Navegando por Assunto "Modelo de velocidade"
Agora exibindo 1 - 1 de 1
Resultados por página
Opções de Ordenação
Trabalho de Curso - Graduação - Monografia Acesso aberto (Open Access) Aspectos práticos da estereotomografia(2011) LIMA, Isabela Coelho; COSTA, Jessé Carvalho; http://lattes.cnpq.br/7294174204296739Para o correto imageamento de estruturas complexas, a estimativa de um modelo de velocidade em profundidade, chamado de macro modelo, é uma etapa fundamental. Entre os vários métodos de obtenção de tal modelo, está a estereotomogra fia, método tomográfico robusto baseado no conceito de que eventos localmente coerentes fornecem informações sobre os modelos de velocidade. Diferentemente das técnicas tradicionais, a estereotomogra fia utiliza as componentes horizontais da vagarosidade como dados para inversão. Além disso, estima, adicionalmente ao modelo de velocidade, um par de segmentos de raios que se originam em um mesmo ponto em profundidade. Como todo método de inversão, a estereotomogra fia objetiva encontrar os parâmetros do modelo que melhor ajustam os dados observados. O problema matemático associado é não linear, e sua solução utiliza interações lineares. A convergência do algoritmo depende fortemente do modelo inicial. Na implementação original da estereotomogra fia, o modelo inicial de velocidade e fornecido pelo usuário, enquanto que os parâmetros iniciais dos raios s~ao calculados a partir da construção de um modelo homogêneo. Este trabalho estendeu o código de estereotomogra fia disponível ao acrescentar uma nova estratégia de obtenção dos parâmetros iniciais dos raios, os quais são calculados através do traçamento de raios em um modelo de velocidade arbitrário. Utilizando este novo código, a influência do modelo inicial na estereotomogra a foi avaliada. A nova estratégia obteve ajustes satisfatórios para todos os testes. Para modelos iniciais de velocidade resultantes da conversão tempo-profundidade, a técnica implementada superou a original, produzindo melhores ajustes nos dados e melhor posicionamento dos eventos. Este trabalho também avaliou a influência da ponderação dos dados para a convergência do algoritmo. A escolha adequada dos pesos dos dados e fundamental para a obtenção de ajustes satisfatórios.