Universidad Autónoma de Nuevo León Facultad de Ciencias de La Tierra

UNIVERSIDAD AUTÓNOMA DE NUEVO LEÓN
FACULTAD DE CIENCIAS DE LA TIERRA
TESIS
INVERSIÓN CONJUNTA DE SÍSMICA DE REFRACCIÓN Y

SONDEOS ELÉCTRICOS VERTICALES UTILIZANDO
PROGRAMACIÓN EVOLUTIVA
PRESENTA
ING. JORGE LUIS MERLO MEJÍA
COMO REQUISITO PARCIAL PARA OBTENER EL GRADO DE

MAESTRÍA EN CIENCIAS GEOLÓGICAS
NOVIEMBRE, 2017
TESIS

PRESENTA
COMO REQUISITO PARCIAL PARA OBTENER EL GRADO DE

MAESTRÍA EN CIENCIAS GEOLÓGICAS
LINARES, NUEVO LEÓN, MÉXICO NOVIEMBRE, 2017

LA TESIS

QUE PRESENTA
HA SIDO ACEPTADA COMO REQUISITO PARCIAL PARA OPTAR

AL GRADO DE MAESTRÍA EN CIENCIAS GEOLÓGICAS
VO. BO. DEL DIRECTOR DE TESIS
____________________________________
DR. SÓSTENES MÉNDEZ DELGADO

LA TESIS
INVERSIÓN CONJUNTA DE SÍSMICA DE REFRACCIÓN Y SONDEOS

ELÉCTRICOS VERTICALES UTILIZANDO PROGRAMACIÓN EVOLUTIVA
QUE PRESENTA
HA SIDO ACEPTADA COMO REQUISITO PARCIAL PARA OPTAR

AL GRADO DE MAESTRÍA EN CIENCIAS GEOLÓGICAS
LA COMISIÓN DE REVISIÓN DE TESIS
___________________________
DR. SÓSTENES MÉNDEZ DELGADO
_______________________________ _________________________________
Dr. Oscar Mario Romero de la Cruz Dr. Francisco Javier Almaguer Martínez

Por este medio, declaro bajo protesta, haber realizado esta tesis de manera personal y
haber utilizado únicamente los medios y procedimientos descritos en la misma.
Jorge Luis Merlo Mejı́a

Linares, Nuevo León, 2017
Dedicatoria
A mis padres por brindarme todo su amor, apoyo y motivación para salir adelante, soy
consciente de todo el esfuerzo y sacrificio que han hecho por mı́ y espero retribuirles a lo
largo de mi vida todos los buenos momentos que me han dado. Todos los éxitos que logre en
esta vida es debido y dedicado a ustedes.
A mi hermanita Melissa por su confianza, paciencia y por siempre estar ahı́ para apoyarme.
Agradecimientos
Al Dr. Sóstenes Méndez Delgado por toda su confianza y apoyo como director de esta tesis
asi como la total disposición para transmitir sus conocimientos.
Al Dr. Óscar Mario Romero de la Cruz por la confianza depositada en este proyecto y por
brindarme su amistad, consejos y apoyo de manera académica, personal y deportiva.
Al Dr. Francisco Javier Almaguer Martı́nez por sus consejos, paciencia y confianza
transmitidos en todo momento.
Al Consejo Nacional de Ciencia y Tecnologı́a, por su apoyo, al otorgarme la beca de

manutención durante los estudios de maestrı́a.
A la Facultad de Ciencias de la Tierra por tantas experiencias vividas y por haberme hecho
crecer como persona en el ámbito académico y personal.
Al Lic. Roberto Soto Villalobos, el Profe Soto, por todas sus enseñanzas, disposición y
paciencia a lo largo de estos años, pero sobre todo, por los tantos buenos consejos que me
han guiado de manera correcta académica y personalmente. Toda mi admiración y respeto.
A mi generación de posgrado la “MGP”, Saimon, Christian, Chava, Xavi, Ana, Carlos,

Jovany, Chucho, Meme, Myriam, Leny, Angelo y Don Raul por tantos buenos momentos y
por enseñarme el significado de una amistad duradera.
A mis amigots de posgrado Saimon, Manuel, Darı́o, Freddy, Lalo, Moy, Adrián, Daniel y
Sergio, por aguantarme y por haberme hecho pasar momentos muy agradables.
Al Ing. Sahid Ruiz por su amistad y por haber estado ahi para apoyarme siempre que lo
necesitara.
Al M.C Gerardo Vargas por haberme apoyado académica y personalmente siempre que ha
sido requerido.
Al Dr. Fernando Velasco Tapia por todas sus reflexiones de vida, consejos y regaños al estar
pendiente de mi trabajo de tesis.
Al Dr. Carlos Aguilar Madera por haberme brindado su apoyo en posgrado.

Índice general
Índice general I
Índice de figuras III
Índice de tablas VI
Resumen VIII
Abstract IX
1. Introducción 1
1.1. Antecedentes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.2. Hipótesis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.3. Objetivos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.3.1. Objetivos Generales . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.3.2. Objetivos Particulares . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.4. Metodologı́a . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
2. Optimización Global en Inversión Geofı́sica 5

2.1. Introducción . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
2.2. Métodos de inversión basados en modelos . . . . . . . . . . . . . . . . . . . . 6
2.3. Optimización Global . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
2.3.1. Programación Evolutiva . . . . . . . . . . . . . . . . . . . . . . . . . 9
2.4. Programación Evolutiva aplicada a Estimación de Parámetros . . . . . . . . 14
2.4.1. Anomalı́a gravimétrica de una esfera . . . . . . . . . . . . . . . . . . 14
2.4.2. Resultados del modelo de esfera . . . . . . . . . . . . . . . . . . . . . 16
2.5. Resumen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
i
3. Inversión de Sı́smica y Resistividad mediante PE 18
3.1. Introducción . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
3.2. Sı́smica de Refracción . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
3.2.1. Modelado directo de Sı́smica de Refracción utilizando Programación
Evolutiva . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
3.2.2. Optimización de la ecuación de tiempos de arribo mediante
Programación Evolutiva . . . . . . . . . . . . . . . . . . . . . . . . . 22
3.2.3. Modelado inverso de Sı́smica de Refracción utilizando Programación
Evolutiva . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
3.3. Sondeo Eléctrico Vertical (SEV) . . . . . . . . . . . . . . . . . . . . . . . . . 36
3.3.1. Modelado Directo de SEV . . . . . . . . . . . . . . . . . . . . . . . . 36
3.3.2. Modelado Inverso de SEV utilizando Programación Evolutiva . . . . 40
3.4. Inversión Conjunta . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
3.4.1. Esquema de Inversión Conjunta mediante PE . . . . . . . . . . . . . 42
3.5. Resumen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
4. Análisis y Resultados 45
4.1. Introducción . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
4.2. Inversión de Datos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
4.2.1. Inversión de datos para modelos de 3 capas y un semiespacio . . . . . 52
4.2.2. Inversión de datos para modelos de 4 capas . . . . . . . . . . . . . . . 58
4.2.3. Inversión de datos para un modelo complejo . . . . . . . . . . . . . . 62
4.3. Análisis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65
4.4. Resumen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65
5. Conclusiones y Recomendaciones 66
5.1. Conclusiones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 66
5.2. Recomendaciones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67
Bibliografı́a 68
ii
Índice de figuras
2.1. Diagrama de flujo de Programación Evolutiva . . . . . . . . . . . . . . . . . 10

2.2. Evolución de una población de 100 individuos a lo largo de 15 generaciones
en la maximización de la función presentada en la Ecuación 2.9. Los valores
mostrados en cada gráfica corresponden al seguimiento de un individuo elegido
al azar, representado por •. . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
2.3. Función Egg-Holder, con una gran cantidad de máximos y mı́nimos locales. . 12
2.4. Evolución de una población de 100 individuos a lo largo de 54 generaciones,
el resultado de la estimación de parámetros se presenta en (d) donde se puede
apreciar la convergencia de todos los individuos a una misma respuesta. . . . 13
2.5. Evolución de una población de 100 individuos a lo largo de 100 generaciones,
el resultado de la estimación de parámetros se presenta en (d) donde se puede
apreciar la convergencia de todos los individuos a una misma respuesta. . . . 17
3.1. Esquema representativo de la trayectoria de un rayo refractado en un medio

de tres capas simbolizando los parámetros utilizados en la Ecuación 3.8
(Modificado de Marroquı́n Navarro (2012)). . . . . . . . . . . . . . . . . . . 20
3.2. Población inicial del trazado de rayos para sı́smica de refracción. Aplicado al
modelo descrito en la Tabla 3.1 . . . . . . . . . . . . . . . . . . . . . . . . . 25
3.3. Trazado de rayos en la generación 20. Se puede apreciar la tendencia a seguir
para cada trayectoria Fuente-Geófono en las siguientes generaciones. . . . . . 25
3.4. Trazado de rayos en la generación 50. Se presenta la convergencia de cada
individuo en base al tiempo mı́nimo para cada trayectoria Fuente-Geófono. . 26
iii
3.5. Trazado de rayos en la generación 100, todos los individuos han llegado a una
misma solución al encontrar la trayectoria con el tiempo mı́nimo para cada
distancia Fuente-Geófono. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
3.6. Trazado de rayos que viajan a través del estrato inferior del Modelo 2 a partir
de las coordenadas obtenidas por el algoritmo de PE . . . . . . . . . . . . . 29
3.7. Tiempos de arribo graficados a partir del Modelo 2. . . . . . . . . . . . . . . 29
3.8. Trazado de rayos que viajan a través de todos los estratos presentes en el
Modelo 3. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
3.9. Tiempos de arribo graficados a partir del Modelo 3 (Figura 3.8). . . . . . . . 31
3.10. Trazado de rayos sı́smicos que viajan a través de todos los estratos del Modelo 4. 32
3.11. Tiempos de arribo calculados para el Modelo 4. . . . . . . . . . . . . . . . . 33
3.12. Representación de un individuo o rayo sı́smico mutado que viaja a través de
un modelo de velocidades. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
3.13. Curva de resistividad aparente para distintos modelos estratificados del
subsuelo. Se pueden apreciar algunas de las nomenclaturas utilizadas para
la interpretación, en caso de abordar a mayor detalle este tema se recomienda
consultar Telford et al. (1990) o Kearey et al. (2013) . . . . . . . . . . . . . 39
4.1. Parámetros del Modelo 1, de 2 capas con resistividades y velocidades en orden

ascendente. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
4.2. Resultado de la inversión conjunta de datos de resistividad aparente y tiempos
de arribo del Modelo 1 en la generación 1, la población inicial explora todo el
espacio de soluciones. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
de arribo del Modelo 1 en la generación 20, se puede apreciar la tendencia a
seguir en las siguientes generaciones. . . . . . . . . . . . . . . . . . . . . . . 48
de arribo del Modelo 1 en la generación 50. . . . . . . . . . . . . . . . . . . . 49
de arribo del Modelo 1 en la generación 150. . . . . . . . . . . . . . . . . . . 50
iv
de arribo del Modelo 1 en la generación 300, a partir de la generación 150 se
puede apreciar una estabilidad en el valor rms. Todos los individuos han llegado
a una misma solución. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
4.7. Parámetros del Modelo 2, de tres capas con velocidades y resistividades en
orden ascendente. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52
de arribo del Modelo 2. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53
4.9. Parámetros del Modelo 3, de tres capas con velocidades ascendentes y una
capa resistiva en medio de dos conductivas. . . . . . . . . . . . . . . . . . . . 54
4.11. Parámetros del Modelo 4, de tres capas con velocidades ascendentes y una
capa conductiva en medio de dos resistivas. . . . . . . . . . . . . . . . . . . . 56
4.13. Parámetros del Modelo 5, de 4 capas con velocidades y resistividades en orden
ascendente. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58
4.15. Parámetros del Modelo 6, de 4 capas con velocidades ascendentes y alternación
en resistividades. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 60
4.17. Parámetros del Modelo 7, que consiste de dos capas para sı́smica y tres capas
para resistividad. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 62
de arribo del Modelo 7 contaminado con un 5 % de ruido gaussiano. . . . . . 64
v
Índice de tablas
3.1. Parámetros utilizados para el Modelo 1. . . . . . . . . . . . . . . . . . . . . 24

3.3. Tiempos de arribo calculados para el Modelo 2 mediante el algoritmo de PE
y comparados con los obtenidos de Burger (1992). Se puede apreciar como la
onda refractada a partir del geófono 30 llega a ser más rápida que la onda
directa. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
3.6. Coeficientes del filtro digital “corto” de Ghosh para un arreglo Schlumberger. 37
3.7. Coeficientes del filtro Guptasarma de 11 puntos. . . . . . . . . . . . . . . . . 38
4.1. Parámetros utilizados en los operadores de Programación Evolutiva para el

Modelo 1, ası́ como los espacios de búsqueda establecidos para cada parámetro
a estimar (EB). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
a estimar (EB). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52
a estimar (EB). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54
a estimar (EB). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56
vi
a estimar (EB). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58
a estimar (EB). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 60
a estimar (EB). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 62
vii
Resumen
La complejidad del problema inverso en geofı́sica ha llevado a soluciones no analı́ticas por

lo que se han explorado distintas técnicas alternativas en la búsqueda de una solución óptima,
dentro de las que se pueden mencionar las técnicas metaheurı́sticas, ya que conociendo
el espacio de soluciones, el problema inverso puede ser planteado como un problema de
optimización en el que nuestra búsqueda (dadas ciertas restricciones) se puede reducir a
encontrar de manera aleatoria un óptimo que proporcione una solución al problema. Los
métodos geofı́sicos analizados en el presente trabajo son sı́smica de refracción y sondeo
eléctrico vertical, que se aplican generalmente a la delimitación de estructuras cerca de
la superficie. La aplicación del sondeo eléctrico vertical es apropiada cuando las unidades
geológicas se presentan de manera superficial y con una gran extensión lateral en la litologı́a,
aunque su desempeño se limita al afrontar el problema de equivalencia. La sı́smica de
refracción también tiene sus limitaciones, como la incapacidad de detectar estratos delgados y
sus respectivas profundidades y velocidades. Las limitaciones de cada técnica pueden reducirse
en gran medida adoptando un esquema de inversión conjunta. Diferentes cantidades fı́sicas
pueden integrarse en una inversión conjunta si los datos medidos están influenciados por
un subconjunto de parámetros comunes. Para los datos de sı́smica de refracción y sondeos
eléctricos verticales que representan respuestas fı́sicamente diferentes, el espesor de capa
puede funcionar como parámetro en común para ambos. El objetivo principal del presente
trabajo es introducir un algoritmo capaz de resolver la inversión conjunta de ambos métodos
utilizando Programación Evolutiva, una variante de los métodos de Monte Carlo inspirada en
la evolución de las especies y la selección natural. Se realizaron varias pruebas teniendo como
resultado una estimación de parámetros bastante aproximada a los propuestos en el modelado
directo, se probó que la técnica es capaz de ser utilizada en datos sintéticos contaminados
con ruido, validando su efectividad para poder trabajar con datos reales.
viii
Abstract
The complexity of the inverse problem in geophysics has led to non-analytical solutions.
Therefore, alternative techniques have been explored in the search for an optimal solution,
within which metaheuristic techniques can be mentioned, since knowing the solutions space,
the inverse problem can be posed as an optimization problem in which our search (given
certain constraints) can be reduced to randomly find an optimum that provides a solution to
the problem. The methods analyzed in the present work are refraction seismic and vertical
electrical sounding, which are generally applied for the delimitation of structures near the
surface. The application of the vertical electrical sounding is appropriate when the geological
units are presented superficially and with a great lateral extension in the lithology, although
their performance is limited when facing the problem of equivalence. Seismic refraction also
has its limitations, such as inability to detect thin strata and their respective depths and
velocities. The individual constraints of each technique can be greatly reduced by adopting a
joint inversion scheme. Different physical quantities can be integrated into a joint inversion
if the measured data is influenced by a subset of common parameters. For refractive seismic
and vertical electrical sounding data representing physically different responses, the layer
thickness can function as the common parameter for both. The main objective of the present
work is to introduce an algorithm capable of solving the joint inversion of both methods using
the Evolutionary Programming technique, a variant of Monte Carlo methods inspired by the
evolution of the species and the natural selection from which it was obtained an estimation of
parameters quite close to those proposed in direct modeling, it was proved that it is capable
of being used in synthetic data contaminated with noise, validating its effectiveness in order
to be able to work with real data.
ix
Capı́tulo 1
Introducción
1.1. Antecedentes
El determinar la estructura del subsuelo y sus propiedades fı́sicas a partir de los datos
geofı́sicos observados consiste en resolver el problema inverso. Es por esta razón que la teorı́a
del problema inverso en su sentido más amplio ha sido desarrollada por investigadores que
han propuesto distintas técnicas para la inversión de datos en geofı́sica (Menke, 1984; Meju,
1994; Parker, 1994; Sen y Stoffa, 1995; Tarantola, 2005) ya que se trata de entender el interior
de la Tierra sólo a partir de datos obtenidos desde la superficie. Para comprender como los
datos son afectados por el modelo se procede a resolver el problema directo, que consiste en
calcular la respuesta para un modelo del subsuelo propuesto. Las limitaciones individuales de
cada método geofı́sico pueden reducirse en gran medida adoptando un esquema de inversión
conjunta en el que diferentes cantidades fı́sicas pueden integrarse si los datos medidos están
influenciados por un subconjunto de parámetros comunes. Vozoff y Jupp (1974) introdujeron
esta técnica mediante la combinación de datos de resistividad y magnetotelúricos observando
una mejor resolución en los parámetros del modelo estimado. A partir de ese año diversos
autores han estudiado la combinación de diferentes métodos geofı́sicos con la finalidad de
obtener una mejor estimación de parámetros, entre los más comunes se pueden mencionar
los métodos sı́smicos-geoléctricos (Kumar et al., 1999; Gallardo y Meju, 2003; de Nardis et
al., 2005; Juhojuntti y Kamm, 2015), de resistividad, conductividad y medición magnética
de resistividad (MMR) (Méndez Delgado, 1997; Pérez Flores et al., 2001) para delimitar
estructutras superficiales y los métodos magnéticos-gravimétricos para obtener una mejor
1
CAPÍTULO 1. INTRODUCCIÓN
resolución a más profundidad (Fedi y Rapolla, 1999; Gallardo Delgado et al., 2003; Pilkington,
2006).
La complejidad del problema inverso en geofı́sica ha llevado a soluciones no analı́ticas por lo

que se han explorado distintas técnicas alternativas en la búsqueda de una solución óptima,
dentro de estas técnicas se pueden mencionar los Algoritmos Evolutivos (AEs), técnicas
fundamentadas en los principios evolutivos de la naturaleza e introducidos durante los años
60 y 70 mediante tres interpretaciones distintas de esta idea. Ası́ es como la Programación
Evolutiva (PE) (Fogel et al., 1966), las Estrategias Evolutivas (EE) (Rechenberg, 1973) y los
Algoritmos Genéticos (AGs) (Holland, 1975) sentaron las bases de lo que es hoy en dı́a la
Computación Evolutiva (CE), es a partir de estos años que los AEs se han diversificado en
el campo de la optimización por distintas ramas de la ciencia.
De acuerdo a Deb (2001), aunque existen diferentes AEs, todos comparten un conjunto de
propiedades en común que las diferencian de los métodos clásicos de optimización: trabajan
con una población de soluciones en un determinado espacio de búsqueda lo que elimina la
dependencia de asumir una solución inicial ası́ como reducir la tendencia a quedar atrapado
en un mı́nimo local. Al iniciar con un conjunto aleatorio de soluciones, un AE modifica la
población actual a una población diferente en cada iteración. El trabajar con un número
de soluciones proporciona al AE la capacidad para detectar múltiples soluciones óptimas en
cada simulación. Ya que no se requiere linealizar el problema directo o calcular derivadas
parciales el AE no asume una estructura particular del problema a resolver, esto debido a
que sus operadores utilizan procesos estocásticos y no determinı́sticos.
Una vez hecho el análisis anterior y conociendo el espacio de soluciones, el problema

inverso puede ser planteado como un problema de optimización en el que nuestra búsqueda
(dadas ciertas restricciones) se puede reducir a encontrar, de manera aleatoria, un óptimo
que proporcione una solución al problema.
Los dos métodos geofı́sicos analizados en este trabajo son Sondeos Eléctricos Verticales
(SEVs) y Sı́smica de Refracción que se aplican generalmente para la delimitación de
estructuras cerca de la superficie. Se utiliza el lenguaje de programación R, uno de
2
los lenguajes más utilizados en investigación por la comunidad estadı́stica y que será
implementado en el área de la optimización al diseñar un algoritmo de PE para aplicarlo
a la inversión conjunta de los métodos antes mencionados.
1.2. Hipótesis
Aplicar un algoritmo de PE en la inversión conjunta de sı́smica de refracción y sondeos
eléctricos verticales producirá buenos resultados para diversas pruebas de inversión de datos
sintéticos en modelos 1-D, validando su aplicación a datos reales.
1.3. Objetivos
1.3.1. Objetivos Generales
• Diseño de un algoritmo de PE de fácil implementación para poder aplicarlo a distintos

problemas de inversión en geofı́sica y de optimización en general.
• Inversión conjunta de datos de resistividad aparente en SEVs y de tiempos de arribo

en Sı́smica de Refracción, utilizando un algoritmo de PE con el cual se puedan obtener
modelos 1-D del subsuelo y cuyos datos calculados se ajusten de manera adecuada a la
respuesta sı́smica y resistiva observada.
1.3.2. Objetivos Particulares
• Programar un algoritmo de PE en el lenguaje de programación R.
• Validar el funcionamiento de PE mediante la optimización de distintas funciones que

presenten una gran cantidad de máximos y mı́nimos locales.
• Programar el Trazado de Rayos de Sı́smica de Refracción mediante la optimización de

la ecuación de tiempo de arribo para resolver el problema directo. Esto permitirá, por
un lado, obtener datos sintéticos para hacer pruebas y validar el algoritmo de inversión
de sı́smica de refracción; por otro lado, generar datos “reales” al contaminarlos con
ruido.
3
• Resolver el problema directo de resistividad aparente para distintos modelos 1-D

mediante filtros lineales de Guptasarma. Esto, al igual que en el punto anterior,
permitirá obtener datos sintéticos para hacer pruebas y validar el algoritmo de inversión
para sondeos eléctricos verticales; por otro lado, generar datos “reales” al contaminarlos
con ruido.
• Validar la autenticidad de los programas generados para resolver el problema directo

en ambos métodos.
• Generar datos sintéticos de resistividad aparente y tiempos de arribo para distintos

modelos 1-D del subsuelo, ası́ como agregarle un cierto porcentaje de ruido gaussiano
para simular las condiciones de datos reales.
• Adaptar el algoritmo de PE para aplicarlo a la inversión conjunta de SEVs y Sı́smica

de Refracción considerando el parámetro en común entre ambos métodos.
• Someter el algoritmo de PE a distintas pruebas de inversión de datos sintéticos de

resistividad aparente y tiempos de arribo.
1.4. Metodologı́a
Se realizó una recopilación bibliográfica sobre los temas a abordar, fueron consultados
varios artı́culos, libros y trabajos de grado que tratan los principios de los métodos geofı́sicos
analizados en el presente trabajo, ası́ como de las distintas técnicas de inversión, haciendo
énfasis en la Programación Evolutiva, una variante de los algoritmos evolutivos adaptado
para el problema en cuestión y programado en R Studio.
En el Capı́tulo 2 se presenta un bosquejo de las distintas técnicas de inversión ası́ como

un análisis más detallado de la Programación Evolutiva y su aplicación en geofisı́ca. En
el Capı́tulo 3 se presenta la metodologı́a a seguir en la inversión de datos mediante PE
aplicada a los métodos geofı́sicos de sı́smica y resistividad, de manera individual y conjunta.
Posteriormente se muestran en el Capı́tulo 4 los resultados de la inversión aplicada a distintos
modelos estratificados del subsuelo validando el funcionamiento del algoritmo.
4
Capı́tulo 2
Optimización Global en Inversión

Geofı́sica
2.1. Introducción
La complejidad del problema inverso se debe principalmente a tres aspectos a considerar,
el primero de ellos es la existencia de la solución ya que puede no existir un modelo
que ajuste exactamente a los datos por lo que la respuesta obtenida es una aproximación
de la solución real, el siguiente aspecto es la unicidad de la solución, un solo problema
puede tener múltiples soluciones, caso que se presenta cuando modelos totalmente distintos
producen un buen ajuste de datos, y por último, la extrema inestabilidad durante el cálculo
de la solución, por lo que un pequeño cambio en los valores durante el proceso puede modificar
completamente el modelo final (Aster et al., 2013). Según Tarantola (2005), el procedimiento
cientı́fico para el estudio de un sistema fı́sico puede ser dividido en los tres siguientes pasos.
i Parametrización del sistema: reconocimiento de los parámetros mı́nimos del modelo

cuyos valores caracterizan completamente el sistema.
ii Modelado Directo: comprender las leyes fı́sicas que permitan, para valores dados de
parámetros del modelo, realizar predicciones en los resultados de las mediciones de
algunos parámetros observados.
iii Modelado Inverso: uso de los resultados reales de algunas mediciones de los parámetros
observables para inferir los valores reales de los parámetros del modelo.
5
CAPÍTULO 2. OPTIMIZACIÓN GLOBAL EN INVERSIÓN GEOFÍSICA
2.2. Métodos de inversión basados en modelos

Se generan datos sintéticos para un modelo propuesto y se comparan con los datos
observados. Si la coincidencia entre datos observados y sintéticos es aceptable, el modelo se
acepta como la solución óptima. De lo contrario, se cambia el modelo, se vuelven a calcular los
datos sintéticos y se comparan de nuevo con las observaciones. Este procedimiento se repite
de manera iterativa hasta que se obtiene una coincidencia aceptable entre datos observados
y sintéticos. De esta manera, la inversión puede ser vista como un problema de optimización
ya que se busca un modelo el cual minimize las diferencias entre entre datos observados
y sintéticos. Los métodos de optimización varı́an según su método de búsqueda al modelo
óptimo. El más simple de los métodos de optimización es aquel que asume una relación
lineal entre los datos y el modelo, en cuyo caso se puede obtener una respuesta a la primera
iteración.
En geofı́sica, siempre se trabaja con datos discretos y por lo tanto, es conveniente
representar los datos como un vector columna de tipo
h iT
d = d 1 , d 2 , d 3 , . . . , dN D (2.1)
donde N D es el número de datos y T significa traspuesta. Por ejemplo, en sı́smica de

refracción cada valor di corresponde a un tiempo de arribo para cada distancia fuente-geófono
donde N D es el número de geófonos. En sondeos eléctricos verticales, cada di es un valor de
resistividad aparente medido a una separación de electrodos.
Similarmente, un modelo del subsuelo puede también ser representado por un vector
columna
h iT
m = m 1 , m 2 , m 3 , . . . , mN P (2.2)
donde N P es el número total de parámetros del modelo. Por ejemplo para un modelado 1-D
en SEV’s los parámetros del modelo son los espesores (hi ) y resistividades (ρi ) de las capas
del subsuelo. Los datos sintéticos son generados por el modelado directo usando un vector de
parámetros m. Por lo tanto, el vector de datos sintéticos dcal puede ser calculado mediante
la aplicación de un operador de modelado directo, G, para el vector de parámetros m,
dcal = G(m) (2.3)
6
El problema inverso ahora se reduce a determinar un modelo que minimize las diferencias
entre los datos observados y sintéticos. Si el vector de error e es dado por
ei = dobs − dcal (2.4)
una manera general de representarlo para llegar a una convergencia es definirla como una
función rms entre los datos observados y calculados
PN 2 1/2
( i=1 (diobs − dical ) )
rms = (2.5)
N 1/2
donde, diobs son los datos observados, dical los datos calculados y N es el número de datos.
De acuerdo a Sen y Stoffa (1995), dependiendo del método de búsqueda aplicado para
encontrar soluciones óptimas, los métodos de inversión basados en modelos pueden ser
clasificados en las siguientes categorı́as:
Métodos lineales/linealizados
Estos métodos asumen que los datos están en función de los parámetros del modelo, por lo
tanto es posible reemplazar el operador de modelado directo g en con un operador lineal, una
matriz G para obtener
d = Gm (2.6)
este problema inverso ahora puede ser resuelto con métodos de álgebra lineal conocidos.
Métodos iterativos lineales

Estos métodos también pueden ser llamados métodos basados en gradientes, ya que usan la
derivada de la información para calcular el modelo a evaluar, como una forma de linealizar
el problema. Algunos de los métodos de inversión que pertenencen a esta categorı́a son:
Mı́nimos Cuadrados, Descomposición de Valores Singulares, Mı́nimos Cuadrados Ponderados,
Newton, etc. Cabe señalar que estos son considerados los métodos clásicos para resolver el
problema inverso en geofı́sica. Los datos observados y calculados para el modelo son evaluados
iterativamente hasta obtener una diferencia mı́nima en el error a partir de un conjunto inicial
de valores de los parámetros del modelo, denominado solución inicial. Ya que una solución en
cada iteración es modificada en una solución diferente (que se espera sea mejor), el resultado
es una sola solución óptima. Estos métodos convergen en el mı́nimo local más cercano a la
solución inicial debido a que no exploran todo el espacio de búsqueda.
7
Métodos de Monte-Carlo
Este método involucra un muestreo aleatorio en un espacio de búsqueda. Se espera que en un
número reducido de intentos, pueda ser capaz de obtener buenos resultados. Es una búsqueda
completamente aleatoria y puede ser costosa computacionalmente.
Métodos de Monte-Carlo direccionados

Son los denominados métodos de optimización global (los algoritmos evolutivos pertenecen a
esta categorı́a). Estos métodos utilizan la aleatoriedad con un cierto grado de dirección para
guiar su búsqueda.
2.3. Optimización Global

Los métodos de búsqueda u optimización global utilizan procesos aleatorios o estocásticos
para generar modelos dentro del espacio de búsqueda completo. Estos modelos son evaluados
por medio de una función objetivo para determinar su calidad como solución al problema.
Uno de los principales objetivos al resolver el problema inverso en geofı́sica es obtener el
mı́nimo de la función de error rms (función objetivo) la cual mide la discrepancia entre los
datos observados y calculados para un modelo propuesto. Al tener la posibilidad de explorar
cualquier punto del espacio de búsqueda, reducen la tendencia de converger a un mı́nimo
local y aumentan la probabilidad de que la solución final corresponda a la solución global
del problema; la cual se puede definir como el conjunto de valores de los parámetros del
modelo dentro del espacio de búsqueda que proporcionen el valor mı́nimo de la función
objetivo (Sánchez Priego, 2012). Como se ha mencionado anteriormente, el campo de la
optimización ha cambiado a través de los años mediante la introducción de una serie de
algoritmos no clásicos y estocásticos de optimización. Dentro de los métodos de optimización
global se encuentran los algoritmos evolutivos (AE) que simulan los principios evolutivos de
la naturaleza para guiar su búsqueda hasta la solución óptima, se suelen dividir en tres:
• Algoritmos Genéticos
• Programación Evolutiva
• Estrategias Evolutivas
8
Aunque existen una serie de diferentes algoritmos evolutivos, todos están motivados por los
principios naturales evolutivos. Una de las diferencias más notables de los algoritmos clásicos
de optimización aplicados en geofı́sica es que los AEs utilizan una población de soluciones en
cada iteración, en vez de solo una solución. Ya que una población de soluciones es procesada en
cada iteración, el resultado de un AE es también una población de soluciones. Si el problema
de optimización tiene un solo óptimo, se espera una convergencia de todos los miembros
de la población a una misma solución. Sin embargo, si un problema de optimización tiene
múltiples soluciones, un AE puede ser utilizado para detectar múltiples soluciones óptimas
en su población final.
2.3.1. Programación Evolutiva
Es muy difı́cil identificar si un AE es mejor que otro debido a que el rendimiento puede variar
para cada problema de optimización. La técnica utilizada en el presente estudio para resolver
el problema de optimización se llama Programación Evolutiva (PE). Debido a que este método
no utiliza una operación de cruza, puede resultar en una población más diversa que una sola
ejecución de Algoritmos Genéticos (AG); esto puede ser muy útil para la inversión de datos
en geofı́sica. De acuerdo a la descripción presentada por Bäck y Schwefel (1993) la PE es
implementada de la siguiente manera.
1) Generar la población inicial de n individuos, establecer k = 1, donde k representa el

número de generación en el que se encuentra el algoritmo. Cada individuo es tomado
como un par de vectores evaluados (xi , σi ), ∀i ∈ {1, · · · , n}, donde las xi ’s son las
variables a estimar y σi ’s son las desviaciones estándar para las mutaciones Gaussianas.
2) Evaluar el puntaje de aptitud para cada individuo (xi , σi ), ∀i ∈ {1, · · · , n}, de la

población basado en la función objetivo, f (xi ).
3) Cada padre (xi , σi ), i = 1, · · · , n, genera un solo descendiente (x′i , σi′ ) para cada
individuo mutado, representado por j = 1, · · · , n
x′j = xi (j) + σi Nj (0, 1) (2.7)
ηj′ = σi (j)exp(τ ′ N (0, 1) + τ Nj (0, 1)) (2.8)
9
donde xi (j), x′i (j), σi (j) y σi′ (j) denotan la componente j de los vectores xi , x′i , σi y σi′
respectivamente. N (0, 1) denota un número aleatorio con distribución normal de media
cero y desviación estándar uno. Nj (0, 1) indica que el número aleatorio es generado
de nuevo para cada valor de j. Los factores τ y τ ′ se establecen comunmente como
p √ √
( 2 n)−1 y ( 2n)−1 .
4) Calcular la aptitud de cada descendiente (x′i , σi′ ), ∀i ∈ {1, · · · , n}.
5) Realizar una comparación de parejas para todo el conjunto de padres (xi , σi )

y descendientes (x′i , σi′ ), ∀i ∈ {1, · · · , n}. Para cada individuo, el oponente q es
seleccionado uniformemente de manera aleatoria de todos los padres y descendientes.
Para cada comparación, si la aptitud del individuo es menor (o mayor en caso de
maximizar) a la del oponente, el primero recibe una ”victoria”.
6) Seleccionar los n individuos de (xi , σi ) y x′i , σi′ , ∀i ∈ {1, · · · , n}, que tienen el mayor
número de victorias para ser padres de la siguiente generación.
7) Terminar si el criterio de detención se cumple; de lo contrario, k = k + 1 e ir al Paso 3.
PROGRAMACIÓN EVOLUTIVA
Representación del individuo
Población Inicial
Mutación
Evaluación
Generaciones
Selección
Figura 2.1: Diagrama de flujo de Programación Evolutiva
10
Función con una sola variable
Con el fin de analizar el desempeño de un algoritmo de PE, se procede a optimizar la

siguiente función:
2

M aximizar f (x) = 2(2(x−0.1)/0.8) sin6 (5πx),
(2.9)
0 ≤ x ≤ 1. 
La Ecuación 2.9 (Deb, 2001) tiene un máximo de f (x) = 1.0 en x = 0.1, el problema radica
en encontrar el máximo dentro del espacio de búsqueda [0,1]. Se utilizó una población de 100
individuos a lo largo de 15 generaciones, en la Figura 2.2 se puede apreciar la convegencia de
todos los individuos hasta llegar al óptimo.
Generacion No. 1 Generacion No. 5

1.0
1.0
●
●● ●
●
●
●●
● ●
● ●
●
●
● ●
● ●
● ●
● ●● ●
● ● ● ● ●●
●
0.8
0.8
● ● ● ●
●
● ● ● ● ●
●
● ●
●
● ● ● ●
● ●
●
●
● ●
●
● ●
0.6
0.6
● ●
●
● ●
● ● ●
f(x)
f(x)
● ●
●
●
0.4
0.4
● ● ●●
● ● ●●
● ● ● ●●
●
● ● ●
●
●
● ● ●
●●
●
0.2
0.2
● ●
●
● ● ●
●
● ● ● ●
● ●
● ● ●
●
0.0
0.0
● ●
●
●●● ● ●● ●
0.0 0.2 0.4 0.6 0.8 1.0 0.0 0.2 0.4 0.6 0.8 1.0
x x
x= 0.335 f(x)= 0.337 max f(x)= 1 x= 0.121 f(x)= 0.72 max f(x)= 1

1.0
1.0
●
●
●●
● ●
●
●
●
●●●
0.8
0.8
0.6
0.6
f(x)
f(x)
0.4
0.4
0.2
0.2
0.0
0.0
0.0 0.2 0.4 0.6 0.8 1.0 0.0 0.2 0.4 0.6 0.8 1.0
x x
x= 0.103 f(x)= 0.995 max f(x)= 1 x= 0.1 f(x)= 1 max f(x)= 1
Figura 2.2: Evolución de una población de 100 individuos a lo largo de 15 generaciones en la

maximización de la función presentada en la Ecuación 2.9. Los valores mostrados en cada gráfica
corresponden al seguimiento de un individuo elegido al azar, representado por •.
11
Función de dos variables
La función Egg-Holder (2.10) presenta una gran cantidad de máximos y mı́nimos locales
como se muestra en la Figura 2.3; por lo tanto, es una buena prueba para validar el
funcionamiento del algoritmo de PE. El problema consiste en encontrar dentro del rango
[−521, 521] los valores x1 y x2 tal que:
r 
x1 p 
Minimizar f (x1 , x2 ) = −(x2 + 47) sin x2 + + 47 − x1 sin |x1 − (x2 + 47)| ,

2

xi ∈ [−521, 521] para i= 1,2.


(2.10)
Tiene un mı́nimo de f (x) = −959.6406 en (x1 , x2 ) = (512, 404.2318). Se utilizó una
población de 100 individuos hasta alcanzar el mı́nimo en la generación 54. En la Figura 2.4
se puede apreciar la convergencia de todos los individuos hasta llegar al óptimo.
Función Egg−Holder
f( x1x2)
1000
1000
500
0 500
−500
−1000
−1500 0
−2000
−400
−400 −200
−200
0
−500
x1
0
x2
200
200
400
400
Figura 2.3: Función Egg-Holder, con una gran cantidad de máximos y mı́nimos locales.
12
Funcion Egg−Holder Funcion Egg−Holder

● ● ● ● ● ● ●
● ●● ●● ● ● ●
● ● ● ●
● ● ●
●
●
● ● ●
1000 ●
● ● ●
1000
● ● ● ● ● ●
● ● ● ● ●
●● ●
400
400
● ●
● ●
● ● ● ● ● ● ●
●● ● ● ● ● ● ●
● ● ●● ● ● ●
● ●
●● ●
● ● ●● ● ● ●
● ●
● ● ● ● ●
●● ● ● ● ●
● ●
● ●●
●
●● ● ●● ●
● ● ● ●
● ●● ● ● ● ● ●● ●● ●
●
● ● ● ●● ● 500 ● 500
200
200
● ● ●
● ● ● ● ● ● ● ●
●
● ●
● ●● ●
● ● ●
●● ● ● ●
● ● ●●
● ● ● ●●
●
● ●● ● ●
● ● ● ● ●
● ●● ● ● ●
● ●●●
● ●● ● ●
● ● ● ● ● ● ● ●
● ● ● ●
x2
x2
● ● ● ● ●
0
0
● ● ●
● ● ● ●
● ●
●●
● ● 0 0
● ● ●
● ● ●
● ● ● ● ● ●
● ● ● ● ● ●
● ● ●
● ● ●
● ● ● ● ● ●
●
● ● ● ●
● ● ●
● ●
−200
−200
● ● ● ●
● ● ●
●
● ● ●
● ● ● ● ● ●
●
●
●
● ● ● ● ● ●
● ● ● ● ● −500 −500
● ● ● ●
●●
● ● ●
● ●
−400
−400
●
●
●
● ● ● ● ●● ● ● ●
● ● ●
● ● ● ●
● ● ●
● ● ●● ●
● ● ● ● ● ●●
● ● ●●● ● ● ● ● ● ●
● ●
● ● ●● ●● ● ● ●● ●
● ● ● ● ● ●
−400 −200 0 200 400 −400 −200 0 200 400
x1 x1
x1= 456.516 x2= 470.379 f(x1,x2)= −882.074 x1= 504.27 x2= 401.034 f(x1,x2)= −907.735
(a) (b)
Funcion Egg−Holder Funcion Egg−Holder

1000 1000
400
400
●
● ●
500 500
200
200
x2
x2
0
0 0
−200
−200
−500 −500
−400
−400
−400 −200 0 200 400 −400 −200 0 200 400
x1 x1
x1= 508.338 x2= 401.034 f(x1,x2)= −945.059 x1= 512.552 x2= 403.344 f(x1,x2)= −959.31
(c) (d)
Figura 2.4: Evolución de una población de 100 individuos a lo largo de 54 generaciones, el resultado
de la estimación de parámetros se presenta en (d) donde se puede apreciar la convergencia de todos
los individuos a una misma respuesta.
13
2.4. Programación Evolutiva aplicada a Estimación de

Parámetros
2.4.1. Anomalı́a gravimétrica de una esfera
A manera de introducción a la técnica utilizada en este trabajo se presenta la aplicación

de Programación Evolutiva para realizar la estimación de parámetros de la anomalı́a
gravimétrica generada por una esfera enterrada a cierta profundidad. La función que permite
calcular la anomalı́a gravimétrica g es:
4G∆ρπr3 z
g= (2.11)
3(x2 + z 2 )3/2
donde
x = distancia
z = profundidad del centro de la esfera
r = radio de la esfera
∆ρ = contraste de densidades que se mantiene constante
G = constante gravitacional
los parámetros a estimar son z y r. Una vez definida la función a trabajar el siguiente
paso es definir los operadores de Programación Evolutiva, que fueron implementados de la
siguiente manera:
1. Representación del individuo

Individuo cuyo tamaño depende de la cantidad de parámetros a estimar
h i
r, z, sd, rms (2.12)
donde r y z son los parámetros a estimar, sd es la desviación estándar utilizada para

la mutación Gaussiana y
s
PN
i=1 (g − ĝ)2
rms = (2.13)
N
14
donde ĝ son los valores calculados y N = número de datos, la Ecuación 2.13 es la

función a minimizar ya que se busca una diferencia mı́nima entre los datos observados
y calculados.
2. Población Inicial
Se generan aleatoriamente en un determinado espacio de búsqueda las desviaciones
estándar sd y los parámetros del modelo a través de un conjunto de n individuos de
la primera generación (Población Inicial), los cuales son evaluados en la Ecuación 2.13,
arrojando un valor rms para cada uno de ellos. Es de esperar que en este caso el valor
no sea óptimo, ya que el proceso es realizado completamente al azar.
 
r1 , z1 , sd1 , rms1
 
 r2 , z2 , sd2 , rms2 
 
 ..

.. .. .. 
 (2.14)
 . . . . 
 
rn , zn , sdn , rmsn
3. Mutación
Todos los individuos de la población son sometidos a la mutación analizada en la
Subsección 2.3.1, que modifica el valor de sus parámetros, por lo que se genera una nueva
población de iguales dimensiones a la Población Inicial, que se denomina Población
Mutada.
4. Evaluación
Los parámetros mutados son evaluados en (2.11) y posteriormente en (2.13) generando
un nuevo valor rms para cada individuo. Los individuos con valores rms más bajos
tendrán más probabilidad de pasar a la siguiente generación.
5. Selección
Se define un conjunto de individuos formado por la Población Inicial y la Población
Mutada, los cuales son sometidos a un torneo que consiste en un formato de competencia
todos contra todos, por lo que cada individuo compite con otro elegido al azar. Al
individuo que resulte ganador, es decir, el que tenga el menor rms, recibe un valor
de victoria tantas veces como sea ganador torneo tras torneo. Este valor nos permite
conocer el resultado final de los enfrentamientos, solo el 50 % de los individuos del
15
conjunto de la población que hayan ganado el mayor número de veces formarán la nueva
Población Inicial en la siguiente generación, el proceso se repite hasta que se tenga una
convergencia en el algoritmo o se cumpla con algún criterio, ya sea de tiempo o al
establecer un lı́mite en el error.
2.4.2. Resultados del modelo de esfera
Fueron utilizados 100 individuos a lo largo de 100 generaciones en un rango de búsqueda

lo suficientemente amplio para explorar un gran espacio de soluciones. En la Figura 2.5 se
muestra gráficamente la convergencia de todos los individuos a la solución final, ası́ como los
valores de los parámetros estimados con el pasar de las generaciones.
2.5. Resumen
En este capı́tulo se presentaron las bases y fundamentos de la inversión de datos, ası́ como
las distintas técnicas que existen para dar una solución al problema, haciendo énfasis en los
métodos de optimización global. Se realizó un análisis de la Programación Evolutiva haciendo
una descripción detallada de cada uno de los operadores de este método (Representación
del Individuo, Población Inicial, Mutación, Evaluación y Selección), para posteriormente
poner a prueba su funcionamiento al optimizar distintas funciones. Por último, se presenta
la aplicación de la Programación Evolutiva en geofı́sica para realizar la estimación de
parámetros. El procedimiento a seguir muy similar en los métodos a considerar en esta
investigación, aunque se presentan pequeñas variaciones en sus operadores, mismas que se
analizarán en el Capı́tulo 3.
16
Anomalia gravimétrica Anomalia gravimétrica
1.0
1.0
● ●
●
Observado ● ● ● Observado ● ●
● ● Calculado ● ●
0.8
0.8
● ● ● ●
gobs/gmax
gobs/gmax
● ● ● ●
0.6
0.6
● ● ● ●
0.4
0.4
● ● ● ●
● ● ● ●
● ● ● ●
0.2
0.2
● ● ● ●
● ● ● ●
−1.5 −1.0 −0.5 0.0 0.5 1.0 1.5 −1.5 −1.0 −0.5 0.0 0.5 1.0 1.5
x/z x/z
Modelo de esfera Modelo de esfera

0
0
Real ● Real
Estimado
−5
−5
Profundidad (m)
Profundidad (m)
−10
−10
−15
−15
−20
−20
−25
−25
−30 −20 −10 0 10 20 30 −30 −20 −10 0 10 20 30
Distancia (m) Distancia (m)

r(m)= 5 z(m)= 20 r(m)= 5.601 z(m)= 31.05 rms= 5.445
(a) Parámetros a estimar (b) Generación 1
Anomalia gravimétrica Anomalia gravimétrica

1.0
1.0
● ●
● Observado ● ● ● Observado ● ●
Calculado ● ● Calculado ● ●
0.8
0.8
● ● ● ●
gobs/gmax
gobs/gmax
● ● ● ●
0.6
0.6
● ● ● ●
0.4
0.4
● ● ● ●
● ● ● ●
● ● ● ●
0.2
0.2
● ● ● ●
● ● ● ●
−1.5 −1.0 −0.5 0.0 0.5 1.0 1.5 −1.5 −1.0 −0.5 0.0 0.5 1.0 1.5
x/z x/z
Modelo de esfera Modelo de esfera

0
● Real ● Real
Estimado Estimado
−5
−5
Profundidad (m)
Profundidad (m)
−10
−10
−15
−15
−20
−20
−25
−25
−30 −20 −10 0 10 20 30 −30 −20 −10 0 10 20 30

r(m)= 5.409 z(m)= 22.815 rms= 1.496 r(m)= 5 z(m)= 20.007 rms= 0.005
(c) Generación 20 (d) Generación 100
Figura 2.5: Evolución de una población de 100 individuos a lo largo de 100 generaciones, el
resultado de la estimación de parámetros se presenta en (d) donde se puede apreciar la convergencia
de todos los individuos a una misma respuesta.
17
Capı́tulo 3
Inversión de Sı́smica y Resistividad

mediante PE
3.1. Introducción
Los métodos analizados en el presente trabajo son Sı́smica de Refracción y Sondeo Eléctrico
Vertical, que se aplican principalmente a aquellos problemas donde las discontinuidades o
cambios de formación están próximos a la superficie. La Sı́smica de Refracción determina las
velocidades y profundidades de un medio estratificado, a partir del registro del tiempo de
viaje de la onda refractada entre la fuente de energı́a y cada uno de los geófonos. El Sondeo
Eléctrico Vertical (SEV) es una de las técnicas más utilizadas en geofı́sica para detectar y
establecer los lı́mites de capas horizontales del subsusuelo estratificado, basándose en su
contraste resistivo. Consiste en la inyección de corriente continua, en el área de estudio,
mediante un par de electrodos y la determinación, mediante otro par de electrodos, de la
diferencia de potencial.
En este capı́tulo se presenta la metodologı́a a seguir para la aplicación de Programación

Evolutiva en la inversión de datos. Cabe señalar que en el presente documento se asume que el
lector comprende las bases teóricas de los métodos considerados en esta investigación, en caso
de querer abordar a mayor detalle las leyes y fundamentos teóricos de sı́smica y resistividad
se recomienda consultar Telford et al. (1990), Burger (1992) o Kearey et al. (2013).
18
CAPÍTULO 3. INVERSIÓN DE SÍSMICA Y RESISTIVIDAD MEDIANTE PE
Se realiza un análisis detallado de las funciones utilizadas para resolver el modelado directo
mediante el Trazado de Rayos para obtener los tiempos arribo en Sı́smica de Refracción y
el calculo de resistividad aparente en un SEV. Posteriormente se presenta un esquema para
dar solución al problema inverso mediante PE de manera individual y conjunta.
3.2. Sı́smica de Refracción
3.2.1. Modelado directo de Sı́smica de Refracción utilizando

Programación Evolutiva
Diseño del Modelo Geológico
Para simular el tiempo de arribo de la trayectoria del rayo que viaja desde la fuente a
cada uno de los geófonos primeramente se procede a diseñar un modelo geológico de capas
horizontales y velocidades definido por la pendiente m, profundidad de la interface h y
velocidad V de cada uno de los estratos, modelados a partir de
y = mx + b (3.1)
donde b = h y x = distancia fuente-geófono. Como se puede apreciar en la Figura 3.1 la

profundidad h es a la base del estrato y está proyectada exactamente desde la fuente en
superficie, en cuanto a la inclinación del estrato es necesario convertir el ángulo expresado
en grados a radianes
tan α ∗ π
m= (3.2)
180
al sustituir la Ecuación 3.2 y los valores x y b en la Ecuación 3.1 se puede obtener una
expresión más generalizada (Ecuación 3.3 (Marroquı́n Navarro, 2012)) y que es la utilizada
para realizar el modelado geológico
tan α ∗ π
y= ∗ (gn − F ) + h (3.3)
180
Donde gn − F corresponde a la distancia fuente-geófono.
19
Deducción de la Ecuación de Tiempo de Arribo
Para el modelo estratificado de tres interfaces presentado en la Figura 3.1 la onda directa
viaja de P1 a P6 , mientras que la onda refractada en V1 − V2 recorre la trayectoria P1 P2 P5 P6
y la refractada en V2 − V3 viaja por P1 P2 P3 P4 P5 P6 . A continuación, se presenta un análisis de
la segunda trayectoria con el fin de deducir la ecuación de tiempos de arribo (Dávila Torres,
2012), por lo tanto el tiempo total del recorrido se puede calcular como:
P1 P2 P 2 P3 P 3 P4 P 4 P 5 P5 P 6
tiempo = + + + + (3.4)
V1 V2 V3 V2 V1
dg
P1 (x1 , y1 (x1 )) P6 (x6 , y6 (x6 ))
h1 y1 = m1 x + h 1
V1
h2
P2 (x2 , y2 (x2 )) P5 (x5 , y5 (x5 )) y2 = m2 x + h 2
V2
h3
P3 (x3 , y3 (x3 )) P4 (x4 , y4 (x4 )) y3 = m3 x + h 3
V3
V 1 < V2 < V3
Figura 3.1: Esquema representativo de la trayectoria de un rayo refractado en un medio de tres

capas simbolizando los parámetros utilizados en la Ecuación 3.8 (Modificado de Marroquı́n Navarro
(2012)).
20
Basándose en la Figura 3.1 y utilizando la fórmula para la distancia entre dos puntos, la
Ecuación 3.4 puede escribirse como:
p p
(x2 − x1 )2 + (y2 − y1 )2 (x3 − x2 )2 + (y3 − y2 )2
tiempo = + +
V1 V2
p
(x4 − x3 )2 + (y4 − y3 )2
+ (3.5)
V3
p p
(x5 − x4 )2 + (y5 − y4 )2 (x6 − x5 )2 + (y6 − y5 )2
+
V2 V1
P
utilizando la Ecuación 3.5 puede reescribirse como:
2 p
X (xi+1 − xi )2 + (yi+1 − yi )2
tiempo = +
i=1
Vi
p
(x4 − x3 )2 + (y4 − y3 )2
+ (3.6)
V3
2 p
X (xi+4 − xi+3 )2 + (yi+4 − yi+3 )2
i=1
V3−i
La Ecuación 3.6 anterior puede ser generalizada para n capas,
n p
X (xi+1 − xi )2 + (yi+1 − yi )2
tiempo = +
i=1
Vi
p
(xn+2 − xn+1 )2 + (yn+2 − yn+1 )2
+ (3.7)
Vn+1
n p
X (xn+2+i − xn+1+i )2 + (yn+2+i − yn+1+i )2
i=1
Vn+1−i
Sustituyendo en la Ecuación 3.7 las ecuaciones de la Figura 3.1 se obtiene
n p
X (xi+1 − xi )2 + ((mi+1 xi+1 + hi+1 ) − (mi xi + hi ))2
tiempo = +
i=1
Vi
p
(xn+2 − xn+1 )2 + ((mn+1 xn+2 + hn+1 ) − (mn+1 xn+1 + hn+1 ))2
+
Vn+1
n p
X (xn+2+i − xn+1+i )2 + ((mn+1−i xn+2+i + hn+1−i ) − (mn+2−i xn+1+i + hn+2−i ))2
i=1
Vn+1−i
(3.8)
21
De esta forma la Ecuación 3.8 está en función de:
• V = Velocidad
• h = Profundidad
tan α ∗ π
• m = Pendiente, con m = donde α es el ángulo de inclinación de las interfaces.
180
• x = Coordenadas (x, y), los puntos por donde el rayo pasa de una interface a otra.
La Ecuación 3.8 se tomará como la función objetivo a minimizar mediante PE cuyos

operadores y procedimiento para atacar este problema serán explicados en la siguiente
subsección. Es importante señalar que para este trabajo m = 0 debido a que los modelos a
analizar se presentan en capas horizontales.
3.2.2. Optimización de la ecuación de tiempos de arribo mediante

Una vez determinado el modelo geológico (con m, h y V de cada estrato definido) y

la función objetivo, el siguiente paso es definir los operadores de PE (Figura 2.1) para el
modelado directo de sı́smica de refracción; todo esto con la finalidad de calcular los tiempos
de arribo y trayectorias de cada rayo que viaja desde la fuente al geófono correspondiente.

Como primer paso se representa el individuo de la siguiente manera
h i
(x1 · · · xp ) sd ta (3.9)
donde xp son todas las posiciones del rayo cuando pasa de una interface a otra, sd es la
desviación estándar utilizada para la mutación gaussiana y ta son los tiempos de arribo
calculados para cada individuo.
Basándose en la Figura 3.1, las posiciones x1 (fuente) y xp = dg (geófono) de cada
individuo n se conocen, por lo que se establece un espacio de búsqueda restringido
entre estos lı́mites, el cual será utilizado para generar aleatoriamente el conjunto de
22
individuos dentro del rango establecido y que conformarán la Población Inicial, que se
puede representar como
 
(x · · · xp1 ) sd1 ta1
 11 
 (x12 · · · xp2 ) sd2 ta2 
 
 ..

.. .. .. .. 
 (3.10)
 . . . . . 
 
(x1n · · · xpn ) sdn tan
3. Mutación
Todos los individuos de la población son sometidos a una mutación, la cual consiste
en la suma de sd a cada elemento del mismo (Sección 2.4), con excepción de ta, esto
producirá una nueva población la cual se denomina Población Mutada.
4. Evaluación
Cada individuo mutado es evaluado en la Ecuación 3.24 que genera un nuevo tiempo
de arribo ta distinto al individuo original. Los individuos con un tiempo de recorrido
menor a los demás tienen más posibilidad de pasar a la siguiente generación y heredar
sus caracterı́sticas.
5. Selección
A partir de la Población Inicial y la Población Mutada se forma un solo conjunto de
rayos, el cual es sometido a un torneo de selección para elegir a las mejores soluciones
que formarán la siguiente generación. El torneo consiste en enfrentar a cada uno de los
rayos del conjunto en un formato de todos contra todos, por lo que cada trayectoria
del rayo es enfrentada con otra elegida al azar. El que tenga un tiempo menor de
recorrido a través de los estratos significará que es mejor, de acuerdo a lo que se busca
y recibirá un valor de victoria tantas veces como sea ganador torneo tras torneo. El
50 % de los individuos del conjunto que tengan menor tiempo de arribo, formaran la
nueva Población Inicial en la siguiente generación.
Se han diseñado cuatro modelos para simular las trayectorias del rayo desde la fuente a
cada uno de los geófonos, de manera que el tiempo de arribo sea mı́nimo. Cabe señalar que
la Ecuación 3.8 está diseñada para estimar las trayectorias y tiempos de arribo en sı́smica de
refracción, en caso de querer abordar a mayor detalle la sı́smica de reflexión ası́ como modelos
más complejos de sı́smica de refracción, se recomienda consultar Dávila Torres (2012).
23
Modelo 1
El Modelo 1 está compuesto de 3 capas y un semiespacio con velocidad ascendente,

una fuente en superficie ubicada en el centro y un arreglo de geófonos equidistantes a los
costados de la misma. Los parámetros utilizados tanto para diseñar el Modelo 1 como para
la Programación Evolutiva implementada son presentados en la Tabla 3.1. El número de
variables a calcular para cada trayectoria fuente-geófono son 6 que asciende a 72 en total
debido al número de geófonos utilizados (12). Cabe señalar que la información es obtenida de
la última capa por lo que los tiempos de arribo calculados para este modelo no corresponderı́an
a lo que es la realidad en un estudio de sı́smica de refracción, para esto, se requiere tomar en
cuenta la onda directa y obtener información de todas las capas del modelo. De la Figura 3.2
a la Figura 3.5 se puede apreciar la convergencia de todos los individuos a una misma solución
con el pasar de las generaciones, el objetivo principal de este ejemplo es mostrar gráficamente
el funcionamiento del algoritmo al momento de resolver el problema directo para sı́smica de
refracción.
Tabla 3.1: Parámetros utilizados para el Modelo 1.
Parámetros Modelo 1
Estrato Velocidad (m/s) Profundidad
1 400 m/s 5m
2 1500 m/s 13 m
3 2500 m/s 22 m
4 4500 m/s -
Parámetros de PE
Generaciones 100
Individuos 50
Espacio de búsqueda F − gn
Parámetros a estimar cada F − gn 6
24
Sismica de Refraccion
Generacion No. 1
−70 −60 −50 −40 −30 −20 20 30 40 50 60 70
400 m/s
5m 0°
1000 m/s
13 m 0°
2500 m/s
22 m 0°
Powered by TCPDF (www.tcpdf.org)

4500 m/s
Figura 3.2: Población inicial del trazado de rayos para sı́smica de refracción. Aplicado al modelo
descrito en la Tabla 3.1
Generacion No. 20
−70 −60 −50 −40 −30 −20 20 30 40 50 60 70
400 m/s
5m 0°
1000 m/s
13 m 0°
2500 m/s
22 m 0°

4500 m/s
Figura 3.3: Trazado de rayos en la generación 20. Se puede apreciar la tendencia a seguir para
cada trayectoria Fuente-Geófono en las siguientes generaciones.
25
Generacion No. 50
−70 −60 −50 −40 −30 −20 20 30 40 50 60 70
400 m/s
5m 0°
1000 m/s
13 m 0°
2500 m/s
22 m 0°

4500 m/s
Figura 3.4: Trazado de rayos en la generación 50. Se presenta la convergencia de cada individuo
en base al tiempo mı́nimo para cada trayectoria Fuente-Geófono.
Generacion No. 100
−70 −60 −50 −40 −30 −20 20 30 40 50 60 70
400 m/s
5m 0°
1000 m/s
13 m 0°
2500 m/s
22 m 0°

4500 m/s
Figura 3.5: Trazado de rayos en la generación 100, todos los individuos han llegado a una misma
solución al encontrar la trayectoria con el tiempo mı́nimo para cada distancia Fuente-Geófono.
26
Modelo 2
El Modelo 2 presenta interfaz con velocidades ascendentes (Tabla 3.2), el objetivo principal
de este ejemplo es demostrar la eficacia y veracidad del algoritmo en el que se realiza
un análisis más completo considerando la onda directa e información de todas las capas
del subsuelo. Los tiempos de arribo presentados en Tabla 3.3 fueron tomados de la Tabla
3.1 de Burger (1992) y son comparados con los tiempos de arribo calculados mediante la
optimización de la Ecuación 3.8 utilizada en este trabajo. En la Tabla 3.3 se presentan
los resultados obtenidos en cada método implementado. Como se puede apreciar, existen
diferencias mı́nimas entre los tiempos de arribo calculados, lo que comprueba la veracidad y
eficacia del algoritmo implementado con PE. Se puede observar que a partir del geófono 30
la onda refractada llega a ser más rápida que la onda directa, ya que viaja con la velocidad
de la segunda capa que es mayor a la primera. De manera gráfica esto se representa como
un cambio en la tendencia lineal de los tiempos de arribo correspondientes para cada capa,
como lo muestra la Figura 3.7. La Figura 3.6 muestra el resultado final para el trazado de
rayos en la generación 50.
1 1400 m/s 10 m
2 4500 m/s -
Parámetros de PE
Generaciones 50
Individuos 20
Parámetros a estimar cada F − gn 2
27
Tabla 3.3: Tiempos de arribo calculados para el Modelo 2 mediante el algoritmo de PE y

comparados con los obtenidos de Burger (1992). Se puede apreciar como la onda refractada a
partir del geófono 30 llega a ser más rápida que la onda directa.
Tiempo de arribo (ms)

Geófono (m) Onda Refractada Onda Refractada
Onda Directa
Burger (1992) PE
3 2.14 14.24 14.45
6 4.29 14.91 14.91
9 4.29 14.91 14.91
12 8.57 16.24 16.24
15 10.71 16.91 16.91
18 12.86 17.58 17.58
21 15 18.24 18.24
24 17.14 18.91 18.91
27 19.29 19.58 19.58
30 21.43 20.24 20.24
33 23.57 20.91 20.91
36 25.71 21.58 21.58
39 27.86 22.24 22.24
42 30 22.91 22.91
45 32.14 23.58 23.58
48 34.29 24.24 24.24
51 36.43 24.91 24.91
54 38.57 25.58 25.58
57 40.71 26.24 26.24
60 42.86 26.91 26.91
63 45 27.58 27.58
66 47.14 28.24 28.24
69 49.29 28.91 28.91
28
3 6 9 12 15 18 21 24 27 30 33 36 39 42 45 48 51 54 57 60 63 66
1400 m/s
10 m 0°
Powered by TCPDF (www.tcpdf.org) 4500 m/s
Figura 3.6: Trazado de rayos que viajan a través del estrato inferior del Modelo 2 a partir de las
coordenadas obtenidas por el algoritmo de PE
.
Tiempo−Distancia
●
●
●
●
●
25
●
●
●
●
●
●
●
20
●
Tiempo (ms)
●
15
●
10
●
5
10 20 30 40 50 60
Distancia (m)
Figura 3.7: Tiempos de arribo graficados a partir del Modelo 2.
29
Modelo 3
El Modelo 3 es tomado de Burger (1992) en el que se considera un caso de 2 interfaces

y un semi-espacio. El modelo incrementa sus velocidades y puede representar una zona con
sedimentos no consolidados y consolidados que sobreyacen a un macizo rocoso (Tabla 3.4).
La Figura 3.9 muestra el cambio en la tendencia de los tiempos de arribo correspondientes a
cada capa.
1 400 m/s 15 m
2 2000 m/s 50 m
3 5000 m/s -
Parámetros de PE
Generaciones 200
Individuos 20
10 20 30 40 50 60 70 80 90 100 110 120 130 140 150 160 170 180 190 200
400 m/s
15 m 0°
2000 m/s
50 m 0°
5000 m/s
Figura 3.8: Trazado de rayos que viajan a través de todos los estratos presentes en el Modelo 3.
30
Tiempo−Distancia
●
140 ●
●
●
●
●
●
●
●
●
120
●
●
●
●
Tiempo (ms)
100
●
●
●
80
●
60
●
40
50 100 150 200
Distancia (m)
Figura 3.9: Tiempos de arribo graficados a partir del Modelo 3 (Figura 3.8).
Se interpreta una curva de tiempo de arribo como el da la Figura 3.9 representando un caso
de tres capas, ya que se tienen tres segmentos de lı́nea recta, cada uno con una pendiente
más baja que la más cercana a la fuente de energı́a. Las velocidades para cada capa están
disponibles a partir de la curva al igual que los espesores de las dos primeras capas. A partir
de esta información y de algún conocimiento general de la geologı́a local, se puede llegar a
un modelo razonable para la geologı́a superficial en el sitio de exploración.
31
Modelo 4
Para el Modelo 4 se toman 3 interfaces y un semi-espacio, lo que aumenta la cantidad

de variables a calcular que asciende a 288 considerando el número de capas y geófonos. En
la Figura 3.10 se muestra el resultado del modelado directo de sı́smica de refracción. En la
Figura 3.11 se presentan los tiempos de arribo calculados.
Estrato Velocidad (m/s) Profundidad Buzamiento
1 500 m/s 5m 0◦
2 1000 m/s 15 m 0◦
3 2000 m/s 30 0◦
4 4000 m/s - -
Parámetros de PE
Generaciones 200
Individuos 20
5 10 15 20 25 30 35 40 45 50 55 60 65 70 75 80 85 90 95 100 105 110 115 120
500 m/s
5m 0°
1000 m/s
15 m 0°
2000 m/s
30 m 0°
4000 m/s
Figura 3.10: Trazado de rayos sı́smicos que viajan a través de todos los estratos del Modelo 4.
32
Tiempo−Distancia
80 ●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
60
●
Tiempo (ms)
●
40
●
20
20 40 60 80 100 120
Distancia (m)
Figura 3.11: Tiempos de arribo calculados para el Modelo 4.
3.2.3. Modelado inverso de Sı́smica de Refracción utilizando

Se ha definido el modelo geológico utilizado para simular la trayectoria del rayo y ası́ obtener
los tiempos de arribo correspondientes para cada distancia fuente-geófono. Esta información
generada (datos sintéticos) será utilizada como base para probar la efectividad del algortimo
de inversión. El primer paso consiste en definir el número de capas del modelo (Figura 3.1),
cuya posición de la fuente se ubica al extremo izquierdo del perfil. Se utilizaron modelos
de capas horizontales con el fin de obtener los datos para inferir los parámetros geológicos
mediante la optimización de la Ecuación 3.8. La mutación implementada en los problemas
analizados anteriormente ha sido la mutación Gaussiana (Subsección 2.3.1), cabe señalar
que el rendimiento de un algoritmo depende directamente de este operador que puede ser
modificado para cada problema a resolver con el objetivo principal de reducir la tendencia
a quedar atrapado en un mı́nimo local y explorar todo el espacio de soluciones. Para este
caso se obtuvieron mejores resultados con una mutación completamente diferente, misma que
se analizará a continuación. Para esto, se procede a definir los operadores de Programación
Evolutiva.
33

Los parámetros del modelo a inferir son la velocidad v del medio por el que viaja la
onda, la profundidad h del estrato y la coordenada x que representa la posición por
la cual el rayo pasa de una interface a otra, se tendrán nc ∗ 2 (donde nc representa el
número de capas) posiciones de x por cada geófono para el caso de refracción sı́smica.
El individuo es representado como un vector de número reales, los cuales se generan
aleatoriamente dentro del rango de búsqueda para cada parámetro.
h i
(x1 · · · xnc∗2 ), (v1 · · · vnc ), (h1 · · · hnc ), rms (3.11)
el rms está dado por la ecuación (2.13).
Se generan aleatoriamente, en un espacio de búsqueda y con distribución uniforme, los
parámetros de un conjunto de individuos de la primera generación (Población Inicial)
los cuales son evaluados en la (2.13) arrojando un valor rms para cada uno de ellos.
3. Mutación
El operador presentado para implementar la mutación, está basado en
(Marroquı́n Navarro, 2012), a partir del cual se genera un cambio en una posición
del rayo sı́smico, esto hace posible mantener una diversidad que permita al algoritmo
escapar de mı́nimos locales. Se presentan dos principales cambios, en el primero se
elige una posición al azar entre [(v1 · · · vn ), (h1 · · · hn )], posteriormente se calcula
la distancia entre el valor elegido y cada uno de los extremos del rango de búsqueda
dado. Una vez realizado lo anterior, se selecciona la distancia más corta y se obtiene
el porcentaje de movimiento que se suma o resta a la posición a mutar obteniendo
un rango [a, b] que permitirá el movimiento o el cambio en el parámetro mutado,
asegurando que al momento de aplicar el porcentaje de movimiento nunca se saldrá
de los rangos establecidos. El segundo cambio ocurre en las posiciones [(x1 · · · xnc∗2 )],
en el punto donde el rayo se refracta en su totalidad. La mutación empleada es la
misma utilizada en los parámetros a inferir, con la excepción de que el porcentaje de
movimiento se determina encontrando la distancia más corta entre la posición anterior
y posterior de la x seleccionada, obteniendo el rango cerrado [a, b] mostrado en la
Figura 3.12, el cual permite que la mutación no salga de los rangos establecidos.
34
4. Evaluación
un nuevo valor rms para cada individuo.
5. Selección
La selección utilizada para escoger a las mejores soluciones es la misma descrita en la
Sección 2.4.
h1 α1
V1
a b
[ ]
h2 α2
V2
h3 α3
V3
Figura 3.12: Representación de un individuo o rayo sı́smico mutado que viaja a través de un
modelo de velocidades.
35
3.3. Sondeo Eléctrico Vertical (SEV)
3.3.1. Modelado Directo de SEV
En el contexto de la prospección geoeléctrica planteamos el problema directo en la práctica

del SEV en los siguientes términos: determinar la curva de resistividad aparente que se obtiene
en la superficie de un medio estratificado de manera horizontal (Pous, 1983). El potencial a
una distancia r debido al punto medio de corriente I en superficie puede ser expresado como
Z ∞
I
V = k(λ)J0 (λr)dλ (3.12)
2π 0
donde J0 (λr) es la función Bessel de orden cero , y k(λ) es la función kernel. La resistividad
aparente para un arreglo Shlumberger esta dada por
Z ∞
2
ρa = ρ1 s k(λ)J1 (λs)dλ (3.13)
0
donde
ρa = resistividad aparente
s = semiespacio entre electrodos de corriente, AB/2
ρ1 = resistividad de la primera capa
λ = parámetro de integración de dimensión 1/s
k = función kernel
J1 = función de Bessel de primer orden
Es conocido que la función kernel se determina imponiendo las condiciones de frontera

una vez que los parámetros de espesor y resistividad de cada capa han sido escogidos para
obtener su expresión se utiliza la relación recursiva de Pekeris (1940) que está dada por
ki+1 + Pi tanh(λti )
ki = (3.14)
Pi + ki+1 tanh(λti )
donde
ti = hi − hi−1 = espesor de la capa
36
ρi
Pi = = razón entre las resistividades
ρi+1
en términos de la transformada de resistividad (Ti = ρi ki ) (Koefoed, 1968), la Ecuación 3.14
puede ser reescrita como
Ti+1 + ρi tanh(λti )
Ti = (3.15)
Ti+1 tanh(λti )
1+
ρi
Las resistividades y espesores que definen el corte geoeléctrico están contenidos como
parámetros en la función T, cuya expresión depende del número de capas considerado. A
raı́z de la publicación de Ghosh (1971) se demostró que la relación entre la resistividad
aparente y la función transformada de resistividad podrı́a verse a través de un filtro lineal,
cuya función caracterı́stica es independiente de los parámetros del corte geoeléctrico. La
convolución de los valores de resistividad aparente ρa (λ)n con los coeficientes del filtro (fj )
produce los valores de la transformada de resistividad Tn (λ) en un punto n. Esto se afirma
en la siguiente ecuación de convolución digitalizada
N
X
Tn (λ) = fj ρa (λ)n−j (3.16)
j=1
para n = 0, 1, 2, 3, 4, 5, ...
Para obtener los valores de resistividad aparente, el primer paso es calcular los valores
de transformada de resistividad para un medio estratificado en los puntos Tn (0, 1, 2, ....)
utilizando la relación recursiva de Pekeris (3.14). Posteriormente, el valor de resistividad
aparente para un punto n es calculado utlizando
N
X
ρa (λ)n = fj T (λ)n−j (3.17)
j=1
En la Tabla 3.6 se muestran los coeficientes del filtro digital “corto” que Ghosh (1971) propone
para un arreglo Schlumberger.
Tabla 3.6: Coeficientes del filtro digital “corto” de Ghosh para un arreglo Schlumberger.
α−2 α−1 α0 α1 α2 α3 α4 α5 α6
-0.0723 0.3999 0.3492 0.1675 0.0858 0.0358 0.0198 0.0067 0.0076
Guptasarma (1982) propuso un método de optimización para crear filtros lineales de corta
longitud, con el cual se logró incrementar la precisión para los cálculos de resisitividades
37
aparentes. El modelado de la curva de resistividad aparente en esta investigación fue realizado

haciendo uso de un filtro Guptasarma de 11 puntos cuyos coeficientes se muestran en la
Tabla 3.7 (Sánchez Priego, 2012).
Tabla 3.7: Coeficientes del filtro Guptasarma de 11 puntos.
Abscisa (base-10) Abscisa (base-e) Coeficientes del filtro

-0.420 625 -0.968 524 854 74 0.041 873
-0.202 656 25 -0.466 633 260 21 -0.022 258
0.015 312 5 0.035 258 334 23 0.387 66
0.233 281 25 0.537 149 928 69 0.647 103
0.451 25 1.039 041 523 21 1.848 73
0.669 218 75 1.540 933 117 65 -2.960 84
0.887 187 5 2.042 824 712 17 1.358 412
1.105 156 25 2.544 716 306 69 -0.377 59
1.323 125 3.046 607 901 13 0.097 107
1.541 093 75 3.548 499 495 63 -0.024 243
1.759 062 5 4.050 391 090 11 0.004 046
Para evaluar la resistividad aparente en un arreglo Schlumberger con un espaciado s primero

se determina T (λ) para r = 1, ...., N , utlizando
λr = 10ar − log10 s (3.18)
donde ar son los valores de la abscisa en base-10 que se muestran en la Tabla 3.7. Los valores
de resistividad aparente son dados por
N
X
ρα = fr T (λr ) (3.19)
r=1
donde fr representa los coeficientes del filtro Guptasarma (1982). Para utilizar los valores de
la abscisa en base e, λr debe ser calculada como
λr = ear − loge s (3.20)
En la Figura 3.13 se muestran distintos modelos estratificados del subsuelo con sus respectivos
valores de resistividad aparente.
38
Curva de Resistividad Curva de Resistividad
500
500
100
100
● ● ●
● ● ● ●
● ● ●
● ● ●
● ● ●
● ●
Ohm−m
● ● ● ●
●
Ohm−m
● ● ● ●
●
●
20
● ●
● ● ●
20
5
5
1 2
1 2
1 2 5 10 20 50 100 1 2 5 10 20 50 100 200
AB/2 (m) AB/2 (m)

0 20 40 60 80 100 120 0 50 100 150 200
ρ1=20(Ωm) E1=5m
ρ1=50(Ωm) E1=10m
ρ2=50(Ωm) E2=10m
ρ2=150(Ωm) ρ3=100(Ωm)
(a) Curva de resistividad para un modelo de 2 (b) Curva de resistiviad Tipo A.

capas.
Curva de Resistividad Curva de Resistividad

500
500
● ● ●
100
●
100
●
● ● ● ● ●
● ● ●
● ● ●
Ohm−m
Ohm−m
●
● ● ●
● ●
● ●
20
● ●
●
20
● ● ●
● ● ●
● ●
●
● ●
5
5
1 2
1 2
1 2 5 10 20 50 100 200 1 2 5 10 20 50 100 200
AB/2 (m) AB/2 (m)

0 50 100 150 200 0 50 100 150 200 250 300
ρ1=150(Ωm) E1=4m
ρ1=20(Ωm) E1=5m
ρ2=30(Ωm) E2=8m
ρ2=100(Ωm) E2=10m
ρ3=400(Ωm) E3=12m
ρ3=10(Ωm) ρ4=10(Ωm)
(c) Curva de resistiviad Tipo K. (d) Curva de resistividad Tipo HK
Figura 3.13: Curva de resistividad aparente para distintos modelos estratificados del subsuelo. Se
pueden apreciar algunas de las nomenclaturas utilizadas para la interpretación, en caso de abordar
a mayor detalle este tema se recomienda consultar Telford et al. (1990) o Kearey et al. (2013)
.
39
3.3.2. Modelado Inverso de SEV utilizando Programación

Evolutiva
El objetivo de la inversión de resistividad aparente es estimar los espesores y resistividades

de las capas del modelo diseñado para datos sintéticos o del subsuelo en donde se realizó
el estudio para datos reales. Utilizando la función de modelado directo (Ecuación 3.19)
se generaron datos sintéticos de resistividad aparente para un conjunto predeterminado de
20 valores de AB/2, (Levent y Demirci, 2008) los cuales fueron utlizados para estimar los
parámetros del medio estratificado propuesto.
Para realizar la inversión de SEV’s, la Programación Evolutiva fue implementada de la
siguiente manera:

Individuo cuya cantidad de parámetros se aumenta dependiendo del número de estratos
del modelo (nc). Se representa de la siguiente manera:
h i
ρ1 · · · ρnc , E1 · · · Enc−1 , sd, rms (3.21)
donde ρnc y Enc−1 son los parámetros a estimar para cada individuo n, sd es la
desviación estándar para la mutación Gaussiana y
1/2
(
PN ˆ 2
i=1 (ρα − ρα ) )
rms = (3.22)
N 1/2
donde ρˆα son los valores calculados de resistividad aparente y N = número de datos,
la Ecuación 3.22 es la función a minimizar (Levent y Demirci, 2008) ya que se busca
una diferencia mı́nima entre los datos observados y calculados.
Se generan aleatoriamente, en un determinado espacio de búsqueda, las desviaciones
estándar sd y los parámetros de un conjunto de individuos de la primera generación
(Población Inicial) los cuales son evaluados en la Ecuación 3.22 arrojando un valor rms
para cada uno de ellos. Es de esperar que en este caso el valor no sea óptimo ya que el
proceso es realizado completamente al azar.
40
 
ρ · · · ρnc1 , E11 · · · E(nc−1)1 , sd1 , rms1
 11 
 ρ12 · · · ρnc2 , E12 · · · E(nc−1)2 , sd2 , rms2 
 
 ..

.. .. .. .. .. .. .. 
 (3.23)
 . . . . . . . . 
 
ρ1n · · · ρncn , E1n · · · E(nc−1)n , sdn , rmsn
3. Mutación
Todos los individuos de la población son sometidos a una mutación que modifica el valor
de sus parámetros, por lo que se genera una nueva población de iguales dimensiones a
la Población Inicial, la cual se denomina Población Mutada.
4. Evaluación
un nuevo valor rms para cada individuo. Los individuos con valores rms más bajos
tendrán más probabilidad de pasar a la siguiente generación.
5. Selección
La selección utilizada para este problema es la misma descrita en la Sección 2.4.
3.4. Inversión Conjunta

La inversión de datos geofı́sicos consiste en operar directamente sobre los datos para
obtener una perspectiva de la estructura que los generan. Se diferencia del enfoque tradicional
directo de interpretación geofı́sica en la que se asume un modelo, se calcula su respuesta y
se compara con las observaciones; posteriormente los parámetros del modelo se modifican
de una manera que se espera mejorar el ajuste de datos. La adaptación de la inversión
conjunta es la consecuencia directa de los métodos complejos de interpretación en geofı́sica
junto con el desarrollo de los métodos de inversión. El término se ha aplicado en la literatura
para la inversión de datos medidos por diferentes principios fı́sicos. Por ejemplo para la
exploración superficial, generalmente se representa la inversión conjunta da datos sı́smicos
y geoeléctricos. Vozoff y Jupp (1974) introdujeron tal método mediante la combinación de
datos resistivos y magnetotelúricos, observando una mejor resolución en los parámetros del
modelo estimado. Las limitaciones de las técnicas individuales pueden reducirse en gran
medida adoptando esquemas de inversión conjunta. Diferentes cantidades fı́sicas pueden
41
integrarse en una inversión conjunta, si al menos los datos medidos están influenciados
por un subconjunto de parámetros comunes. Para el caso de datos sı́smicos y geoeléctricos
que representan respuestas fı́sicamente diferentes, el espesor de capa puede funcionar como
un parámetro común en ambos. Los lı́mites entre dos capas de diferentes resistividades y
velocidades sı́smicas puede no coincidir. Por lo tanto, puede ocurrir que, el número de capas
derivadas por inversión individual de datos sı́smicos y geoeléctricos no sean idénticos. Para
los modelos analizados en el presente trabajo, se asume que las interfaces de capas son las
mismas para las propiedades geoeléctricas y sı́smicas, con el objetivo de asegurar que los
datos de cada método pueden combinarse en un esquema de inversión conjunta esperando
reducir en gran medida la singularidad e inestabilidad del problema, cabe señalar que el rms
utilizado es el presentado por Levent y Demirci (2008).
3.4.1. Esquema de Inversión Conjunta mediante PE
Una vez analizada la inversión para cada método, se han identificado las funciones de
modelado directo e individuos para cada uno de ellos, los cuales están representados de la
siguiente manera
Sı́smica de Refracción
Función para modelado directo

n p
X (xi+1 − xi )2 + ((mi+1 xi+1 + hi+1 ) − (mi xi + hi ))2
tiempo = +
i=1
V i
p
(xn+2 − xn+1 )2 + ((mn+1 xn+2 + hn+1 ) − (mn+1 xn+1 + hn+1 ))2
+
Vn+1
n p
X (xn+2+i − xn+1+i )2 + ((mn+1−i xn+2+i + hn+1−i ) − (mn+2−i xn+1+i + hn+2−i ))2
i=1
Vn+1−i
(3.24)
Individuo utilizado en PE para el modelado inverso
h i
(x1 · · · xnc∗2 ), (v1 · · · vnc ), (h1 · · · hnc ), rms (3.25)
para cada capa nc, x denota las coordenadas por donde pasa el rayo de una interface a otra,
h la profundidad y v la velocidad. Para m = 0, considerando que los modelos analizados se
presentan en capas horizontales.
42
Sondeo Eléctrico Vertical
Función para modelado directo
N
X
ρα = fr T (λr ) (3.26)
r=1
En un arreglo Schlumberger para un espaciado s primero se determina T (λ), dada por la

Ecuación 3.15, para r = 1, ...., N , utlizando
λr = 10ar − log10 s (3.27)
donde ar son los valores de la abscisa en base-10 que se muestran en la Tabla 3.7.
Individuo utilizado en PE para el modelado inverso
h i
(ρ1 · · · ρnc ), (E1 · · · Enc−1 ), rms (3.28)
donde ρnc es la resistividad y Enc el espesor para cada capa nc.

Se propone un algoritmo de aplicación conjunta con un enfoque multi-secuencial para
invertir datos de tiempo de arribo en refracción sı́smica y resistividad aparente en sondeo
eléctrico vertical para la delimitación de manera simultánea de la velocidad, resistividad
y profundidad de cada una de las interfaces. Considerando que el espesor de capas es el
parámetro en común para ambos y que la inversión es realizada mediante Programación
Evolutiva, el individuo se representa de la siguiente manera:
h i
(x1 · · · xnc∗2 ), (v1 · · · vnc ), (h1 · · · hnc ), (ρ1 · · · ρnc ), rms (3.29)
el rms utilizado para obtener la diferencia mı́nima entre datos observados y calculados fue
el siguiente:
PN 1/2
( i=1 (datoobs − datocal )2 )
rms = (3.30)
N 1/2
donde N = número de datos. Aunque la inversión presentada en Sı́smica de Refracción es
por medio de Programación Evolutiva, es oportuno considerar las técnicas existentes para
43
determinar profundidades y velocidades (Burger, 1992), esto con la finalidad de obtener una
mejor estimación de parámetros.
3.5. Resumen
En este capı́tulo se realizó un análisis de cada una de las funciones utilizadas para resolver
el modelado directo en Refracción (Ecuación 3.8) y SEV (Ecuación 3.19) que relacionan los
tiempos de arribo y los valores de resistividad aparente con los parámetros del modelo que
son la velocidad, la profundidad y resistividad de los estratos.
Posteriormente se presenta una descripción detallada de cada uno de los operadores

de Programación Evolutiva para resolver el problema inverso de cada método de manera
individual. Por último se presenta un esquema de inversión conjunta relacionando la
profundidad como parámetro en común para Refracción y SEV. En el Capı́tulo 4 se presentan
las pruebas de inversión de datos a las que fue sometido el algoritmo.
44
Capı́tulo 4
Análisis y Resultados
4.1. Introducción
A continuación se muestran los resultados de la inversión aplicada a distintos modelos
estratificados del subsuelo. Por medio de la Ecuación 3.24 para Sı́smica de Refracción y la
Ecuación 3.19 para Sondeos Eléctricos Verticales fueron generados los datos sintéticos a los
cuales se les agregó un cierto porcentaje de ruido gaussiano. Para cada modelo sometido
a prueba se obtuvo un conjunto de 4 gráficas para comprender de una mejor manera el
funcionamiento del algoritmo utilizado, mostrando la solución final de la inversión:
a) Gráfica Tiempo-Distancia, la cual muestra los tiempos de arribo calculados por medio
de la optimizacion de la Ecuación 3.24 utilizando PE.
b) Curva de resistividad aparente del modelo analizado, calculada mediante el filtro lineal
de 11 puntos de Guptasarma.
c) Gráfica RMS que muestra el error entre los datos observados y calculados en cada
generación.
d) Modelo estimado a partir de los parámetros calculados en la inversión, que corresponde

al mejor individuo de cada generación.
Se realizó la inversión de 7 modelos con distintos grados de complejidad para validar la

efectividad del algoritmo, los parámetros a estimar son la Velocidad, la Resistividad y la
Profundidad del estrato.
45
CAPÍTULO 4. ANÁLISIS Y RESULTADOS
4.2. Inversión de Datos

Como primer ejemplo se presenta un caso de 2 capas (Figura 4.1) para mostrar la evolución
de una población de 100 individuos a lo largo de 300 generaciones que se muestran desde la
Figura 4.2 hasta la Figura 4.6. La evolución muestra la convergencia de una gran cantidad de
individuos a una misma solución. El modelo estimado presentado en la gráfica corresponde al
mejor individuo de cada generacion. En la primera generación se observa como la población
inicial explora todo el espacio de soluciones de manera uniforme por lo que el modelo estimado
se encuentra bastante alejado de la solución real. En la Tabla 4.1 se presentan los parámetros
utilizados en la PE.
Distancia (m)
0 10 20 30 40 50 60
v1=500m/s ρ1=50(Ωm)

10 m v2=1000m/s ρ2=150(Ωm) 0°
Figura 4.1: Parámetros del Modelo 1, de 2 capas con resistividades y velocidades en orden
ascendente.
Tabla 4.1: Parámetros utilizados en los operadores de Programación Evolutiva para el Modelo 1,
ası́ como los espacios de búsqueda establecidos para cada parámetro a estimar (EB).
Generaciones Individuos EB Profundidad EB Velocidad EB Resistividad

300 100 0-50 m 0-2000 m/s 0-300 Ω-m
Es importante señalar que en Sı́smica de Refracción se tomaron los tiempos de arribo

refractados en la segunda capa para un arreglo de 12 geófonos distribuidos a lo largo de 60m;
para el SEV se tomó la curva de resistividad aparente generada por el medio estratificado.
46
Generación No. 1
Tiempo−Distancia Curva de Resistividad Aparente
Resistividad Aparente (Ohm−m)

●
● Observado ● Observado
90
Calculado Calculado
200
●
● ● ● ● ● ●
● ●
● ● ●
● ●
Tiempo (ms)
●
●
80
50
● ● ● ● ● ● ●

70
5 10
●
●
60
2
1
●
20 30 40 50 60 1 2 5 10 20 50 100 200
Distancia (m) AB/2 (m)
RMS Distancia (m)

47
0 10 20 30 40 50 60
0
20.00
Error
−10
Profundidad (m)
5.00
−20
v1=546.32m/s ρ1=147.52(Ωm)
RMS
1.00
−30
0.20
−40
40.78 m v2=538m/s ρ2=147.52(Ωm) 0°
−50
0.05
0 50 100 150 200 250 300

Generaciones Modelo Estimado
Figura 4.2: Resultado de la inversión conjunta de datos de resistividad aparente y tiempos de arribo del Modelo 1 en la generación 1, la
población inicial explora todo el espacio de soluciones.
Generación No. 20

●
90
Calculado Calculado
200
●
● ● ● ● ● ●
● ●
● ● ●
● ●
Tiempo (ms)
●
●
80
50
● ● ● ● ● ● ●

70
5 10
●
●
60
2
1
●
20 30 40 50 60 1 2 5 10 20 50 100 200
RMS Distancia (m)

48
0 10 20 30 40 50 60
0
20.00
Error
v1=476.22m/s ρ1=51.04(Ωm)
−10
8.24 m v2=976m/s ρ2=140.9(Ωm) 0°
Profundidad (m)
5.00
−20
RMS
1.00
−30
0.20
−40
−50
0.05
0 50 100 150 200 250 300

Figura 4.3: Resultado de la inversión conjunta de datos de resistividad aparente y tiempos de arribo del Modelo 1 en la generación 20, se puede
apreciar la tendencia a seguir en las siguientes generaciones.
Generación No. 50

●
90
Calculado Calculado
200
●
● ● ● ● ● ●
● ●
● ● ●
● ●
Tiempo (ms)
●
●
80
50
● ● ● ● ● ● ●

●
70
5 10
●
●
60
2
1
●
20 30 40 50 60 1 2 5 10 20 50 100 200
49
RMS Distancia (m)

0 10 20 30 40 50 60
0
20.00
Error
v1=469.9m/s ρ1=48.31(Ωm)
−10
8.51 m v2=998m/s ρ2=147.41(Ωm) 0°
Profundidad (m)
5.00
−20
RMS
1.00
−30
0.20
−40
−50
0.05
0 50 100 150 200 250 300

Figura 4.4: Resultado de la inversión conjunta de datos de resistividad aparente y tiempos de arribo del Modelo 1 en la generación 50.
Generación No. 150

●
90
Calculado Calculado
200
●
● ● ● ● ● ●
● ●
● ● ●
● ●
Tiempo (ms)
●
●
80
50
● ● ● ● ● ● ●

●
70
5 10
●
●
60
2
1
●
20 30 40 50 60 1 2 5 10 20 50 100 200
50
RMS Distancia (m)

0 10 20 30 40 50 60
0
20.00
Error
v1=469.9m/s ρ1=48.16(Ωm)
−10
9.19 m v2=1000m/s ρ2=148.01(Ωm) 0°
Profundidad (m)
5.00
−20
RMS
1.00
−30
0.20
−40
−50
0.05
0 50 100 150 200 250 300

Figura 4.5: Resultado de la inversión conjunta de datos de resistividad aparente y tiempos de arribo del Modelo 1 en la generación 150.
Generación No. 300

●
90
Calculado Calculado
200
●
● ● ● ● ● ●
● ●
● ● ●
● ●
Tiempo (ms)
●
●
80
50
● ● ● ● ● ● ●

70
5 10
●
●
60
2
1
●
20 30 40 50 60 1 2 5 10 20 50 100 200
RMS Distancia (m)

51
0 10 20 30 40 50 60
0
20.00
Error
v1=499.33m/s ρ1=49.87(Ωm)
−10
9.91 m 0°
Profundidad (m)
5.00
v2=1000m/s ρ2=149.91(Ωm)
−20
RMS
1.00
−30
0.20
−40
−50
0.05
0 50 100 150 200 250 300

Figura 4.6: Resultado de la inversión conjunta de datos de resistividad aparente y tiempos de arribo del Modelo 1 en la generación 300, a partir
de la generación 150 se puede apreciar una estabilidad en el valor rms. Todos los individuos han llegado a una misma solución.
4.2.1. Inversión de datos para modelos de 3 capas y un semiespacio
Modelo 2
A partir de este ejemplo se utilizó la técnica de determinación de velocidades para Sı́smica

de Refracción en un medio estratificado (1/pendiente de la recta), esto con la finalidad de
reducir el espacios de búsqueda en la velocidad la cual se determinó con un porcentaje de
movimiento ( %M) similar al mostrado en la Subsección 3.2.3 al aplicar la mutación en el
algoritmo para obtener una mejor estimación de parámetros. En el Modelo 2 mostrado en la
Figura 4.7, se presenta un medio de 3 capas y un semiespacio con resistividad y velocidad
ascendente, el resultado final de la inversión se muestra gráficamente en la Figura 4.8. La
Tabla 4.2 presenta los parámetros utilizados en los operadores de Programación Evolutiva
aplicada al Modelo 2.
Distancia (m)
0 50 100 150 200
v1=400m/s ρ1=20(Ωm)
15 m 0°
v2=2000m/s ρ2=100(Ωm)
50 m v3=5000m/s ρ3=200(Ωm) 0°
Figura 4.7: Parámetros del Modelo 2, de tres capas con velocidades y resistividades en orden
ascendente.
Generaciones Individuos EB Profundidad EB Resistividad %M Velocidad

500 10 0-60 m 0-500 Ω-m 20
52
● ●
Observado
140

●
● ● ● ● Observado
●
Calculado ● Calculado
200
● ●
●
120
●
● ●
● ●
● ●
●
● ●
Tiempo (ms)
●
100
50
● ●
● ●
●
● ●
●
●
● ●
● ● ● ● ●
80

●
10
60
5
●
40
2
1
●
50 100 150 200 1 2 5 10 20 50 100 200

RMS Distancia (m)

53
0 50 100 150 200
0
Error
v1=405.27m/s ρ1=20.16(Ωm)
10.0
Profundidad (m)
15.41 m 0°
−20
5.0
RMS
v2=1999.65m/s ρ2=96.94(Ωm)
2.0
−40
1.0
49.13 m v3=4983m/s ρ3=207.92(Ωm) 0°

0.5
−60
0 100 200 300 400 500

Figura 4.8: Resultado de la inversión conjunta de datos de resistividad aparente y tiempos de arribo del Modelo 2.
Modelo 3
Se presenta una capa resistiva en medio de dos conductivas mostrado en la Figura 4.9, con
el objetivo de resolver la inversión en un problema de equivalencia, para estos casos puede
resultar más difı́cil ya que se puede presentar un conjunto de soluciones que tengan un buen
ajuste a la curva de resistividad aparente, aunque con la información proporcionada por la
sı́smica de refracción se puede reducir esta incertidumbre, para determinar la solución óptima
del modelo se toma aquella con el valor rms más bajo. El resultado final de la inversión se
muestra gráficamente en la Figura 4.10. La Tabla 4.3 presenta los parámetros utilizados en
los operadores de Programación Evolutiva aplicada al Modelo 3.
Distancia (m)
0 20 40 60 80 100
v1=500m/s ρ1=50(Ωm)
10 m 0°
v2=1000m/s ρ2=100(Ωm)
25 m v3=2000m/s ρ3=20(Ωm) 0°
Figura 4.9: Parámetros del Modelo 3, de tres capas con velocidades ascendentes y una capa resistiva
en medio de dos conductivas.

500 10 0-60 m 0-300 Ω-m 20
54
●
Observado

●
●
● ● Observado
●
Calculado ●
Calculado
100
200
●
●
●
●
●
●
80
Tiempo (ms)
● ● ● ● ●
50
● ● ● ● ●
● ● ● ● ●
●
● ●
●
●
60
● ● ●
●

10
●
40
5
●
20
2
●
1
●
20 40 60 80 100 1 2 5 10 20 50 100 200

RMS Distancia (m)

55
0 20 40 60 80 100
10.0 20.0
0
Error
v1=498.88m/s ρ1=49.44(Ωm)
9.83 m 0°
Profundidad (m)
v2=997.72m/s ρ2=98.14(Ωm)
−20
5.0
RMS
25.5 m v3=1999m/s ρ3=20.08(Ωm) 0°

2.0
−40
1.0
0.5
−60
0 100 200 300 400 500

Modelo 4
A partir de este modelo se agregó un 5 % de ruido gaussiano a los datos observados para
simular las condiciones de los datos reales. Al igual que en el Modelo 3 se plantea un problema
de equivalencia como se presenta en la Figura 4.11, aunque para este caso se propone un medio
conductor en medio de dos resistivos. En la Tabla 4.4 se muestran los parámetros utilizados
en la PE; mientras que en la Figura 4.12 se muestra el resultado final de la inversión.
Distancia (m)
0 20 40 60 80 100
v1=500m/s ρ1=250(Ωm)
8m 0°
v2=1000m/s ρ2=50(Ωm)

20 m v3=2000m/s ρ3=100(Ωm) 0°
Figura 4.11: Parámetros del Modelo 4, de tres capas con velocidades ascendentes y una capa
conductiva en medio de dos resistivas.

800 10 0-40 m 0-300 Ω-m 20
56
500
100
● ●
● Observado ● ● Observado

●
Calculado ● Calculado
● ●
●
80
● ● ● ●
● ●
200
● ●
●
●
Tiempo (ms)
●
●
●
60
●
●
100
● ● ● ● ● ● ●
● ●
●

● ● ●
40
50
●
20
20
●
20 40 60 80 100 1 2 5 10 20 50 100 200

RMS Distancia (m)

57
0 20 40 60 80 100
50
Error
0
v1=500.2m/s ρ1=248.73(Ωm)
−10
7.99 m 0°
20
Profundidad (m)
v2=999.96m/s ρ2=45.63(Ωm)
RMS
−20
10
19.77 m v3=2000m/s ρ3=100.74(Ωm) 0°
−30
5
−40
2
0 200 400 600 800

4.2.2. Inversión de datos para modelos de 4 capas
Modelo 5
El Modelo 5 fue diseñado para 4 capas en el cual se presentan valores de resistividad

ascendentes con la profundidad como se muestra en la Figura 4.13. Conforme el modelo
se vuelve más complejo la cantidad de variables aumenta por lo que puede ser requerida
una mayor cantidad de generaciones para llegar a una solución óptima. En la Tabla 4.5 se
muestran los parámetros utilizados en la PE, mientras que en la Figura 4.14 se muestra el
resultado final de la inversión.
Distancia (m)
0 20 40 60 80 100 120
v1=200m/s ρ1=10(Ωm)
5m 0°
v2=800m/s ρ2=20(Ωm)
15 m 0°
v3=1500m/s ρ3=50(Ωm)
30 m v4=3000m/s ρ4=120(Ωm) 0°
Figura 4.13: Parámetros del Modelo 5, de 4 capas con velocidades y resistividades en orden
ascendente.

800 10 0-40 m 0-400 Ω-m 20
58
● ● ● Observado
● Observado ● ●
200
Calculado

120
● ●
Calculado ● ● ● ●
● ●
● ● ●
● ●
100
●
● ●
●
50
● ● ●
Tiempo (ms)
● ● ●
● ●
10 20
80
● ● ●
●
● ● ●

● ●
● ● ●
●
60
5
●
40
2
1
●
20 40 60 80 100 120 1 2 5 10 20 50 100 200

RMS Distancia (m)

59
0 20 40 60 80 100 120
20
Error
0
v1=195.89m/s ρ1=10.24(Ωm)
4.92 m 0°
10
−10
v2=800.63m/s ρ2=19.14(Ωm)
Profundidad (m)
15.17 m 0°
RMS
5
−20
v3=1499.08m/s ρ3=54.14(Ωm)
−30
2
29.4 m v4=2995m/s ρ4=119.63(Ωm) 0°

−40
1
0 200 400 600 800

Modelo 6
Para el Modelo 6 se presentan distintos medios conductivos intercalados con resistivos

aumentando la complejidad del problema (Figura 4.15). En la Tabla 4.6 se muestran los
parámetros utilizados en la PE, mientras que en la Figura 4.16 se muestra el resultado final
de la inversión.
Distancia (m)
0 20 40 60 80 100 120
v1=500m/s ρ1=30(Ωm)
5m 0°
v2=1000m/s ρ2=250(Ωm)
15 m 0°
v3=2000m/s ρ3=10(Ωm)

30 m v4=4000m/s ρ4=100(Ωm) 0°
Figura 4.15: Parámetros del Modelo 6, de 4 capas con velocidades ascendentes y alternación en
resistividades.

800 10 0-50 m 0-400 Ω-m 20
60
● ● ● Observado
80

● Observado
200
● ● Calculado
● ●
Calculado ● ● ●
● ●
● ●
● ● ● ● ●
● ●
● ● ● ●
60
● ●
50
● ● ●
Tiempo (ms)
● ●
● ●
● ●
● ● ●
10 20
●
●
40

●
5
20
2
1
●
20 40 60 80 100 120 1 2 5 10 20 50 100 200

RMS Distancia (m)

61
0 20 40 60 80 100 120
0
Error
v1=510.87m/s ρ1=29.17(Ωm)
10
4.85 m 0°
−10
v2=1000.17m/s ρ2=248.43(Ωm)
8
Profundidad (m)
14.24 m 0°
6
−20
RMS
v3=1997.62m/s ρ3=10.63(Ωm)
−30
4
29.75 m v4=4017m/s ρ4=98.34(Ωm) 0°
−40
2
−50
0 200 400 600 800

4.2.3. Inversión de datos para un modelo complejo
Modelo 7
Para este caso se analizó un modelo que presenta un mismo medio intemperizado
superficialmente y humedecido a cierta profundidad, por lo que sı́smicamente se comporta
como un medio de 2 capas y resistivamente como un medio de tres capas (Figura 4.17). En la
Tabla 4.7 se muestran los parámetros utilizados en la PE. La Figura 4.18 muestra el resultado
final de la inversión.
Distancia (m)
0 20 40 60 80 100
v1=500m/s ρ1=100(Ωm)
5m 0°
v2=500m/s ρ2=50(Ωm)
15 m v3=1500m/s ρ3=200(Ωm) 0°
Figura 4.17: Parámetros del Modelo 7, que consiste de dos capas para sı́smica y tres capas para
resistividad.

800 10 0-40 m 0-400 Ω-m 20
Se aplicó un 5 % de ruido gaussiano a los datos sintéticos de sı́smica y resistividad del

Modelo 7 para simular las condiciones de datos reales y se realizó la inversión. La Figura 4.19
muestra los resultados obtenidos.
62
Caso sin Ruido
500
120
●
● Observado ●
● ● Observado

Calculado ●
● Calculado
●
100
●
●
●
200
●
● ● ●
● ●
Tiempo (ms)
●
●
80
● ●
●
●
100
● ●
● ● ● ● ●

●
60
● ●
● ●
● ●
●
50
40
●
20
20
●
20 40 60 80 100 1 2 5 10 20 50 100 200

63
RMS Distancia (m)

0 20 40 60 80 100
Error
0
v1=499.93m/s ρ1=99.29(Ωm)
20
5.08 m 0°
−10
v2=503.24m/s ρ2=50.57(Ωm)
10
Profundidad (m)
15.13 m 0°
RMS
v3=1501m/s ρ3=198.15(Ωm)
5
−20
−30
2
1
−40
0 200 400 600 800

Caso con Ruido
500
120
●
● Observado ● ● Observado

●
Calculado ● ● Calculado
●
100
● ●
●
200
●
● ● ●
● ● ●
Tiempo (ms)
● ●
80
● ●
●
●
100
● ● ● ●
● ●
60
● ● ●
● ● ●

●
●
50
40
●
20
20
●
20 40 60 80 100 1 2 5 10 20 50 100 200

RMS Distancia (m)

64
0 20 40 60 80 100
Error
0
v1=499.73m/s ρ1=97.46(Ωm)
20
5.25 m 0°
−10
v2=497.79m/s ρ2=48.65(Ωm)
Profundidad (m)
10
14.83 m 0°
RMS
v3=1503m/s ρ3=201.89(Ωm)
−20
5
−30
2
−40
0 200 400 600 800

Figura 4.19: Resultado de la inversión conjunta de datos de resistividad aparente y tiempos de arribo del Modelo 7 contaminado con un 5 %
de ruido gaussiano.
4.3. Análisis
Se presenta un distinto grado de complejidad para cada uno de los modelos analizados,
con el objetivo de probar la versatilidad del algoritmo de inversión. Se puede apreciar que al
pasar un número determinado de generaciones el valor RMS no sufre cambios significativos,
esto debido a que las diferencias entre los datos observados y calculados son mı́nimos por lo
que el problema converge a una misma solución, que corresponde a los parámetros estimados
en la inversión conjunta.
Al realizar la inversión en modelos contaminados con ruido, el valor RMS es proporcional

con el porcentaje de ruido de los datos, pero se obtienen buenos resultados con niveles de 1
al 5 % de ruido gaussiano. El número de generaciones e individuos utilizados para resolver
cada problema puede variar, para este caso se obtuvo un mejor rendimiento al utilizar un
número reducido de individuos.
4.4. Resumen
Se han presentado los resultados obtenidos mediante las pruebas de inversión para
distintos modelos estratificados del subsuelo, en ellos se pueden observar las diferencias
mı́nimas entre los datos observados y calculados produciendo una estimación de parámetros
bastante aproximada a los modelos propuestos en el problema directo, lo que comprueba el
funcionamiento correcto del algoritmo de inversión.
Como se puede apreciar en los métodos sometidos a prueba, los espacios de búsqueda
seleccionados varı́an para cada parámetro a estimar, esto mejora considerablemente el
rendimiento del algoritmo ya que al aplicar ciertas restricciones, se eliminan las soluciones
no viables.
65
Capı́tulo 5
Conclusiones y Recomendaciones
5.1. Conclusiones
El algoritmo aplicado a la inversión conjunta de Sı́smica de Refracción y SEV’s tuvo como
resultado una estimación de parámetros bastante aproximada a los propuestos en el modelado
directo. Se probó que es capaz de ser utilizado en datos sintéticos contaminados con ruido
validando su efectividad al trabajar con datos reales, por lo que la Programación Evolutiva
puede ser considerada como una buena opción para resolver el problema inverso en geofı́sica.
Algunas particularidades en la búsqueda de la solución al problema inverso son:
a) La selección de un rango de búsqueda lo suficientemente amplio para explorar el espacio

de soluciones que es acortado con el paso de las generaciones hasta llegar a una solución
óptima.
b) Este rango de búsqueda inicial puede ser reducido con información geofı́sica y geológica
del área de estudio con la finalidad de mejorar el tiempo de cómputo y la solución
estimada por el algoritmo.
c) Establecer un número de generaciones e individuos puede ser diferente para cada

problema a resolver, en este trabajo se resolvieron distintos problemas de optimización
cuyos parámetros de PE varı́an para cada uno de ellos.
El uso de las técnicas metaheurı́sticas en la geofı́sica es viable ya que muchos de los

problemas que presentan un alto grado de complejidad pueden ser planteados como un
problema de optimización. El lenguaje de programación R demostró que a pesar de tener
66
CAPÍTULO 5. CONCLUSIONES Y RECOMENDACIONES
un enfoque estadı́stico posee la capacidad necesaria para ser utilizado al abordar problemas
de optimización.
5.2. Recomendaciones
Existen mejoras que pueden implementarse en el método propuesto, algunas
recomendaciones que se pueden desprender como un trabajo futuro son las siguientes:
a) Efectuar la inversión conjunta combinando métodos geofı́sicos que no hayan sido

analizados en el presente trabajo, para considerar la relación de parámetros en común
de cantidades fı́sicas diferentes.
b) Realizar la inversión en modelos con anisotropı́a en el medio, ası́ como en distintas

geometrı́as del subsuelo.
c) Adaptar la PE a la inversión de datos en modelos 2-D del subsuelo.
d) Combinar la Optimización Multiobjetivo con los Algoritmos Evolutivos, ya que la

inversión conjunta requiere la optimización simultánea de más de una función.
67
Bibliografı́a
Aster, R. C., Borchers, B., y Thurber, C. H. (2013). Parameter Estimation and Inverse
Problems, Academy Press, Oxford, UK, 360p.
Bäck, T. y Schwefel, H.-P. (1993). An Overview of Evolutionary Algorithms for Parameter

Optimization. Evol. Comput., 1:1–23.
Burger, R. (1992). Exploration Geophysics of the Shallow Subsurface, New Jersey Prentice
Hall, US, 485p.
Dávila Torres, R. F. (2012). Trazado de rayos sı́smicos mediante la optimización de la

ecuación de tiempos de arribo utilizando Programación Evolutiva. Tesis de Licenciatura,
FCT-UANL, 414p.
de Nardis, R., Cardarelli, E., y Dobroka, M. (2005). Quasi-2D hybrid joint inversion of seismic
and geoelectric data. Geophysical Prospecting, 53:705–716.
Deb, K. (2001). Multi-Objective Optimization using Evolutionary Algorithms, Cambridge

University Press, Cambridge, UK, 493p.
Fedi, M. y Rapolla, A. (1999). 3-D inversion of gravity and magnetic data with depth
resolution. Geophysics, 64:452–460.
Fogel, L., Owens, A., y Walsh, M. (1966). Artificial intelligence through simulated evolution,
Chichester, WS, UK.
Gallardo, L. y Meju, M. (2003). Characterization of heterogeneous near-surface materials by

joint 2D inversion of dc resistivity and seismic data. Geophysical Research Letters, 30:1658.
Gallardo Delgado, L., Pérez Flores, M. A., y Gómez Treviño, E. (2003). A versatile algorithm
for joint 3D inversion of gravity and magnetic data. Geophysics, 68:949–959.
68
BIBLIOGRAFÍA
Ghosh, D. (1971). The aplication of Linear Filter Theory to the Direct Interpretation of
Geoelectric Resistivity Sounding Measurements. Geophysical Prospecting, 19:192–217.
Guptasarma, D. (1982). Optimization of Short Digital Linear Filters for Increased Accuracy.
Geophysical Prospecting, 30:501–514.
Holland, J. H. (1975). Adaptation in Natural and Artificial Systems, University of Michigan

Press. second edition, 1992.
Juhojuntti, N. y Kamm, J. (2015). Joint inversion of seismic refraction and resistivity

data using layered models — Applications to groundwater investigation. Geophysics,
80:EN43–EN55.
Kearey, P., Brooks, M., y Hill, I. (2013). An Introduction to Geophysical Exploration,

Blackwell Science, Third Edition, Oxford, UK, 262p.
Koefoed, O. (1968). The Application of the Kernel Function in Interpreting Geoelectrical

Resistivity Measurements. Schweizerbart Science Publishers, Stuttgart, Germany.
Kumar, S., Shahid, S., y Dewangan, P. (1999). SEISRES - a Visual C++ program for the
sequential inversion of seismic refraction and geoelectric data. Computers and Geosciences,
26:177–200.
Levent, Y. y Demirci, A. (2008). A Damped Least-Squares Inversion Program for the

Interpretation of Shlumberger Sounding Curves. Journal of Applied Sciences, 22:192–217.
Marroquı́n Navarro, L. M. (2012). Inversión sı́smica de reflexión 2D, mediante la técnica de

optimización Programación Evolutiva. Tesis de Licenciatura, FCT-UANL, 138p.
Meju, M. (1994). Geophysical Data Analysis: Understanding Inverse Problem. Theory and
Practice, Society of Exploration Geophysicists, Tulsa, OK, 296p.
Méndez Delgado, S. (1997). Inversión y modelado de campos eléctricos y magnéticos para

números de inducción pequeños. Tesis de Doctorado, CICESE, 388p.
Menke, W. (1984). Geophysical Data Analysis: Discrete Inverse Theory, Academic Press Inc,
San Diego, US, 260p.
69
BIBLIOGRAFÍA
Parker, R. L. (1994). Geophysical Inverse Theory, Princeton University Press, Princeton, NJ,
391p.
Pekeris, C. L. (1940). Direct method of interpretation in resistivity prospecting. Geophysics,

5:31–42.
Pérez Flores, M. A., Méndez Delgado, S., y Gómez Treviño, E. (2001). Imaging low-frequency
and dc electromagnetic fields using a simple linear approximation. Geophysics,
66:1067–1081.
Pilkington, M. (2006). Joint inversion of gravity and magnetic data for two-layer models.
Geophysics, 71:L35–L42.
Pous, J. (1983). Aplicaciones de la Inversión Generalizada a la Interpretación de Sondeos

Geoeléctricos. Tesis de Doctorado, Universidad de Barcelona, 159p.
Rechenberg, I. (1973). Evolutionsstrategie: Otimierung techniser Systeme nach Prinzipien

der biolosichen Evolution. Fromman-Holzborg Veerlag.
Sánchez Priego, M. (2012). Diseño de un Algoritmo Genético de Optimización Global

con una aplicación a la Inversión de Sondeos Eléctricos Verticales. Tesis de Licenciatura,
FCT-UANL, 98p.
Sen, M. K. y Stoffa, P. L. (1995). Global Optimization Methods in Geophysical Inversion,

Elsevier, Amsterdam, Netherlands, 281p.
Tarantola, A. (2005). Inverse Problem Theory and Methods for Model Parameter Estimation,
Society for Industrial and Applied Mathematics, Philadelphia, US, 342 p.
Telford, W. M., Geldart, L. P., y Sheriff, R. E. (1990). Applied Geophysics, Cambridge

University Press, Cambridge, UK, 792p.
Vozoff, K. y Jupp, D. L. (1974). Joint Inversion of Geophysycal Data. Geophysical Journal

of the Royal Astronomical Society, 42:997–991.
70

Universidad Autónoma de Nuevo León Facultad de Ciencias de La Tierra

Cargado por

Copyright:

Formatos disponibles

Universidad Autónoma de Nuevo León Facultad de Ciencias de La Tierra

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Universidad Autónoma de Nuevo León Facultad de Ciencias de La Tierra

Cargado por

Copyright:

Formatos disponibles

UNIVERSIDAD AUTÓNOMA DE NUEVO LEÓN

FACULTAD DE CIENCIAS DE LA TIERRA

INVERSIÓN CONJUNTA DE SÍSMICA DE REFRACCIÓN Y

ING. JORGE LUIS MERLO MEJÍA

COMO REQUISITO PARCIAL PARA OBTENER EL GRADO DE

INVERSIÓN CONJUNTA DE SÍSMICA DE REFRACCIÓN Y

ING. JORGE LUIS MERLO MEJÍA

COMO REQUISITO PARCIAL PARA OBTENER EL GRADO DE

LINARES, NUEVO LEÓN, MÉXICO NOVIEMBRE, 2017

INVERSIÓN CONJUNTA DE SÍSMICA DE REFRACCIÓN Y

ING. JORGE LUIS MERLO MEJÍA

HA SIDO ACEPTADA COMO REQUISITO PARCIAL PARA OPTAR

VO. BO. DEL DIRECTOR DE TESIS

LINARES, NUEVO LEÓN, MÉXICO NOVIEMBRE, 2017

INVERSIÓN CONJUNTA DE SÍSMICA DE REFRACCIÓN Y SONDEOS

ING. JORGE LUIS MERLO MEJÍA

HA SIDO ACEPTADA COMO REQUISITO PARCIAL PARA OPTAR

LA COMISIÓN DE REVISIÓN DE TESIS

LINARES, NUEVO LEÓN, MÉXICO NOVIEMBRE, 2017

Jorge Luis Merlo Mejı́a

Al Consejo Nacional de Ciencia y Tecnologı́a, por su apoyo, al otorgarme la beca de

A mi generación de posgrado la “MGP”, Saimon, Christian, Chava, Xavi, Ana, Carlos,

Al Dr. Carlos Aguilar Madera por haberme brindado su apoyo en posgrado.

Índice de figuras III

2. Optimización Global en Inversión Geofı́sica 5

2.1. Diagrama de flujo de Programación Evolutiva . . . . . . . . . . . . . . . . . 10

3.1. Esquema representativo de la trayectoria de un rayo refractado en un medio

4.1. Parámetros del Modelo 1, de 2 capas con resistividades y velocidades en orden

3.1. Parámetros utilizados para el Modelo 1. . . . . . . . . . . . . . . . . . . . . 24

4.1. Parámetros utilizados en los operadores de Programación Evolutiva para el

La complejidad del problema inverso en geofı́sica ha llevado a soluciones no analı́ticas por

La complejidad del problema inverso en geofı́sica ha llevado a soluciones no analı́ticas por lo

Una vez hecho el análisis anterior y conociendo el espacio de soluciones, el problema

1.3.1. Objetivos Generales

• Diseño de un algoritmo de PE de fácil implementación para poder aplicarlo a distintos

• Inversión conjunta de datos de resistividad aparente en SEVs y de tiempos de arribo

1.3.2. Objetivos Particulares

• Programar un algoritmo de PE en el lenguaje de programación R.

• Validar el funcionamiento de PE mediante la optimización de distintas funciones que

• Programar el Trazado de Rayos de Sı́smica de Refracción mediante la optimización de

• Resolver el problema directo de resistividad aparente para distintos modelos 1-D

• Validar la autenticidad de los programas generados para resolver el problema directo

• Generar datos sintéticos de resistividad aparente y tiempos de arribo para distintos

• Adaptar el algoritmo de PE para aplicarlo a la inversión conjunta de SEVs y Sı́smica

• Someter el algoritmo de PE a distintas pruebas de inversión de datos sintéticos de

En el Capı́tulo 2 se presenta un bosquejo de las distintas técnicas de inversión ası́ como

Optimización Global en Inversión

i Parametrización del sistema: reconocimiento de los parámetros mı́nimos del modelo

2.2. Métodos de inversión basados en modelos

donde N D es el número de datos y T significa traspuesta. Por ejemplo, en sı́smica de

dcal = G(m) (2.3)

ei = dobs − dcal (2.4)

Métodos iterativos lineales

Métodos de Monte-Carlo direccionados

2.3. Optimización Global

2.3.1. Programación Evolutiva

1) Generar la población inicial de n individuos, establecer k = 1, donde k representa el

2) Evaluar el puntaje de aptitud para cada individuo (xi , σi ), ∀i ∈ {1, · · · , n}, de la

x′j = xi (j) + σi Nj (0, 1) (2.7)