Journal de géologie et géophysique
Libre accès

Abstrait

Nouvelle approche pour l'inversion de résistivité 1D utilisant le nombre optimal de couches déterminé systématiquement

Ammar Alali, Frank Dale Morgan, Darrell Coles

Déterminer le nombre correct de couches en entrée pour l'inversion de résistivité 1D est important pour construire un modèle qui représente le sous-sol avec précision. Les méthodes courantes actuelles pour sélectionner le nombre de couches sont réalisées de trois manières : par essais et erreurs et en choisissant la meilleure adéquation des données du modèle, en utilisant le test F modifié, la surparamétrisation lisse ou par paramétrisation transdimensionnelle du modèle. Bien que ces méthodes soient des approches créatives, elles sont coûteuses en termes de calcul, ainsi que longues et laborieuses dans la pratique. Dans cet article, nous fournissons une méthode qui résout le problème du choix du nombre correct de couches représentées par la courbe de résistivité apparente. La méthode suit l'approche en deux étapes suggérée par Simms et Morgan (1992) pour récupérer systématiquement le nombre optimal de couches. La première étape consiste à exécuter une inversion d'épaisseur fixe en utilisant un grand nombre de couches dans lesquelles le nombre de couches et les épaisseurs de couche sont fixes et les valeurs de résistivité sont des paramètres d'inversion. Nous additionnons ensuite cumulativement le résultat de la première inversion en fonction de la profondeur (le modèle de résistivité) pour déterminer le nombre optimal de couches en fonction des changements de pente. Le nombre de couches détecté est utilisé comme paramètre d'entrée pour la deuxième étape, qui consiste à exécuter une inversion à épaisseur variable (les épaisseurs de couche et les résistivités sont toutes deux des paramètres d'inversion) pour le résultat, le modèle de résistivité final. Chaque étape utilise l'inversion des moindres carrés amortie Ridge Trace. Les deux étapes d'inversion sont intégrées pour s'exécuter séquentiellement. La méthode détermine tous les paramètres d'inversion en fonction des données de manière auto-cohérente. Cette méthode proposée utilise un algorithme de régression de trace de crête robuste, qui s'est avéré stable, précis et au moins cent fois plus rapide que les méthodes actuelles.