem de frequência tem como objetivo remover os componentes de frequências indesejados do dado sísmico e passar o resto do dado, através do filtro, sem alterar as faixas desejadas. Ondas superficiais, por exemplo, são usualmente observadas como eventos de baixa frequência e alta amplitude e podem ser atenuadas com um filtro de frequência. A filtragem é normalmente feita no domínio da frequência. A transformada de Fourier é necessária antes da filtragem e sua transformada inversa é necessária depois. Existem pacotes de processamento com 4 tipos de cortes de frequência ilustrados na Figura 2.3: • Passa banda - limita a faixa de frequência de um sinal eliminando ou atenuando faixas baixas ou altas; • Passa baixas - tem a função de atenuar ou remover frequências mais altas; • Passa altas - tem a função de remover as frequências mais baixas; • Rejeita banda - é justamente o inverso do passa banda. Revisão de Processamento Sísmico 31 PASSA BAIXA REJEITA BANDA PASSA BANDA PASSA ALTA Figura 2.3: Os 4 tipos de corte de frequência utilizados em pacotes de processa- mento. Figura modificada de Silva (2004). 2.7 Deconvolução Deconvolver é obter a estimativa de um filtro inverso que quando convolvido com o pulso básico, o converta em um impulso. Esse deve ser capaz de fornecer a resposta impulsional da Terra quando aplicado ao traço sísmico. A deconvolução é muito eficiente para se obter um aumento na resolução temporal ou vertical dos traços sísmicos, além de ser bastante empregada na atenuação das reflexões múltiplas e na remoção de parte das reverberações. Por esses e outros benefícios, torna-se um dos elementos principais nos processamentos convencionais. Normalmente a deconvolução é usada antes do empilhamento, mas também pode ser aplicada após o mesmo. 2.8 Análise de Velocidades A analise de velocidades é uma das etapas mais importantes neste trabalho, pois nela, determinaram-se as velocidades das camadas em subsuperfície que foram usadas nas seções empilhada e migrada. Em modelos de camadas planas horizontais, quando fazemos organização em famílias CMP, teremos vários traços que correspondem a eventos acontecidos em subsuperfície, e esses possuem um único ponto de incidência em profundidade. Essas reflexões de um determinado refletor são representadas no domínio CMP por formas aproximadas de hipérboles. Assumindo estes modelos organizado em famílias CMP é possível fazer a correção de Revisão de Processamento Sísmico 32 retardo de chegada das reflexões causadas pelo afastamento entre fonte e receptor, com relação ao tempo de incidência normal ao refletor. Essa correção é conhecida como correção NMO. 2.9 Correção NMO Em aquisições de dados sísmicos 2D, fontes e receptores são movidos mais ou menos ao longo de uma linha reta. A distância entre a fonte e cada receptor é chamada afastamento. A posição do CMP é definida como sendo o ponto médio entre uma fonte e um receptor. Pares de fonte e receptor com a mesma posição de CMP são reunidos formando uma família de CMPs, como pode ser visto através da Figura 2.4. As coordenadas de CMP e de meio afastamento são dadas por: xm = 4xG +4xS 2 , (2.1) e hm = 4xG −4xS 2 , (2.2) onde, xG e xS são as distâncias relativas de uma fonte S e de um receptor G em relação ao ponto central x0. Revisão de Processamento Sísmico 33 Figura 2.4: Relação entre as coordenadas xS, xG, xm, h e os diferentes agrupamen- tos. Cada ponto significa um traço sísmico. Para um meio horizontalmente estratificado com velocidade constante, uma geometria CMP compreende todos os raios que incidem no mesmo ponto refletor. Portanto, uma família CMP contém informação redundante da subsuperfície, sendo esta a base para o empilhamento CMP. Considerando que eventos em traços de diferentes afastamentos trazem informações de um mesmo ponto comum do refletor, estas informações redundantes podem ser somadas construtivamente aumentando a razão sinal/ruído. Na Figura 2.5, considerando-se o ponto médio M, o tempo para o deslocamento no caminho SDG é t(x), onde x é o valor possível de afastamento entre a fonte e o receptor (SG). Definindo-se t(0) como o tempo para percorrer duas vezes o caminho MD, é possível determinar t(x) usando o teorema de Pitágoras, t(x)2 = t(0)2 + (x v )2 , (2.3) Revisão de Processamento Sísmico 34 Figura 2.5: Modelo de uma única camada onde S é a fonte, G é o geofone, M é o ponto médio na superfície, X é a distância entre fonte e receptor na superfície e D é o ponto de reflexão na base da camada. onde v é a velocidade do meio e t(0) (t(0) = 2MD) é o tempo de percurso de afastamento nulo, ou seja, o tempo de percurso medido para fonte e receptor coincidentes (x = 0). A equação apresenta a forma matemática de uma hipérbole. A diferença de tempo ∆tNMO entre o tempo de percurso t(x) (t(x) = SDG) para um afastamento específico e o tempo de percurso para afastamento nulo t(0) é chamada de correção normal moveout (NMO). Em outras palavras, o normal moveout descreve o efeito do afastamento no tempo de percurso, como podemos ver na Figura 2.6. Figura 2.6: Efeito de um único traço com um evento de reflexão à esquerda. Aplica-se o processo de NMO no pré-empilhamento dos dados. A Figura 2.6 mostra o efeito de um único traço comum evento da reflexão à esquerda. Usando uma função da velocidade, o NMO ajusta o tempo original (em vermelho) para aquele que seria observado no ponto médio (S/R). A linha azul é o tempo duplo de trânsito, que deve ser menor que o tempo do trajeto vermelho. Assim, o trabalho do NMO é colocar no tempo de incidência vertical t0, todos os eventos de reflexão com diferentes afastamentos. Esse efeito hiperbólico pode ser removido através da correção de normal moveout que implica em trazer eventos de Revisão de Processamento Sísmico 35 tempo de percurso t(x) para tempos de percurso de afastamento zero t(0). Assim, o valor da velocidade média quadrática é: V 2RMS = 1 t(0) N∑ i=1 vi 2∆ti, (2.4) sendo ∆ti o tempo duplo de percurso vertical através da i-ésima camada e vi a velocidade intervalar da i-ésima camada. A correção de NMO para dados ordenados por CMP requer a determinação de um campo de velocidades VNMO. O próprio efeito de NMO é utilizado para determinar as velocidades de empilhamento, através da análise de velocidade. O procedimento, portanto, é escolher qual a velocidade que melhor horizontaliza uma reflexão e gera uma melhor coerência no espectro de velocidades. Essa estratégia é repetida para cada evento de interesse ao longo da seção sísmica, definindo um modelo de velocidades de empilhamento. No caso da presença de múltiplas, o próprio NMO funciona como um filtro, já que esses eventos possuem velocidades relativamente baixas se comparadas com as velocidades das reflexões primárias que concorrem em tempo com a múltipla. As reflexões primárias serão, portanto, escolhidas como eventos de interesse ao invés da múltipla. Depois da definição de um modelo de velocidades, a correção de NMO pode ser apli- cada a todos os traços dentro de uma CMP, resultando em um alinhamento dos dados no respectivo tempo de percurso de afastamento nulo t(0), em outras palavras, os eventos são horizontalizados. O empilhamento CMP subsequente simplesmente soma as amostras de todos os traços, para cada t(0). O resultado da soma é colocado no traço de afastamento nulo. Na presença de ruído aleatório, esse processo aumenta a razão sinal-ruído (S/N) já que apenas a energia da reflexão é somada construtivamente. Para minimizar esse efeito, um silenciamento é aplicado nos pulsos estirados, a partir de um valor definido para o fator de estiramento. Para um meio de velocidade constante e horizontalmente estratificado, o tempo adicional ∆t que uma reflexão sísmica apresenta com o registro do receptor afastado da fonte, quando comparado com o tempo que esta mesma reflexão teria se a fonte e o receptor estivessem no mesmo ponto é dado por: ∆t = t(x)− t(0), (2.5) Revisão de Processamento Sísmico 36 onde, t(x) = [ t(0)2 + (x v )2]1/2 , (2.6) e, ∆tNMO = √ 1 + ( x vt0 )2 − 1. (2.7) O ∆tNMO é a diferença em tempo de trânsito para um receptor em uma distância x da fonte t(x) e o tempo de trânsito t(0) para uma distância de afastamento nulo. Dado que os refletores nem sempre são horizontais e a velocidade do meio não é constante, o uso da fórmula é geralmente uma aproximação. O erro decorrente da variação vertical da velocidade do meio é minimizado adotando-se para v um valor um pouco maior que a velocidade média no tempo t(0). Esta velocidade é chamada velocidade de empilhamento, sendo definida como aquela que melhor corrige o conjunto dos traços CMP. A correção NMO depende do afastamento e da velocidade. Em contraste com a correção estática, a correção ao longo do traço pode diferir. A correção NMO é também chamada de correção dinâmica. Para um modelo estratificado de camadas horizontais, com velocidades para N camadas dadas por vj(j = 1, ..., N), Taner e Koehler (1969) definiram a seguinte aproximação para o tempo de trânsito t: t2(x) = C0 + C1x 2 + C2x 4 + C3x 6 + . . . , (2.8) onde, C0 = t0, C1 = 1/V 2 RMS e C2, C3, são funções complexas que dependem da profundidade e das velocidades intervalares. Se forem considerados afastamentos pequenos entre traços, quando comparados a pro- fundidade do refletor, a expressão (2.8) ao ser truncada pode ser escrita da seguinte forma: t2(x) = t(0)2 + x V 2RMS . (2.9) Assim podemos concluir que supondo um modelo horizontalmente estratificado, a veloci- dade média quadrática (VRMS) será igual á velocidade NMO. No programa de processamento sísmico Focus é usado o módulo NMO, horizontalizando assim como os efeitos hiperbólicos. Revisão de Processamento Sísmico 37 2.10 Empilhamento Nesta etapa, os traços da família CMP podem ser todos somados após a correção NMO. Todos os eventos sísmicos têm que estar horizontalizados e sob a forma de traços, podendo ser somados de maneira construtiva. A soma construtiva destes traços é chamada de empi- lhamento, e a imagem obtida desta é chamada de seção empilhada ou seção de afastamento nulo. O empilhamento dos dados através da técnica CMP, introduzido por Mayne (1962), revolucionou a exploração sísmica. Pela primeira vez, a redundância de dados sísmicos era realmente usada, melhorando então a razão sinal-ruído (S/N) pela soma construtiva de eventos de reflexão e soma não-coerente do ruído aleatório. 2.11 Migração A migração de dados sísmicos tem por objetivo corrigir a imagem distorcida (seção sísmica empilhada ou pseudo-seção de afastamento nulo) que representa o campo de onda temporal registrado na superfície. Ela transforma-o em outro campo, cujos refletores geológicos estão verdadeiramente posicionados e as difrações colapsadas. A migração é uma modelagem inversa uma vez que utiliza a seção sísmica empilhada para obter uma seção geológica real da subsuperfície. 3 Inversão de Velocidades Intervalares 3.1 Fórmula de Dix A fórmula de Dix foi deduzida a partir de um modelo geológico simples (Figura 3.1), de camadas homogêneas e interfaces horizontais em 1955 por Charles Hewitt Dix. Ela tem por objetivo obter as velocidades intervalares de um modelo geológico a partir das velocidades RMS. A sua aplicação em modelos que apresentam mergulhos ou simplesmente refletores curvos implicará em erros na determinação do campo de velocidades intervalares. Esses erros são maiores quanto maior for a diferença entre o modelo estudado e o modelo de camadas planas e horizontais. v1, t1 v2, t2 v3, t3 R1R2S2S1 CDP Figura 3.1: Modelo de camadas plano-horizontais. Um mesmo ponto comum em profundidade é associado a dois pares fonte-receptor. A velocidade intervalar corresponde à velocidade de propagação do pulso sísmico em um dado meio ou camada geológica, enquanto que a velocidade RMS (Root Mean Square) pode 38 Inversão de Velocidades Intervalares 39 ter várias definições. Segundo Dix (1955), ela é definida como o inverso da inclinação da reta tangente à curva T 2n(x)× x2 no ponto x = 0, isto é, V 2RMS,n = [ dT 2n(x) dx2 ]−1 x→0 , (3.1) para um ponto qualquer x 6= 0, a velocidade RMS é dada por: V 2RMS,n(M) = [ dT 2n(x) dx2 ]−1 x=M . (3.2) Outra forma define esta como a soma quadrática média das velocidades intervalares v das camadas que o pulso sísmico percorreu, ou seja, V 2RMS(t) = 1 t ∫ t 0 v2(t′)dt′, (3.3) ou ainda, discretizando: V 2RMS(k) = ∑n k=1 v 2 ktk∑n k=1 tk . (3.4) A fórmula de Dix é representada por: v2n = V 2RMS,nT0,n − V 2RMS,n−1T0,n−1 T0,n − T0,n−1 , (3.5) • vn é a velocidade intervalar na camada n; • T0,n é o tempo duplo de trânsito da origem até a interface n, considerando-se afasta- mento nulo entre a fonte e o receptor; • VRMS,n é a velocidade RMS da interface n. 3.2 Determinação de Velocidades Intervalares como um Problema Inverso A obtenção de velocidades intervalares pode ser expressa como um problema inverso atravésda relação (1.5). Neste caso, temos que: dj = TjV 2 RMS(Tj), j = 1, ...,M, (3.6) Inversão de Velocidades Intervalares 40 e mi = v 2 i , i = 1, ..., N. (3.7) A matriz G, de dimensõesM×N representa o operador de integração numérica, proveni- ente da discretização da equação (3.3). Considerando que o problema em questão apresenta operadores não quadrados, será usada a decomposição em valores singulares (SVD). Neste caso, determinamos o vetor dos parâmetros do modelo m, utilizando a equação (1.12). A matriz G+ é dada pela equação (1.50). Por fim, substituindo as equações (1.50), (3.6) e (3.7) na equação (1.12), temos: m = G+d, (3.8) onde m = (v2i ), G + = V Σ+UT e d = (TjV 2 RMS,j). A equação (1.50) ainda pode ser obtida com a integração entre o SVD e o método dos mínimos quadrados, bem como suas implicações. A solução do MMQ via SVD possui norma mínima, cuja função objetivo é dada por: φ(m) =mTm+ tT (d−Gm), (3.9) ou φ(m) =mTm+ tTd− tTGm, (3.10) onde t é o vetor dos mutiplicadores de Lagrange. Aplicamos o mesmo processo de minimização ao qual é submetido o MMQ tradicional, ou seja, ∂φ(m) ∂mT = 0. (3.11) Dessa forma, m−GT t = 0, (3.12) Inversão de Velocidades Intervalares 41 ou m = GT t. (3.13) Substituindo a expressão (3.13) na equação (1.5), d = Gm = GGT t. (3.14) Assim, podemos isolar o vetor de mutiplicadores de Lagrange: t = (GGT )+d, (3.15) e ao substituir a expressão (3.15) na equação (3.13), teremos a solução da função objetivo: m = GT (GGT ) + d. (3.16) 3.3 SVD com Informação a Priori O processo de inversão através do SVD tem a vantagem de poder incorporar informação a priori. Para tal, a função objetivo que fora definida anteriormente será modificada para, φ(m) = (m−mo)T (m−mo) + 2tT (d−Gm), (3.17) ou φ(m) = (m−mo)2 + 2dT t−mTGmT t, (3.18) onde mo é a informação prévia do modelo e t é o vetor dos mutiplicadores de Lagrange. Minimizando a função, temos: ∂φ(m) ∂mT = 0, (3.19) 2(m−mo)− 2GT t = 0, (3.20) Inversão de Velocidades Intervalares 42 m = GT t+mo. (3.21) Se substituirmos a expressão (3.21) na equação (1.5), teremos: d = Gm = G(GT t+mo). (3.22) Desta forma, é possível isolar os mutiplicadores de Lagrange: t = (GGT )+(d−Gmo), (3.23) ao substituir o valor isolado da expressão (3.23) na equação (3.21), teremos a solução da função objetivo (equação 3.24): m = GT (GGT ) + (d−Gmo) +mo. (3.24) A informação a priori mo é incorporada duas vezes no resultado final do modelo inver- tido, primeiro sendo mutiplicada pelo operador do sistema e subtraída dos dados observados, e posteriormente adicionada, individualmente, aos parâmetros após a inversão do operador. Note que se mo = 0, a equação (3.24) se reduz à equação (3.16), tal qual esperado. Neste caso, a equação (3.24) se reduz à equação m =mo. Em resumo, se mo =m ver , temos como resultado, m est =mo. 3.4 SVD com Adição de Ruído A adição do ruído é um meio de avaliar a robustez dos diferentes estudos feitos no capítulo 6. Neste caso, o método é robusto quando não apresenta grandes variações na exatidão da solução obtida (erro da solução) na presença de níveis aceitáveis de ruído nos dados observados (VRMS). Os dados observados do modelo foram contaminados com os seguintes fatores de ruído: 0.001, 0.005, 0.01 e 0.05. O ruído utilizado tem comportamento Gaussiano. Portanto, ele apresenta uma distribui- ção de valores aleatórios que corresponde a uma função densidade de probabilidade chamada normal ou Gaussiana. Inversão de Velocidades Intervalares 43 A inserção de ruídos nos dados observados é definida como, druii = d obs i + αrid obs i , (3.25) ou druii = d obs i (1 + αri), i = 1, ...,M. (3.26) • druii é o dado contaminado com ruído; • dobsi é o dado observado; • α é o fator de ruído que controla o nível do ruído adicionado; • ri é uma sequência aleatória com valores que variam de −0.5 a 0.5. 4 Entropia e Entropia Relativa Mínima 4.1 Introdução O conceito de entropia foi definido diversas vezes ao longo da história por englobar diferentes áreas de conhecimento. Todas essas definições tem um ponto em comum, onde a entropia está associada ao grau de organização, nitidez e possibilidades dos sistemas. • Domínio da Física Newtoniana A Física Newtoniana dominou dos fins do século XVIII até fins do século XIX, des- crevendo um universo em que tudo acontecia exatamente de acordo com uma lei, na qual o universo era compacto, organizado, e onde todo futuro dependia estritamente de todo o passado. • Surgimento de Teorias Não-determinísticas Em meados do século XIX, as teorias não-determinísticas ganham espaço em relação à Física Newtoniana. Ela se baseia em um universo possível, mas incerto. Logo a Física passou a não garantir aquilo que irá acontecer. Ela apenas pode garantir que irá acontecer com uma grande probabilidade. Desse modo, não é possível comprovar totalmente um conjunto de leis físicas atráves de nossos imperfeitos experimentos. Neste caso, no universo possível e incerto, a entropia tende a aumentar com uma tendência natural à perda de nitidez e passagem a estados de maior probabilidade. Enfim, os sistemas tendem a se deteriorar e entrar em caos. Logo, Jaynes (1957) afirma que apesar de a entropia ser um conceito físico primitivo, ela é mais fundamental do que o conceito de energia. 44 Entropia e Entropia Relativa Mínima 45 • Conceito Termodinâmico de Entropia A definição de entropia, segundo Clausius, está no contexto da termodinâmica clássica. A termodinâmica clássica é a parte da Física que estuda o calor, considerado como uma forma de energia, e suas relações com as demais formas (mecânica, química e elétrica). Ela se sustenta sobre dois princípios gerais: Princípio da Conservação de Energia e o Princípio da Entropia. O Princípio da Conservação de Energia afirma que, em um sistema isolado, a soma total das várias formas de energia permanece constante, ou seja, é conservada. O Princípio da Entropia define que, qualquer mudança que ocorre em um sistema isolado é acompanhado por uma redução de energia disponível total do sistema. Ou ainda: as mudanças que ocorrem em um sistema isolado resultam sempre na degradação da energia. Em geral, se um sistema termodinâmico reversível, a uma temperatura T, absorve ou dissipa uma quantidade de calor dQ, diz-se que ele absorveu ou perdeu uma entropia correspondente a (+)dQ/T e (−)dQ/T , respectivamente. Para um sistema irreversí- vel, a entropia sempre aumenta em um processo no qual flui calor por uma diferença finita de temperatura, ou seja, a entropia do universo (sistemas e vizinhanças) sempre aumenta em cada processo irreversível. Uma vez que a entropia permanece constante em um processo reversível, então uma afirmação mais geral para a segunda lei é: em todo processo que se realiza em um sistema isolado, a entropia do sistema aumenta ou permanece constante (Sears & Salinger, 1979). • A Entropia Segundo a Termodinâmica Estatística A termodinâmica estatística ou mecânica estatística foi desenvolvida desde o final do século XIX, principalmente por Boltzmann na Alemanha e Gibbs nos Estados Unidos, derivando a entropia com um novo postulado. A termodinâmica estatística não se ocupa com considerações detalhadas de coisas como colisões de moléculas entre si. Em vez disso, ela usa o fato de que as moléculas são muito numerosas e valores médios de propriedades de um grande número de moléculas podem ser calculadas, mesmo sem qualquer informação sobre moléculas específicas (Sears & Salinger, 1979). Considere um sistema de moléculas cuja distribuição é dada pela função f , que por sua vez depende das coordenadas q1, ..., qr, e momentos p1, ..., pr, destas moléculas em questão. (No caso específico de equilíbrioa função é nC exp(�/κT ), que é a distribuição da lei de Maxwell-Boltzmann). A entropia de Boltzmann, H, é matematicamente descrita em uma forma mais geral por Tolman (1938), onde também são definidas as quantidades Entropia e Entropia Relativa Mínima 46 que formam a função f : H = ∫ ... ∫ flog(f)dq1...dpr, (4.1) onde H é a medição da condição de um sistema em relação ao estado de equilíbrio. A quantidade H tende a decrescer com o tempo até um mínimo, onde o sistema alcança a condição de equilíbrio. Neste caso, Boltzmann usou o conceito de negentropia, função simétrica da entropia, que pretende representar a ordem num sistema físico qualquer. • A Entropia Segundo a Teoria da Informação Em 1949, Shannon propôs o conceito de entropia aplicado à Teoria da Informação. Ele caracteriza à entropia como a medida de informação de um determinado sistema que está relacionada com a quantidade de informação produzida em um sistema, a sua taxa de produção, assim como a sua desorganização. Esse conceito de entropia, sua base matemática e as implicações dessa técnica serão ilustrado com detalhes nesse capítulo. 4.2 O Conceito da Entropia na Teoria da Informação Considere uma fonte m emitindom1,m2, ...,mn mensagens, com as probabilidades associadas p1, p2, ..., pn (onde p1+p2+...+pn = 1). Define-se como informação contida em cada mensagem mi, a grandeza Ii (Lathi, 1968), Ii = log ( 1 pi ) , (4.2) sendo a informação média por mensagem emitida pela fonte, N∑ i=1 piIi. (4.3) A informação supracitada da fonte m é a entropia do sistema denotada por H(m). H(m) = N∑ i=1 piIi. (4.4) Substituindo (4.2) em (4.4), chegamos a, H(m) = N∑ i=1 pi log ( 1 pi ) . (4.5) Entropia e Entropia Relativa Mínima 47 Logo, a entropia de uma fonte é função da probabilidade da mensagem. Antes do experimento existe uma incerteza por não sabermos os resultados. Mas, após o exerimento, a incerteza desaparece completamente ao se transformar em informação ganha (Rietsch, 1988). Como a entropia é uma medida de incerteza, a distribuição da probabilidade que gera a máxima incerteza terá a máxima entropia. Isso acontece quando todas as mensagens são equiprováveis, garantindo a maior possibilidade de eventos e, por consequência, a máxima incerteza. Essa teoria pode ser provada matematicamente (Lathi, 1968). Assim, se pi = pconstante = p, tem-se que, N∑ i=1 pi = 1 = p N∑ i=1 1 = pN, (4.6) pela propriedade homogênea do somatório e C sendo uma constante real, N∑ i=1 Cai = C N∑ i=1 ai, (4.7) de forma que, N∑ i=1 1 = N + 1− 1 = N, (4.8) p N∑ i=1 1 = 1, (4.9) pN = piN = 1, (4.10) resultando em, p = pi = 1 N . (4.11) Substituindo (4.11) em (??), H(m) = − N∑ i=1 1 N log ( 1 N ) , (4.12) Entropia e Entropia Relativa Mínima 48 onde, log ( 1 N ) = log 1− logN = 0− logN = − logN, (4.13) e N∑ i=1 1 N = 1 N N∑ i=1 1 = 1 N N = 1, (4.14) onde, N∑ i=1 1 = 1 + 1 + ...+ 1(Nvezes) = N. (4.15) Neste caso a entropia é, H(m) = logN, (4.16) onde definimos a entropia em função do número de escolhas. A negentropia η, citada anteriormente, é a contraposição da entropia, pois a entropia do sistema sempre aumenta, assim como o seu grau de desordem. Ela é definida como a negativa da entropia: η(m) = −H(m). (4.17) Geralmente, os sistemas abertos são mantidos, tentando deter o processo entrópico e adquirir entropia negativa. Porém, a tendência à entropia e desorganização, mesmo que armazene muito mais energia que a organização necessite armazenar (Araújo, 1986). Os sistemas em geral tendem para o estado mais provável, ou de menor energia, ou de equilíbrio, ou seja, de máxima entropia (Maciel, 1974). Esta tendência à máxima entropia - ou à degradação da energia - corresponde a uma lei universal da natureza. Assim, é necessário restringir a análise aos sistemas relativamente isolados e aos sistemas fechados, onde estes não devem receber energia de nenhuma fonte externa, nem emitir energia para qualquer terminal situado fora de sua superfície. Entropia e Entropia Relativa Mínima 49 4.3 O Princípio da Entropia Máxima Em 1957, Jaynes formalizou o conceito de máxima entropia e onde também analisou as relações existentes entre a Mecânica Estatística e a Teoria da Informação. Na ausência de informação a priori, Jaynes (1957), propôs uma concepção diferente sobre este problema, onde ele afirma que a estimativa da máxima entropia é a menos tendenciosa de uma dada informação. Por não haver conhecimento suficiente para determinar quais eventos tem a probabilidade maior de acontecer, consideramos que as probabilidades dos eventos são iguais. Logo, a maximização da entropia é uma metodologia de raciocínio lógico que garante o não uso de idéias quaisquer inconsistentes no problema de predição. O Princípio da Entropia Máxima (PME) é aplicável à problemas com dados incompletos, podendo também envolver ou não uma situação repetitiva com um experimento probabilístico (Jaynes, 1982). Uma prova da consistência do PME é dada por Tikochinsky et al. (1984), onde se demonstra que a distribuição da máxima entropia restringida pelos valores médios é a única indução consistente a partir de dados, para qualquer experimento que possa ser feito. Na Geofísica, o PME é aplicado em análise espectral, no campo da geofísica da Terra sólida, e na utilização da entropia máxima na relação da frequência com magnitude de terremotos nos trabalhos de Berrill e Davis (1980), Shen e Mansinha (1983) e Dong et al. (1984). Além disso, Rietsch (1977) e Rubincam (1982) mostraram a aplicação do PME na determinação da densidade no interior da Terra. 4.4 O Princípio da Entropia Relativa Mínima O Princípio da Entropia Relativa Mínima, em inglês Minimum Relative Entropy (MRE), foi desenvolvido no campo da estatística por Kullback e Leibler (1951). Em 1957, Jaynes propôs um conceito de fundamental importância na Teoria da Informação, o PME. O MRE, baseando-se na Teoria da informação, foi generalizado a partir do PME proposto por Jaynes. Os pesquisadores Good (1963), Jaynes (1968), Csiszar (1975) e Johnson (1979) também estudaram o MRE após Kullback e Leibler (1951). O MRE já foi aplicado na geofísica nos trabalhos de Jacobs e Van der Geest (1988), Lo et al. (1990), e Ulrych et al. (1990). Vale ressaltar que o PME e o MRE encontram-se no trabalho pioneiro de Shannon (Shannon e Weaver, 1949). A quantidade de informação I obtida na transmissão de uma mensagem mi é definida para entropia relativa mínima como: I = log [ q(x) p(x) ] , (4.18) Entropia e Entropia Relativa Mínima 50 onde p(x) é a função densidade de probabilidade prévia ou a probabilidade de que uma determinada mensagem foi emitida, e q(x) é a função densidade de probabilidade posterior ou a probabilidade de tal mensagem chegar até o destinatário. Na equação 4.18, a quantidade de informação cresce com a probabilidade posterior (Wiener, 1948). Para o caso contínuo, a entropia relativa é definida como (Wiener, 1948): H(q, p) = ∫ qx log [ q(x) p(x) ] dx. (4.19) A principal diferença entre o PME e o MRE é o conhecimento e incorporação da função densidade de probabilidade prévia ou a priori, relacionada à entropia relativa mínima. Se- gundo Shore e Johnson (1980), a minimização da entropia relativa equivale a maximização da entropia quando a função densidade de probabilidade é uniforme. O objetivo da entropia relativa mínima é obter uma estimativa final q, da maneira (Shore e Johnson, 1980; Shore e Johnson, 1983): H(q, p) = minH(q′, p) (4.20) onde q′ é a função densidade de probabilidade (FDP) verdadeira. 4.5 Aplicação da MRE em Problemas de Inversão Nesse capítulo
Compartilhar