Proyecto Fondef ID22I10032: Guía de caracterización dinámica de

sitios y Anteproyecto de Norma “Obtención de parámetro Vs y T0 basado

en técnicas de ondas de superficie para clasificación sísmica de sitios”

Proceso de Inversión

1PontificiaUniversidad Católica de Chile.

2Universidad de Concepción.

3Universidad de Chile.

4Ferrara Ingeniería y Construcción Ltda.

5RyV Ingenieros Asociados.

Agosto 2024.

1
 Plan
1. ¿Qué es la inversión?
2. Algoritmos de optimización para buscar la mejor solución
3. Parametrización del espacio de búsqueda
4. Actividad 3: Inversión de curvas de dispersión

2
 Objetivo de Determinar perfiles de velocidad 1D cuyas curvas de dispersión teóricas son similares
Inversión: con las curvas obtenidas en terreno.

MOS
Adquisición Procesamiento Inversión
Forward Problem Desajuste (Misfit): Medida
de error entre ambas curvas

𝒏𝒇 𝟐
(𝒙𝒅𝒊 −𝒙𝒄𝒊 ൯
𝑴𝒊𝒔𝒇𝒊𝒕 = ෍
𝝈𝟐𝒊 ⋅ 𝒏𝑭
𝒊=𝟏

𝝈𝒊
𝒙 𝒅𝒊
𝒙𝒄𝒊
𝒇𝒊 Adaptado de Vantassel & Cox (2021)
Inverse Problem
Ejemplo: Perfiles de velocidad y curvas de dispersión

Sitio LS-S1 (La Serena, Chile)

Resultados típicos:

• Perfiles de velocidad (Vp y Vs) y

curvas de dispersión con colores
proporcionales al misfit

• El perfil de velocidad con el

mínimo desajuste se muestra en
negro

4
Misfit value
 Desafío: ¿Cómo encontrar soluciones con mínimo desajuste?

Algoritmos de optimización
1. Basados en gradientes
2. De optimización global:
I. Búsqueda aleatoria Montecarlo
II. Combinados / híbridos
• Métodos de búsqueda aleatoria orientada: Ventajas Desventajas
algoritmos genéticos, simulated annealing,
- Pocas evaluaciones - Mucha dependencia del punto
ant colonny optimization, ...
- Convergencia rápida a partir de inicial
• Neighborhood Algorithm → Dinver, un “buen” punto inicial - Fácilmente puede “atascarse”
Geopsy en mínimos locales
- No es fácil agregar información
conocida
(Gentileza Prof. E. Sáez)
 Desafío: ¿Cómo encontrar soluciones con mínimo desajuste?

Algoritmos de optimización
1. Basados en gradientes
2. De optimización global:
I. Búsqueda aleatoria Montecarlo
II. Combinados / híbridos
• Métodos de búsqueda aleatoria orientada: Ventajas Desventajas
algoritmos genéticos, simulated annealing,
- Buena exploración del espacio - Requiere muchísimas
ant colonny optimization, ...
- No requiere punto de inicio evaluaciones, aumentando el
• Neighborhood Algorithm → Dinver, costo computacional
Geopsy

(Gentileza Prof. E. Sáez)

 Desafío: ¿Cómo encontrar soluciones con mínimo desajuste?

Algoritmos de optimización
1. Basados en gradientes
2. De optimización global:
I. Búsqueda aleatoria Montecarlo
II. Combinados / híbridos
• Métodos de búsqueda aleatoria orientada: Ventajas Desventajas
algoritmos genéticos, simulated annealing,
- Buena exploración del espacio - Práctico hasta 25 a 50
ant colonny optimization, ...
- Menos evaluaciones que incógnitas
• Neighborhood Algorithm → Dinver, Montecarlo
Geopsy

(Gentileza Prof. E. Sáez)

 Desafío: ¿Cómo encontrar soluciones con mínimo desajuste?

1 2 3
Algoritmos de optimización
1. Basados en gradientes
2. De optimización global:
I. Búsqueda aleatoria Montecarlo
II. Combinados / híbridos 4
1. Generación de Ns0 modelos
• Métodos de búsqueda aleatoria orientada: 2. División en celdas de Voronoi
algoritmos genéticos, simulated annealing, 3. Selección de las Nr mejores celdas
ant colonny optimization, ... 4. generación de Ns muestras en las Nr
• Neighborhood Algorithm → Dinver, 5. Etc... por las Itmax iteraciones
Geopsy: Sambridge (1999), mejorado por 5
Wathelet (2008)

(Gentileza Prof. E. Sáez)

 Desafío: ¿Cómo encontrar soluciones con mínimo desajuste?

Búsqueda Optimizada, Algoritmo de Vecindario Búsqueda Optimizada, Algoritmo de Vecindario

Parámetros predeterminados de Dinver Mayor número de iteraciones

• Considerando una
misma CD objetivo y el
mismo espacio de
búsqueda
Búsqueda Optimizada, Algoritmo de Vecindario Búsqueda Aleatoria (Montecarlo)
• Distintas realizaciones Mayor generación de modelos iniciales Solo se generan modelos iniciales.

pueden converger a
distintas soluciones
Definición CD Relación entre longitud de onda 𝜆 y profundidad de prospección H (orientado al
0bjetivo: cálculo del Vs30 )
Amplitud de ondas Rayleigh propagadas en Medio estratificado sobre un semi-espacio elástico

𝑽𝒇
𝝀=
𝒇

𝝀𝒎𝒂𝒙 ≈ 𝟗𝟎 [𝒎] Generalmente, se considera:

𝝀 Donde 𝒙 ∈ [𝟐. 𝟓 − 𝟑],

𝑯≈ dependiendo de 𝜈
𝝀𝒎𝒊𝒏 ≤ 𝟑[𝒎] 𝒙

CD Objetivo Sitio LS1

 Parametrización: Definición de los dominios de búsqueda de los parámetros de los modelos 1D

Interfaz Dinver:

Una primera aproximación Elasticidad

Pseudo perfil de Vs Poisson Vs Vp
min max min max min max
0.2 0.45 85 115 139 381
150 241 245 799
317 430 518 1426
0 0
0 0
234 409.682844 382 1359

Foti et al (2015)
Parametrización: Definición de los dominios de búsqueda de los parámetros de los modelos 1D

Algunas restricciones (dependiendo de las características de la curva de dispersión):

𝑉2
𝑝
−𝑉𝑠2
• Vs y Vp libres, pero limitar 𝜈: 𝜈= 2
con 0,2 ≤ 𝜈 ≤ 0,5
𝑉𝑝2 −𝑉𝑠2

• Velocidad creciente con la profundidad: 𝑉𝑖 > 𝑉𝑖−1

• Espesor creciente con la profundidad: ℎ𝑖 > ℎ𝑖−1

• Gradientes en capas no uniformes: exponenciales y/o lineales

Actividad 3: Inversión de curvas de dispersión

13
 Paso 1: Definición de la CD Objetivo

• Abrir Dinver desde la carpeta bin para ejecutar Surface Wave Inversion (A)
A
• En la pestaña Targets (B), seleccionar Dispersion Curve > set (C)
• En la ventana “Dispersion Target” que se abrirá, seleccionar Load (D)

• Buscar la carpeta y C
seleccionar las curvas D
de dispersión de cada
método.
• Es útil no considerar
el peso de cada
frecuencia, ya que
varían entre métodos
y puede inducir D
tendencias al B
promediar las CDs
 Paso 1: Definición de la CD Objetivo
• Revisar cada una de las CDs cargadas (A) y deseleccionar puntos que se escapen mucho de la tendencia (B).
Para ayudar a identificar la curva que quiere modificar, establecer los colores y tamaño de las curvas (D)
F G
• Promediar las CDs para establecer una única E
CD objetivo (E)
• Discretizar la CD objetivo entre frecuencias D
A
de interés utilizando Resample (C). Evitar
utilizar más de 50 puntos B
• Modificar las propiedades de los ejes (F-G)
(escalas, nombres, Fonts, mínimos,
máximos, etc…)

• Guarda los datos de la CD objetivo (C)

 Paso 2: Exportar CD (Archivo *.target)

• Limpiar todas las CDs (Clear) y cargar solo la CD objetivo, verificar que solo esté la curva deseada (A)
• Ir a File > Export targets y definir el nombre del archivo “*.target”. (B-C)

B
A

C
 Paso 3: Parametrización: Definición de los dominios de búsqueda de los parámetros de los modelos 1D

• En la pestaña Parameters (A), ingresar las características del

Elasticidad
modelo que se busca en la inversión (B) Poisson Vs Vp
• Se recomienda utilizar la misma cantidad de capas para min max min max min max
0.2 0.45 50 200 82 663
Vp, Vs y Coef. Poisson y Vincularlas (C) 100 300 163 995
• Mantener una única capa para la densidad 200
400
400
1000
327
653
1327
3317
• Definir la profundidad (Botom Depth) del primer estrato y los
espesores (Thickness) de los siguientes (D)
• Definir para cada capa B
el rango de valores para C
Vs y Vp, consistentes
con los valores del Coef. E
De Poisson. (E)

A D
 Paso 3: Parametrización: Definición de los dominios de búsqueda de los parámetros de los modelos 1D

• Otras consideraciones:
Elasticidad
• Si no hay indicios de estratos de suelos blandos bajo Poisson Vs Vp
otros de mayor rigidez, se sugiere utilizar un modelo min max min max min max
0.2 0.45 50 200 82 663
con una rigidez creciente con la profundidad (A) 100 300 163 995
• Las capas pueden ser uniformes o estar compuesta por 200
400
400
1000
327
653
1327
3317
subcapas (siguiendo distintos patrones, linealmente
crecientes, linealmente decrecientes, etc.) (B)

B
A
 Paso 4: Realizaciones: Parámetros del algoritmo de búsqueda

• Ir a runs > add para agregar una corrida y definir los parámetros del algoritmo de inversión.
• Seleccionar la corrida e ir a runs > Start.

B
 Paso 4: Realizaciones: Parámetros del algoritmo de búsqueda

• En la pestaña Status (A) revisar la evolución de la corrida (B) y el estado de su ejecución (C)

B C

A
 Paso 5: Visualización de resultados

• En View > Parameter Space (A), revisar si la parametrización es adecuada y redefinir rangos de parámetros (B)
• Para visualizar las CDs de los modelos invertidos, revisar View > Dispersion, indicar un “misfit máximo”, mayor al mínimo
de la corrida A

C
 Paso 5: Visualización de resultados

• Para visualizar los modelos de suelo, revisar View > Ground profiles, indicar un “misfit máximo”, mayor al mínimo de la
corrida (B)
• Se puede exportar los modelos para evaluar la incertidumbre en Tools > Export models (C)
C
A

B
 Paso 6: (opcional) Evaluación de variabilidad de los perfiles

• Para visualizar los modelos de suelo, revisar View > Ground profiles, indicar un “misfit máximo”, mayor al mínimo de la
corrida (B)
• Se puede exportar los modelos para evaluar la incertidumbre en Tools > Export models (C)
• Formato de modelos:
• Primera fila: Número de capas
• Primera columna: Espesor de la capa
• Segunda columna: Vp
• Tercera columna: Vs
• Cuarta columna: Densidad
• Evaluación de incertidumbre:
• El archivo puede ser analizado en Excel, Python,
etc…