Sezione stack in profondità

Il primo test di migrazione effettuato utilizzando il modello di velocità intervallare ottenuto tramite la conversione dalla velocità RMS (capitolo 5.1), viene mostrato in figura 5.6-1.

Da questa immagine risultano evidenti alcune problematiche:

- Innanzitutto, la bassa accuratezza ottenuta dalla conversione del modello di velocità intervallare compromette la qualità dell’immagine, oltre ad ottenere riflettori poco focalizzati e con pendenze errate.

- I parametri utilizzati per la migrazione possono essere corretti: l’apertura di migrazione (originariamente inserita a 100 sembra infatti troppo elevata secondo la descrizione effettuata nei paragrafi precedenti, si osservano infatti effetti di smearing nella sezione stack migrata) e il fattore di accuratezza possono infatti modificare drasticamente il risultato finale.

- Al fine di ottenere un modello di velocità più affidabile e maggiormente accurato sarà necessario avvalersi delle tecniche di inversione della FWI

Figura 5.6-1. Primo test di migrazione effettuato con il campo di velocità

111

locale-globale. Basandosi sullo scarto quadratico fra i dati predetti e osservati, l’algoritmo mira ad ottenere un modello di velocità che meglio approssima il dato reale.

Sommando i contributi dei vari pannelli common-offset è stato possibile ottenere la sezione stack migrata in profondità riportata in figura 5.6-2, questa è stata sovrapposta al campo di velocità utilizzato per la migrazione in modo da poterne estrarre il massimo contenuto informativo. Impostando l’apertura dell’operatore di migrazione a 60 ed incrementando la frequenza massima a 70 Hz, è stato possibile ottenere un’immagine rappresentativa delle riflessioni principali. Per attenuare i disturbi dovuti al rumore di fondo che contamina il dato la sezione stack è stata sottoposta ad un filtraggio bandpass semplice con una banda passante di frequenza 20-35-70-90 Hz.

Da questa immagine si evince come il modello di velocità estratto rappresenti correttamente il dato reale; le riflessioni maggiormente continue vengono infatti ben delimitate dagli strati piano-paralleli individuati nel modello di velocità. Se però si osserva più attentamente oltre i 150 metri di profondità risulta evidente come la parte

Figura 5.6-2. Sezione stack migrata in profondità sovrapposta al modello di velocità

più profonda del modello sia poco definita, la causa principale è ancora dovuta alla mancanza di segnale utile legata alla presenza persistente di rumore di fondo e agli offset ristretti che non permettono di identificare chiaramente le porzioni di riflessioni poste a profondità maggiori.

6. CONCLUSIONI

Nell’ambito di questo lavoro sono state sviluppate diverse strategie per poter applicare la FWI locale-globale a dati di sismica a riflessione superficiale. L’approssimazione acustica ha permesso di ignorare gli effetti elastici descritti dalle onde superficiali ma gli offset ristretti e il basso rapporto S/N caratteristici delle acquisizioni near-surface hanno reso questi dati difficilmente trattabili per la FWI, prospettando una sfida piuttosto stimolante e innovativa.

I test effettuati hanno evidenziato come problemi caratterizzati da topologie indotte dalle funzioni oggetto particolarmente complesse possano essere affrontati efficacemente con delle solide informazioni a priori (ottenute dalla sequenza di processing descritta nel capitolo 4). La sequenza di processing adottata ha permesso di ottenere il modello di velocità intervallare iniziale da fornire come input alle inversioni globali, e lo spessore dello strato aerato utilizzato per vincolare l’inversione e ridurre lo “spazio nullo” dei modelli (oltre alla sezione stack nel domino dei tempi).

Nelle operazioni di inversione un’attenta scelta dei parametri iniziali contribuisce ulteriormente a limitare il dispendio di risorse e a migliorare le prestazioni dell'algoritmo globale (appendice A1). Il criterio di scelta di questi parametri non è sempre univoco, ma varia con il problema considerato, pertanto risulta necessario procedere con una strategia try and error. Il modello a priori inizialmente definito, ottenuto tramite la conversione della velocità Vrms a Vint, ha permesso di ottenere un

primo modello di velocità a bassa risoluzione, sfruttando gli inviluppi del dato in modo da scongiurare fenomeni di cycle-skipping; la mancanza degli arrivi diretti, parzialmente obliterati dalle onde superficiali, non ha permesso di vincolare la parte più superficiale del modello in questa fase preliminare di studio. La seconda informazione a priori estratta dalla fase di processing ha permesso di definire la parte

113

più superficiale del modello tramite l’inserimento dello strato aerato ottenuto dalle correzioni statiche a rifrazione, in questo modo è stato possibile includere gli arrivi diretti del dato. Adottando una procedura “step by step” e utilizzando le forme d’onda reali del dato è stato possibile avvicinarsi ad una soluzione ottimale nonostante gli offset più ristretti siano stati ancora trascurati.

Successivamente si è deciso di ottimizzare i risultati ottenuti dagli algoritmi genetici tramite inversioni “FWI-gradient based” con metodo steepest descent (paragrafo 5.3). Questa scelta ha permesso di sfruttare le informazioni localmente presenti in un intorno del minimo analizzato perseguendo la ricerca del possibile minimo globale. Visti i risultati promettenti ottenuti dagli eventi rifratti e l’esiguo costo computazionale richiesto da queste inversioni, sono stati eseguiti numerosi test cercando di includere anche le riflessioni del dato; nella sezione 5.3.2 vengono riportate le difficoltà incontrate durante questa fase. Il contenuto in alte frequenze, caratteristico delle riflessioni superficiali, ha consentito di estrarre un modello di velocità ad alta risoluzione piuttosto accurato. Gli offset ridotti e la persistenza degli effetti dovuti dalle onde superficiali hanno permesso di selezionare un numero limitato di shots, confinati approssimativamente alla prima metà del modello di velocità che risulta infatti maggiormente accurato rispetto alle parti inerenti ai CDP maggiori.

Data l’assenza di pozzetti esplorativi nella zona di studio, la verifica dei campi di velocità estratti si è basata essenzialmente sull’allineamento degli eventi osservabili nei CIGs (common image gathers) ottenuti tramite migrazione di Kirchhoff in dominio pre- stack che hanno mostrato risultati soddisfacenti.

A seguito dell’esperienza sviluppata in questo lavoro di tesi, si può affermare che gli algoritmi della FWI hanno restituito ottimi risultati, infatti nonostante l’acquisizione fosse mirata a risolvere le porzioni più superficiali del semispazio, il rapporto S/N fosse piuttosto basso e la porzione di segnale utile limitata agli offset maggiori, è stato possibile ricostruire un modello accurato delle onde di pressione.

APPENDICE