Mejoras metodológicas en métodos eléctricos y electromagnéticos de prospección geofísica somera.
Los métodos de prospección geofísica Radar de Penetración Terrestre o Georadar (GPR), Geoeléctrico e inducción electromagnética espira-espira (EMI), permiten obtener información precisa de las propiedades eléctricas del subsuelo, a partir de mediciones realizadas en superficie. Los mismos son no inv...
Guardado en:
| Autor principal: | |
|---|---|
| Otros Autores: | |
| Formato: | Tesis doctoral publishedVersion |
| Lenguaje: | Español |
| Publicado: |
Universidad de Buenos Aires. Facultad de Ciencias Exactas y Naturales
2020
|
| Materias: | |
| Acceso en línea: | https://hdl.handle.net/20.500.12110/tesis_n6811_Bordon http://repositoriouba.sisbi.uba.ar/gsdl/cgi-bin/library.cgi?a=d&c=aextesis&d=tesis_n6811_Bordon_oai |
| Aporte de: |
| id |
I28-R145-tesis_n6811_Bordon_oai |
|---|---|
| record_format |
dspace |
| institution |
Universidad de Buenos Aires |
| institution_str |
I-28 |
| repository_str |
R-145 |
| collection |
Repositorio Digital de la Universidad de Buenos Aires (UBA) |
| language |
Español |
| orig_language_str_mv |
spa |
| topic |
GEORADAR DETECCION AUTOMATICA APRENDIZAJE SUPERVISADO BRIDAS DE TUBERIAS PAREDES ANTIGUAS INDUCCION ELECTROMAGNETICA GEOELECTRICA ERRORES DE DATOS INVERSION CONJUNTA GEORADAR AUTOMATIC DETECTION SUPERVISED LEARNING PIPE-FLANGES ANCIENT WALLS ELECTROMAGNETIC INDUCTION GEOELECTRIC DATA ERRORS JOINT INVERSION |
| spellingShingle |
GEORADAR DETECCION AUTOMATICA APRENDIZAJE SUPERVISADO BRIDAS DE TUBERIAS PAREDES ANTIGUAS INDUCCION ELECTROMAGNETICA GEOELECTRICA ERRORES DE DATOS INVERSION CONJUNTA GEORADAR AUTOMATIC DETECTION SUPERVISED LEARNING PIPE-FLANGES ANCIENT WALLS ELECTROMAGNETIC INDUCTION GEOELECTRIC DATA ERRORS JOINT INVERSION Bordón, Pablo Mejoras metodológicas en métodos eléctricos y electromagnéticos de prospección geofísica somera. |
| topic_facet |
GEORADAR DETECCION AUTOMATICA APRENDIZAJE SUPERVISADO BRIDAS DE TUBERIAS PAREDES ANTIGUAS INDUCCION ELECTROMAGNETICA GEOELECTRICA ERRORES DE DATOS INVERSION CONJUNTA GEORADAR AUTOMATIC DETECTION SUPERVISED LEARNING PIPE-FLANGES ANCIENT WALLS ELECTROMAGNETIC INDUCTION GEOELECTRIC DATA ERRORS JOINT INVERSION |
| description |
Los métodos de prospección geofísica Radar de Penetración Terrestre o Georadar (GPR), Geoeléctrico e inducción electromagnética espira-espira (EMI), permiten obtener información precisa de las propiedades eléctricas del subsuelo, a partir de mediciones realizadas en superficie. Los mismos son no invasivos y no destructivos, y relativamente rápidos en campo. Por estas razones, son ampliamente utilizados en numerosas aplicaciones asociadas a problemáticas que involucran profundidades someras. En la presente Tesis se proponen desarrollos innovadores para estos métodos geofísicos, que mejoran sus capacidades para caracterizar la estructura de los primeros metros del subsuelo y detectar en el mismo objetos de interés en ingeniería y arqueología. En las aplicaciones de GPR usualmente se adquieren grandes volúmenes de datos. En estos casos, el procesamiento de los mismos y, muy especialmente, su inspección en busca de las señales correspondientes a las estructuras objetivo, la cual se realiza de manera no automática, implican cantidades considerables de tiempo y esfuerzo humano, lo que a su vez incrementa la posibilidad de errores de interpretación. De lo expuesto resulta clara la relevancia de implementar métodos confiables para realizar dicho proceso de manera automática, pues su uso aliviaría notoriamente el trabajo del analista y contribuiría a la confiabilidad de las interpretaciones. Empleando métodos de aprendizaje supervisado, en particular, Redes Neuronales Artificiales (ANN), y Máquinas de Vectores de Soporte (SVM) en combinación con los descriptores de características de imagen Patrones Binarios Locales (LBP) e Histograma de Gradientes Orientados (HOG), se obtuvieron, respectivamente, tres algoritmos de detección automática de señales de bridas de tuberías en secciones de datos de GPR con offset constante (CO). Los mejores desempeños correspondieron a los algoritmos basados en ANN y SVM combinado con HOG, los cuales brindaron resultados muy satisfactorios en su aplicación a datos reales adquiridos sobre un mineraloducto ubicado en la Pcia. de Catamarca. SVM con LBP dio resultados algo más pobres. Por otra parte, utilizando clasificadores en cascada de Viola-Jones en conjunción con los descriptores LBP, HOG y Haar, y datos GPR-CO de sitios arqueológicos pre-Incaicos e Hispano-Incaicos ubicados en la zona Andina de Catamarca, se implementaron algoritmos de detección automática de señales de paredes de adobe y tapia, comunes en los sitios arqueológicos de toda esta región. El descriptor LBP brindó resultados malos. Por el contrario, los mejores algoritmos obtenidos con HOG y Haar proporcionaron tasas de detección altas para paredes bien conservadas y tasas aceptables para paredes deterioradas, con un bajo número de predicciones espurias. Inclusive, estos algoritmos exhibieron cierta capacidad de detectar paredes colapsadas y fragmentos desprendidos de ellas. Los mapas 3D obtenidos en base a estas detecciones delinearon en detalle la mayoría de las estructuras presentes en cada sitio. Estos resultados son notables ya que, por sus características, esta clase de paredes son difíciles de detectar aún mediante metodologías convencionales. Es importante destacar que todos los métodos de detección automática descriptos fueron implementados y pueden ser utilizados en computadoras personales de gama mediaalta, siendo su aplicación extremadamente rápida. Una ventaja fundamental de estas metodologías es que una vez obtenido un algoritmo para determinada aplicación, el mismo puede ser utilizado de forma directa en otros sitios con características similares. Estimar adecuadamente los errores de los datos geoeléctricos es complejo. Por este motivo, generalmente, los mismos no son considerados al aplicar los métodos de inversión que brindan los modelos de resistividad del subsuelo. La manera actualmente aceptada de estimar los errores se basa en la realización de mediciones reciprocas, pero esto prácticamente duplica los tiempos de adquisición y sólo provee resultados adecuados para algunas configuraciones de electrodos. En esta Tesis se presentan métodos numéricos, alternativos a ese procedimiento, que proveen estimaciones bastante aproximadas de los errores. Estos métodos sirven para cualquier arreglo de electrodos y, al ser numéricos, no incrementan los tiempos de medición. Al considerar estos errores para las inversiones, se reducen las anomalías espurias en los modelos de suelo. En esta misma línea, también se desarrollaron un procedimiento numérico y uno de campo que permiten estimar los errores de los datos EMI (los que usualmente no son informados por esos instrumentos). El segundo procedimiento además incrementa la relación señal-ruido. Al igual que en el caso de geoeléctrica, el uso de los mismos mejora apreciablemente los modelos de subsuelo obtenidos. Para los datos geoeléctricos, existen métodos eficientes de inversión 1D, 2D y 3D. En el caso de EMI, principalmente debido a que el modelado directo es más complejo, aún hoy en día, todavía se utilizan mayoritariamente métodos de inversión 1D. Una vez implementados los procedimientos de adquisición y procesado de datos descriptos en el párrafo precedente, se desarrolló una solución alternativa para el problema de inversión 1D de datos EMI e inversión conjunta 1D de datos EMI y geoeléctricos, basada en ANN. La inversión conjunta de ambos tipos de datos puede aportar información relevante, especialmente en aquellos casos donde las respuestas del terreno a las fuentes empleadas por cada método (campos magnéticos inductores cuasi-estacionarios y corrientes continuas, respectivamente) son diferentes. El método desarrollado, junto con los procedimientos de adquisición y procesado de datos antes mencionados, se aplicó exitosamente para estudiar un sitio con suelo arcillo limoso, próximo a un arroyo, en la zona sur del Gran Buenos Aires y contaminación por barriles enterrados en el terreno trasero de una industria, también ubicada en la zona sur del Gran Buenos Aires. |
| author2 |
Martinelli, Hilda Patricia |
| author_facet |
Martinelli, Hilda Patricia Bordón, Pablo |
| format |
Tesis doctoral Tesis doctoral publishedVersion |
| author |
Bordón, Pablo |
| author_sort |
Bordón, Pablo |
| title |
Mejoras metodológicas en métodos eléctricos y electromagnéticos de prospección geofísica somera. |
| title_short |
Mejoras metodológicas en métodos eléctricos y electromagnéticos de prospección geofísica somera. |
| title_full |
Mejoras metodológicas en métodos eléctricos y electromagnéticos de prospección geofísica somera. |
| title_fullStr |
Mejoras metodológicas en métodos eléctricos y electromagnéticos de prospección geofísica somera. |
| title_full_unstemmed |
Mejoras metodológicas en métodos eléctricos y electromagnéticos de prospección geofísica somera. |
| title_sort |
mejoras metodológicas en métodos eléctricos y electromagnéticos de prospección geofísica somera. |
| publisher |
Universidad de Buenos Aires. Facultad de Ciencias Exactas y Naturales |
| publishDate |
2020 |
| url |
https://hdl.handle.net/20.500.12110/tesis_n6811_Bordon http://repositoriouba.sisbi.uba.ar/gsdl/cgi-bin/library.cgi?a=d&c=aextesis&d=tesis_n6811_Bordon_oai |
| work_keys_str_mv |
AT bordonpablo mejorasmetodologicasenmetodoselectricosyelectromagneticosdeprospecciongeofisicasomera AT bordonpablo methodologicalimprovementsinelectricalandelectromagneticmethodsofnearsurfacegeophysicalprospecting |
| _version_ |
1766016030853824512 |
| spelling |
I28-R145-tesis_n6811_Bordon_oai2023-04-26 Martinelli, Hilda Patricia Bordón, Pablo 2020-08-14 Los métodos de prospección geofísica Radar de Penetración Terrestre o Georadar (GPR), Geoeléctrico e inducción electromagnética espira-espira (EMI), permiten obtener información precisa de las propiedades eléctricas del subsuelo, a partir de mediciones realizadas en superficie. Los mismos son no invasivos y no destructivos, y relativamente rápidos en campo. Por estas razones, son ampliamente utilizados en numerosas aplicaciones asociadas a problemáticas que involucran profundidades someras. En la presente Tesis se proponen desarrollos innovadores para estos métodos geofísicos, que mejoran sus capacidades para caracterizar la estructura de los primeros metros del subsuelo y detectar en el mismo objetos de interés en ingeniería y arqueología. En las aplicaciones de GPR usualmente se adquieren grandes volúmenes de datos. En estos casos, el procesamiento de los mismos y, muy especialmente, su inspección en busca de las señales correspondientes a las estructuras objetivo, la cual se realiza de manera no automática, implican cantidades considerables de tiempo y esfuerzo humano, lo que a su vez incrementa la posibilidad de errores de interpretación. De lo expuesto resulta clara la relevancia de implementar métodos confiables para realizar dicho proceso de manera automática, pues su uso aliviaría notoriamente el trabajo del analista y contribuiría a la confiabilidad de las interpretaciones. Empleando métodos de aprendizaje supervisado, en particular, Redes Neuronales Artificiales (ANN), y Máquinas de Vectores de Soporte (SVM) en combinación con los descriptores de características de imagen Patrones Binarios Locales (LBP) e Histograma de Gradientes Orientados (HOG), se obtuvieron, respectivamente, tres algoritmos de detección automática de señales de bridas de tuberías en secciones de datos de GPR con offset constante (CO). Los mejores desempeños correspondieron a los algoritmos basados en ANN y SVM combinado con HOG, los cuales brindaron resultados muy satisfactorios en su aplicación a datos reales adquiridos sobre un mineraloducto ubicado en la Pcia. de Catamarca. SVM con LBP dio resultados algo más pobres. Por otra parte, utilizando clasificadores en cascada de Viola-Jones en conjunción con los descriptores LBP, HOG y Haar, y datos GPR-CO de sitios arqueológicos pre-Incaicos e Hispano-Incaicos ubicados en la zona Andina de Catamarca, se implementaron algoritmos de detección automática de señales de paredes de adobe y tapia, comunes en los sitios arqueológicos de toda esta región. El descriptor LBP brindó resultados malos. Por el contrario, los mejores algoritmos obtenidos con HOG y Haar proporcionaron tasas de detección altas para paredes bien conservadas y tasas aceptables para paredes deterioradas, con un bajo número de predicciones espurias. Inclusive, estos algoritmos exhibieron cierta capacidad de detectar paredes colapsadas y fragmentos desprendidos de ellas. Los mapas 3D obtenidos en base a estas detecciones delinearon en detalle la mayoría de las estructuras presentes en cada sitio. Estos resultados son notables ya que, por sus características, esta clase de paredes son difíciles de detectar aún mediante metodologías convencionales. Es importante destacar que todos los métodos de detección automática descriptos fueron implementados y pueden ser utilizados en computadoras personales de gama mediaalta, siendo su aplicación extremadamente rápida. Una ventaja fundamental de estas metodologías es que una vez obtenido un algoritmo para determinada aplicación, el mismo puede ser utilizado de forma directa en otros sitios con características similares. Estimar adecuadamente los errores de los datos geoeléctricos es complejo. Por este motivo, generalmente, los mismos no son considerados al aplicar los métodos de inversión que brindan los modelos de resistividad del subsuelo. La manera actualmente aceptada de estimar los errores se basa en la realización de mediciones reciprocas, pero esto prácticamente duplica los tiempos de adquisición y sólo provee resultados adecuados para algunas configuraciones de electrodos. En esta Tesis se presentan métodos numéricos, alternativos a ese procedimiento, que proveen estimaciones bastante aproximadas de los errores. Estos métodos sirven para cualquier arreglo de electrodos y, al ser numéricos, no incrementan los tiempos de medición. Al considerar estos errores para las inversiones, se reducen las anomalías espurias en los modelos de suelo. En esta misma línea, también se desarrollaron un procedimiento numérico y uno de campo que permiten estimar los errores de los datos EMI (los que usualmente no son informados por esos instrumentos). El segundo procedimiento además incrementa la relación señal-ruido. Al igual que en el caso de geoeléctrica, el uso de los mismos mejora apreciablemente los modelos de subsuelo obtenidos. Para los datos geoeléctricos, existen métodos eficientes de inversión 1D, 2D y 3D. En el caso de EMI, principalmente debido a que el modelado directo es más complejo, aún hoy en día, todavía se utilizan mayoritariamente métodos de inversión 1D. Una vez implementados los procedimientos de adquisición y procesado de datos descriptos en el párrafo precedente, se desarrolló una solución alternativa para el problema de inversión 1D de datos EMI e inversión conjunta 1D de datos EMI y geoeléctricos, basada en ANN. La inversión conjunta de ambos tipos de datos puede aportar información relevante, especialmente en aquellos casos donde las respuestas del terreno a las fuentes empleadas por cada método (campos magnéticos inductores cuasi-estacionarios y corrientes continuas, respectivamente) son diferentes. El método desarrollado, junto con los procedimientos de adquisición y procesado de datos antes mencionados, se aplicó exitosamente para estudiar un sitio con suelo arcillo limoso, próximo a un arroyo, en la zona sur del Gran Buenos Aires y contaminación por barriles enterrados en el terreno trasero de una industria, también ubicada en la zona sur del Gran Buenos Aires. The methods of geophysical prospecting Ground Penetrating Radar or Georadar (GPR), Geoelectric and dual coil electromagnetic induction (EMI), allow obtaining accurate information of the electrical properties of the subsoil, based on surface measurements. Since they are non-invasive and non-destructive, and relatively fast in the fieldwork, they are widely used many applications associated to problems involving shallow depths. In this Thesis, innovative developments are proposed for these geophysical methods, which improve their capabilities to characterize the structure of the first meters of the subsoil and detect buried objects of interest in the fields of engineering and archeology. In GPR applications, large volumes of data are usually acquired. In these cases, the processing and, especially, the inspection of the data in search of the signals corresponding to the target structures, which is carried out in a non-automatic way, implies considerable amounts of time and human effort, which also increases the possibility of interpretation errors. From this, the relevance of implementing reliable methods to perform this process automatically becomes clear, since their use could significantly alleviate the work of the analyst and contribute to the reliability of the interpretations. Using supervised learning methods, in particular, Artificial Neural Networks (ANN), and Support Vector Machines (SVM) in combination with the image feature descriptors Local Binary Patterns (LBP) and Histogram of Oriented Gradients (HOG), three algorithms were respectively obtained for the automatic detection of pipe-flange signals in constant offset (CO) GPR data sections. The best performances corresponded to the algorithms based on ANN and SVM combined with HOG, which produced very satisfactory results in their application to real data acquired on a mineral duct located in the Province of Catamarca, Argentina. SVM with LBP gave results somewhat poorer. On the other hand, using Viola-Jones cascaded classifiers in conjunction with the descriptors LBP, HOG and Haar, and CO-GPR data of pre-Inca and Inca-Hispanic archaeological sites located in the Andean zone of Catamarca, NW Argentina, algorithms for the automatic detection of the signals of adobe and tapia walls were implemented. These walls are common in the archaeological sites of this entire region. The LBP descriptor produced poor results. In contrast, the best algorithms obtained with HOG and Haar provided high detection rates for well-preserved walls and acceptable rates for deteriorated walls, with a low number of spurious predictions. They also exhibited ability to detect collapsed walls and fragments detached from them. The 3D maps obtained based on these detections delineated in detail most of the structures present the sites. These are remarkable results, since these walls are difficult to detect even by conventional methodologies due to their characteristics. All of the automatic detection methods described were implemented and can be used in mid-high range personal computers, their application being extremely fast. A fundamental advantage of these methodologies is that once an algorithm for a specific application is obtained, it can be used directly in other sites with similar characteristics. Accurately estimating geoelectric data errors is complex. For this reason, they are generally not considered when applying the inversion methods to obtain the subsoil resistivity models. The currently accepted manner of estimating these errors is based on performing reciprocal measurements. However, this practically doubles acquisition times and only provides adequate results for some electrode configurations. In this work, numerical methods alternative to this procedure are presented, which provide fairly approximate error estimates. These methods are suitable for any electrode array and, being numerical, do not increase measurement times. Considering these errors for the inversions, the spurious anomalies in the subsoil models are reduced. Analogously, numeric and field procedures were developed that allow estimating EMI data errors, which are usually not reported by these instruments. The field procedure also increases the signal-to-noise ratio. As in the previous case, their use appreciably improves the subsoil models obtained. For geoelectric data, there are efficient 1D, 2D and 3D inversion methods. In the case of EMI, mainly because direct modeling is more complex, even today, 1D inversion methods are still mostly used. Once the procedures for data acquisition and processing described in the preceding paragraph were implemented, an unconventional solver for the problem of 1D inversion of EMI data and joint 1D inversion of EMI and geoelectric data, based on ANN, was developed. Joint inversion can provide relevant information, especially in those cases where the responses of the terrain to the sources used by each method (quasi-stationary magnetic fields and DC currents, respectively) are different. The proposed method, together with the aforementioned procedures of data acquisition and processing, was successfully applied to study a site with silty clay soil, near a stream, and contamination due to buried barrels in the back land of an industry, both located in the Province of Buenos Aires, Argentina. Fil: Bordón, Pablo. Universidad de Buenos Aires. Facultad de Ciencias Exactas y Naturales; Argentina. application/pdf https://hdl.handle.net/20.500.12110/tesis_n6811_Bordon spa Universidad de Buenos Aires. Facultad de Ciencias Exactas y Naturales info:eu-repo/semantics/openAccess https://creativecommons.org/licenses/by-nc-sa/2.5/ar GEORADAR DETECCION AUTOMATICA APRENDIZAJE SUPERVISADO BRIDAS DE TUBERIAS PAREDES ANTIGUAS INDUCCION ELECTROMAGNETICA GEOELECTRICA ERRORES DE DATOS INVERSION CONJUNTA GEORADAR AUTOMATIC DETECTION SUPERVISED LEARNING PIPE-FLANGES ANCIENT WALLS ELECTROMAGNETIC INDUCTION GEOELECTRIC DATA ERRORS JOINT INVERSION Mejoras metodológicas en métodos eléctricos y electromagnéticos de prospección geofísica somera. Methodological improvements in electrical and electromagnetic methods of near surface geophysical prospecting. info:eu-repo/semantics/doctoralThesis info:ar-repo/semantics/tesis doctoral info:eu-repo/semantics/publishedVersion http://repositoriouba.sisbi.uba.ar/gsdl/cgi-bin/library.cgi?a=d&c=aextesis&d=tesis_n6811_Bordon_oai |