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 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.

Bibliographic Details

Main Author:	Bordón, Pablo
Other Authors:	Martinelli, Hilda Patricia
Format:	info:eu-repo/semantics/doctoralThesis biblioteca
Language:	spa
Published:	Universidad de Buenos Aires. Facultad de Ciencias Exactas y Naturales
Subjects:	GEORADAR, DETECCION AUTOMATICA, APRENDIZAJE SUPERVISADO, BRIDAS DE TUBERIAS, PAREDES ANTIGUAS, INDUCCION ELECTROMAGNETICA, GEOELECTRICA, ERRORES DE DATOS, INVERSION CONJUNTA, AUTOMATIC DETECTION, SUPERVISED LEARNING, PIPE-FLANGES, ANCIENT WALLS, ELECTROMAGNETIC INDUCTION, GEOELECTRIC, DATA ERRORS, JOINT INVERSION,
Online Access:	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
Tags:	Add Tag No Tags, Be the first to tag this record!