Resumo
Inversão em eletrorresistividade é um problema inverso mal posto, porque diferentes realizações de um mesmo modelo podem satisfazer aproximadamente o mesmo critério de ajuste. Se faz necessário portanto o uso de vínculos para obter soluções únicas e/ou estáveis a pequenas perturbações nas medidas. Contudo, em geral, a introdução de vínculos tem ficado restrita aos casos de vínculos diferenciáveis e que podem ser tratados com algoritmos de otimização local. Demonstramos aqui que os métodos de otimização global Simulated Annealing (SA), Algoritmo Genético (GA) e Particle Swarm Optimization (PSO) permitem introduzir vínculos não diferenciáveis, de modo muito versátil na inversão 1.5D de dados de resistividade DC, pelo fato de que o problema direto associado pode ser resolvido de modo extremamente rápido, mesmo com recursos computacionais muito simples. O uso de vínculos não diferenciáveis permite incorporar no modelo interpretativo variações laterais abruptas a exemplo de falhas com forte rejeito. Um outro exemplo é vincular ângulo de mergulho de interfaces. O foco desse trabalho é na comparação entre os três métodos. Utilizaremos dados sintéticos e de campo com o objetivo de avaliar a facilidade relativa de implantação computacional, a eficácia na reprodução das características dos modelos verdadeiros e a eficiência computacional (nesse caso, do ponto de vista de tempo de computação). Os três métodos diferem pouco com relação à eficácia na reprodução das características dos modelos verdadeiros e à eficiência computacional. A performance foi testada em dados sintéticos e reais e os resultados mostraram que o AG, PSO e SA obtiveram performances semelhantes. Porém o SA obteve melhor tempo computacional.
palavras chave : Otimização Global, Simulated Annealing (SA), Algoritmo Genético (AG), Particle Swarm Optimization (PSO), Eletrorresistividade 1.5-D.
Data: 03 de novembro de 2016 – Horário: 15:30h
Local: Auditório do Departamento de Geofísica (2º pavimento do Prédio REUNI)