Capitolo 4
Dati
In questo capitolo saranno affrontate le problematiche inerenti l’acquisizione e la formattazione dei dati. Seguirà una spiegazione sulla preparazione del dataset e i parametri utilizzati nel software “PStomo_eq”.
4.1
GAPSS experiment
L’elevata sismicità dell’area geotermica di Larderello è costantemente monitorata dalla rete sismica dell’ENEL, l’unica compagnia operante nell’area. Poichè la mole dei dati registrati non è accessibile, durante il periodo compreso fra Maggio 2012 e Novembre 2013, sono state disposte e rese operative fino a 20 stazioni sismiche ubicate entro un’area oggetto di studio. L’installazione delle stazioni mobili a tre componenti in aggiunta alle due già presenti sul terriotrio e facenti parte della Rete
Sismica Nazionale (RSN), si è resa necessaria al fine di ottenere una copertura
soddisfacente allo scopo (Tab. 4.1). Le stazioni sono state fornite dall’infrastruttura REte MObile (Mobile Seismic Network) dell’INGV-CNT.
Il progetto, condotto dall’Istituto Nazionale di Geofisica e Vulcanologia (INGV), prende il nome di GAPSS (Geothermal Area Passive Seismic Sources). Esso ha come obiettivo finale quello di indagare la robustezza e le capacità risolutive delle tecniche di imaging proprie della sismologia passiva nella valutazione del potenziale geotermico di un area per mezzo sia di segnali sismici transienti (seismic
activity) che continui (background noise). Proprio per questo motivo è stato scelto il
LTGF: la vasta letteratura e i numerosi studi disponibili rendono il sito una area di indagine estremamente interessante [Piccinini et al. 2013]. Gli studi potenziali che verranno svolti utilizzando i dati raccolti durante la campagna di acquisizione sismica prevedono l’analisi spazio-temporale dello shear wave splitting, analisi di dispersione delle onde superficiali e la modellazione del campo di velocità e attenuazione. Scopo di questo lavoro di tesi sarà quello di ottenere un modello di velocità per l’area in esame attraverso l’uso delle più recenti tecniche tomografiche (Local Earthquake Tomography, L.E.T.),
La sismicità dovuta allo sfruttamento (iniezione e/o estrazione) di fluidi nel sottosuolo è caratterizzata da un numero elevato di eventi caratterizzati da una
magnitudo molto piccola (0 < ML< 3). A conferma di ciò, secondo le informazioni
Tabella 4.1: Valori di riferimento della campagna di acquisizione GAPSS.
Num. Stazioni 20 adim.
Apertura 45 km
Distanza Media 10 km
Range di Frequenza 0.01 − 50 Hz
Campionamento 125 sample/sec
Bitrate 24 bit
reperibili in bibliografia, la maggior parte della sismicità che avviene nel LGTF è confinata nei primi 8 km di profondità. Il rilascio di energia avviene con tassi abbastanza costanti di circa 5 eventi/giorno con picchi che possono superare i 100 eventi/ora [Batini, Console e Luongo 1985; Piccinini et al. 2013]. Il rilascio continuo di eventi di piccola magnitudo è presumibilmente legato allo sfruttamento del campo geotermico. E’ interessante notare il fatto che non si conosce la condizione di rilascio di sismicità precedente alle operazioni industriali di sfruttamento. D’altro canto il dettaglio delle conoscenze geologiche e strutturali del LGTF consente di escludere la presenza di strutture sismogenetiche di rilevante importanza e dunque la possibilità che possano avvenire terremoti di una magnitudo importante.
4.2
Conversione dati
Il dataset utilizzato nel presente lavoro è stato ottenuto dall’analisi dei dati raccolti dal Maggio 2012 al Luglio 2013. Il dataset contiene i primi arrivi delle fasi P ed S di oltre 2000 eventi per un totale di 25803 letture. Dopo una prima fase di picking manuale dei primi arrivi tramite il programma SAC (Fig. 4.1), sono stati localizzati i terremoti per mezzo del programma Hypoellipse, scritto da John C. Lahr [Lahr 1979]. Una fase molto delicata del lavoro è stata quella della conversione dei file dal formato di uscita di Hypoellipse a quello interpretabile dal programma nominato come S.I.L. (South Iceland Lowland phase format) [Tryggvason 2009]. Questo tipo di formato, è stato raggiunto creando diversi filtri ad hoc in ambiente bash e
MATLAB R in diversi step (Fig. 4.2).
4.3
Parametrizzazione dei modelli & Inversione
Successivamente alla formattazione dati si è pensato alla parametrizzazione del modello e alla miglior configurazione di PStomo_eq per l’inversione. A seguito di test effettuati con un dataset ridotto, si è optato per una parametrizzazione a blocchi a velocità costante con spaziatura nelle tre dimensioni di 0, 5 km: l’area si estende per 45 km lungo la direzione Est-Ovest, 30 km lungo quella Nord-Sud e per 14 km in profondità. Il modello tomografico parte da una quota di 1 km s.l.m. in modo tale da includere nel modello la posizione delle stazioni sismiche evitando così errori di calcolo e fastidiosi artefatti nei risultati [Graeber e Asch 1999, Chiarabba,
Figura 4.1: Esempio di picking manuale effettuato con il programma SAC. Tabella 4.2: Dimensioni e campionamento dell’area parametrizzata per lo studio.
STARTING MODEL DIMENSIONS Direction Dimension (km) Sampling (km)
E-W 45 0, 5
N-S 30 0, 5
Z (depth) −1 : 14 0, 5
Amato e Meghraoui 1997]. I parametri dimensionali sono riassunti in Tab. 4.2. Il passo seguente, di gran lunga più importante, è stato la scelta dei profili di velocità 1D dei modelli P ed S: la scelta delle velocità nei modelli iniziali è a dir poco fondamentale, in quanto il risultato finale dell’inversione può cambiare
(a) bash script: filtro di rimozione eventi. (b) bash script: filtro di numerazioni stazioni.
(c) MATLAB Rscript: ripartizione del file
originario in singoli eventi.
(d) MATLAB Rscript: inizio della funzione di
formattazione dati chiamata più volte in un ciclo.
Figura 4.2: Alcuni esempi dei filtri utilizzati per la formattazione dei dati dal formato di
Hypoellipse a SIL in ambiente bash e MATLAB R.
drasticamente [Kissling et al. 1994, Kissling 1988].
Il minimum 1D-model come descritto da Kissling [Kissling et al. 1994] si ottiene invertendo una porzione del nostro dataset per ottenere la migliore tomografia 1D con seguente calcolo delle coordinate ipocentrali: il modello di partenza così calcolato permette di ottenere le migliori tomografie 3D poichè rende minima la dipendenza dallo stesso. Il modello di partenza utilizzato come modello a priori è stato ottenuto invertendo circa 500 eventi ben distribuiti nell’area in esame utilizzando il software Velest [Kissling, Kradolfer e Maurer 1995]. Nel corso del lavoro si è effettuato un confronto con i risultati di inversione ottenuti da un modello 1D già utilizzato in letteratura per studi tomografici dell’area [Vanorio et al. 2004, De Matteis et al. 2008].
Come si vede dalla Tab. 4.3 i due modelli non sono molto diversi. Si è deciso di utilizzare una parametrizzazione dei modelli a “gradiente lineare” (sono infatti definiti solo tre nodi di velocità all’interno del modello) poichè i risultati ottenuti sono nettamente migliori in quanto a definizione spaziale ed intensità delle anomalie
Tabella 4.3: Profili 1D di velocità delle onde compressionali nei modelli di partenza. Piccinini et al. Vanorio et al.
Depth (km) Vp (km/s) Depth (km) Vp (km/s)
−1.00 4.50 −1.00 4.70
6.00 5.50 6.50 5.40
14.00 6.20 14.00 5.55
di velocità nei modelli presenti.
I profili di velocità 1D delle onde S relativi ai modelli in Tab. 4.3 sono stati
calcolati utilizzando un rapporto VP/VS di 1, 68 (Fig. 4.4). Questo valore è stato
ottenuto in seguito alle analisi sui tempi di arrivo delle fasi P ed S degli eventi utilizzati per le inversioni: per ogni evento è stata calcolata la regressione lineare dei relativi arrivi (Fig. 4.3). Il valore riscontrato più volte è stato assunto come il migliore (Fig. 4.4). Sono stati selezionati i terremoti con un numero di registrazioni dei primi arrivi P ed S superiori a sette, con residui di entrambe le fasi inferiori al secondo.
Il termine k dell’Eq. 2.13 regola il damping delle perturbazioni al modello di velocità: questo parametro è utilizzato dal software con il nome di smoother. Per un risultato ottimale è stato necessario studiare l’andamento RMS (Root Mean
Squares) dei residui rispetto alle perturbazioni del modello. L’obiettivo del test
è quello di individuare il valore del parametro smoother da utilizzare per i primi cicli di inversione, al fine di ottenere il miglior datafit (RMS minori) con la minima perturbazione del modello (roughness)[Menke 1984, Aster, Borchers e Thurber 2005]. La curva in Fig. 4.5, chiamata curva di trade off, è stata generata utilizzando il software due volte: una per calcolare ed apportare le perturbazioni al modello, e un’altra per ricalcolare i nuovi traveltimes degli eventi sul modello perturbato. Questo processo è stato ripetuto variando l’intensità dello smoother con valori decrescenti effettuando l’inversione simultanea sui modelli di velocità P ed S. Il valore utilizzato in partenza rappresenta il minimo di questa curva.
Sempre nell’equazione 2.13, troviamo il termine l (nel software vps_reg): questo è il parametro che regola l’intensità della regolarizzazione del nostro problema inverso. In altre parole definisce il peso delle informazioni a priori con le quali
vincoliamo la nostra soluzione, in questo caso il rapporto VP/VS. Entrambi i valori
sono stati gradualmente rilasciati nel corso delle inversioni fino ad azzerarli. A seguito dei test effettuati, i valori dei parametri principali utilizzati sono riportati in Tab. 4.4.
7 8 9 10 11 6 7 8 9 10 11 12 13 14 TP [s] TS [ s] data L2 =1.7177 48 49 50 51 52 53 54 48 50 52 54 56 58 TP[s] TS [ s] data L2 =1.6594 19 20 21 22 23 20 21 22 23 24 25 26 27 28 TP [s] TS [ s] data L2 =1.6731 5 6 7 8 9 6 7 8 9 10 11 12 TP[s] TS [ s] data L2 =1.671
Figura 4.3: Grafico raffigurante le regressioni lineari ai minimi quadrati degli eventi migliori selezionati; questo tipo di grafico è noto in letteratura sismica col nome di Wadati plot.
1.3 1.4 1.5 1.6 1.7 1.8 1.9 2 2.1 2.2 2.3 0 10 20 30 40 50 60 70
V (P )/V (S) ratios
n
u
m
b
er
o
f
ev
en
ts
Figura 4.4: Istogramma raffigurante la distribuzione delle regressioni lineari ai minimi quadrati degli eventi presenti nel dataset finale.
Tabella 4.4: Lista descrittiva dei parametri del software utilizzati nelle inversioni. PSTOMO Parameters
Parameter Value Unit Measure Description
Forward cell: 0, 1 km Dimensione del
la-to della cella cubica utilizzata nel calcolo del forward travetime dell’evento.
Inversion grid spacing: 0, 5 km Spaziatura dei
no-di nelle tre no- dimen-sioni sul modello di inversione.
Smoother: 25 − 0 adim. Parametro di
control-lo degli “smoothing constrains”.
Vps_reg: 25 − 0 adim. Parametro che
rego-larizza la variazione
di velocità tra le VP
e le VS nei modelli.
VP
VS ratio: 1, 68 adim. Valore di riferimento
per la regolarizzazio-ne delle velocità regolarizzazio-nei due modelli.
∆x, ∆y, ∆z Ipocenters: 1, 0 km Massimo valore
spa-ziale di correzione
nel ricalcolo delle
coordinate ipocentra-li (x,y,z).
∆t Ipocenters: 0, 3 s Massimo valore
tem-porale di correzione
nel ricalcolo dei tem-pi di origine degli eventi.
1.042 1.044 1.046 1.048 1.05 1.052 1.054 1.056 x 10−3 0.145 0.15 0.155 0.16 0.165 0.17 0.175 0.18 0.185 250 100 75 60 50 40 35 30 25 20 18 15 12 10 P−MODEL ROUGHNESS RMSresiduals (P−waves) 3.118 3.12 3.122 3.124 3.126 3.128 3.13 3.132 3.134 x 10−3 0.145 0.15 0.155 0.16 0.165 0.17 0.175 0.18 0.185 250 100 75 60 50 40 35 30 25 20 18 15 12 10 S−MODEL ROUGHNESS RMS−residuals (S−waves)
Figura 4.5: Grafico esemplificativo del test di tradeoff RMS - roughness effettuato effet-tuato variando il valore di smoother su entrambi i modelli di velocità (modello P a sinistra, modello S a destra).
