Forward-Modeling-Driven Quantification of Karst ERT Responses and Borehole-Constrained AI-Assisted Interpretation

Resumen Técnico: Cuantificación de las respuestas de ERT de cavidades kársticas impulsada por el modelado directo e interpretación asistida por IA con restricciones de sondeos

Planteamiento del problema
La Tomografía de Resistividad Eléctrica (ERT) es el método principal para detectar cavidades kársticas ocultas y zonas fracturadas, pero su interpretación enfrenta desafíos significativos. El mapeo de la resistividad aparente hacia la estructura del subsuelo es un problema inverso mal planteado, caracterizado por el promedio ponderado por volumen, efectos de la geometría de muestreo y no unicidad. Estos factores causan distorsiones sistemáticas en las respuestas observadas, lo que conduce a límites difusos y ambigüedad de equivalencia. Si bien estudios recientes han introducido el aprendizaje profundo de extremo a extremo para interpretar datos de ERT, persisten tres brechas críticas: (1) una falta de auditoría para el sesgo de distribución de parámetros en los conjuntos de datos de entrenamiento sintéticos, lo que puede causar que los modelos aprendan atajos del conjunto de datos en lugar de patrones físicos; (2) una cuantificación insuficiente de cómo la calidad de las restricciones de los sondeos (específicamente, si intersectan el objetivo) afecta las ganancias de interpretación; y (3) una falta de capas intermedias interpretables que caractericen los patrones de distorsión de la respuesta directa, lo que dificulta vincular las conclusiones de la IA con los mecanismos físicos subyacentes.

Metodología
El estudio propone un marco impulsado por el modelado directo que separa explícitamente el análisis de la respuesta física de la predicción asistida por IA. El flujo de trabajo consta de los siguientes componentes:

1. Librería de modelos controlables: Se construyó una librería completa de verdades de campo (ground-truth) con 5,000 modelos sintéticos, que cubre ocho escenarios geoeléctricos kársticos representativos (p. ej., estratificación simple, cavidades secas o llenas de agua, simples o múltiples; interferencia/blindaje superficial/somero; topografía ondulada). El fondo consiste en tres capas (capa superficial, capa meteorizada, roca madre), con cavidades kársticas definidas como anomalías de baja resistividad (llenas de agua) o alta resistividad (secas).
2. Modelado directo: Se generaron respuestas de resistividad aparente y pseudosecciones utilizando la librería de elementos finitos de código abierto pyGIMLi con un arreglo Wenner-α (60 electrodos, espaciamiento de 1 m). Para asegurar la robustez numérica, 12 modelos representativos fueron evaluados independientemente mediante RES2DMOD.
3. Auditoría de sesgo del conjunto de datos: El estudio implementó una auditoría de tres partes para detectar sesgos sistemáticos: comparación de estrategias de anclaje (comparando perforación aleatoria vs. de punto medio), análisis de agrupamiento espacial de falsos positivos y pruebas de estabilidad de patrones de distorsión entre versiones.
4. Cuantificación de la distorsión: Las respuestas directas se compararon con los modelos de verdad de campo para cuantificar siete patrones de distorsión específicos: compresión de profundidad, desplazamiento lateral, distorsión morfológica, blindaje superficial, fusión de anomalías múltiples, diferencias de polaridad y sensibilidad del arreglo.
5. Simulación de sondeos: Los sondeos se simularon utilizando seis estrategias de colocación (aleatoria, espaciada uniformemente ingenua, centro de la anomalía, borde de la anomalía, gradiente máximo y límite superior de la verdad de campo). Crucialmente, todas las observaciones de los sondeos se extrajeron exclusivamente de los modelos de verdad de campo, no de las pseudosecciones, para garantizar la consistencia física.
6. Interpretación mediante Aprendizaje Profundo: Se entrenó una red U-Net ligera (aprox. 1.9 millones de parámetros) para predecir imágenes de resistividad y máscaras de anomalías a partir de pseudosecciones, con canales de sondeo opcionales como entrada. La red fue evaluada en un conjunto de prueba de 512 muestras.

Contribuciones clave

• Desarrollo del marco: Se estableció un flujo de trabajo impulsado por el modelado directo que sitúa el análisis de la respuesta interpretable antes de la predicción por IA, vinculando las conclusiones con la evidencia de modelado determinista.
• Cuantificación de la distorsión: Se cuantificaron sistemáticamente siete patrones de distorsión de la respuesta directa y se validó su robustez numérica mediante la comparación entre software (pyGIMLi vs. RES2DMOD).
• Auditoría de sesgo: Se demostró que el diseño de la distribución de parámetros es tan crítico como el tamaño de la muestra, introduciendo métodos de auditoría reutilizables para evitar que los modelos aprendan atajos del conjunto de datos.
• Análisis de restricción de sondeos: Se evaluó explícitamente la relación entre la "calidad de impacto" del sondeo (intersección con el objetivo) y la magnitud/dirección de la mejora en la interpretación asistida por IA.

Resultados

• Robustez numérica: RES2DMOD y pyGIMLi mostraron una estrecha concordancia con un error RMS relativo del 2.03% en 12 modelos, confirmando la fiabilidad de los patrones de distorsión reportados.
• Patrones de distorsión:
  • Compresión de profundidad: Los picos de respuesta son sistemáticamente más superficiales que las profundidades de enterramiento reales (la relación de compresión disminuye de ~0.54 en regiones someras a ~0.24 en regiones más profundas).
  • Desplazamiento lateral: El desplazamiento horizontal mediano de los picos de respuesta es de ~3.1 m (aprox. tres espaciamientos de electrodos), aumentando cerca de los extremos de la línea de levantamiento.
  • Distorsión morfológica: El ancho de la semiamplitud de la respuesta es significativamente más estrecho que el ancho real de la anomalía (relación mediana ~0.33).
  • Blindaje superficial: Los cuerpos de alta resistividad someros pueden atenuar casi completamente las respuestas de objetivos profundos (índice de blindaje ~1.0), mientras que los cuerpos de baja resistividad pueden causar confirmaciones falsas.
  • Fusión de anomalías múltiples: Las múltiples cavidades a menudo se fusionan en menos picos en las pseudosecciones (p. ej., el 61% de las muestras de 3 cavidades mostraron menos picos).
• Tasas de impacto de sondeos: En la librería sin sesgos, las estrategias de ingeniería factibles lograron tasas de impacto del primer sondeo de solo 21–24%, muy por debajo del 97–99% logrado por el límite superior de la verdad de campo (oráculo). La colocación basada en la respuesta mejoró las tasas de impacto en solo ~5 puntos porcentuales respecto a la perforación aleatoria.
• Desempeño de la interpretación por IA:
  • Línea base sin sondeos: La red logró una Intersección sobre Unión (IoU) de la región de anomalía de 0.114 y una tasa de falsos positivos (FPR) de 0.84.
  • Restricciones de Oráculo: Cuando los sondeos garantizaban intersectar el objetivo (99% de impacto), la IoU aumentó a 0.506 y la FPR cayó a 0.
  • Restricciones de Ingeniería: Las ganancias de las estrategias factibles fueron limitadas y variables. Por ejemplo, dos sondeos colocados en los bordes de la anomalía redujeron la FPR pero causaron la mayor pérdida en la recuperación (recall). El estudio encontró que las mejoras en la interpretación de la IA estaban fuertemente asociadas con la probabilidad de que los sondeos intersecten el objetivo, más que con la mera presencia de datos de sondeo.
• Control de detección observable: Una auditoría sin entrenamiento reveló que las características observables en campo (p. ej., la relación señal-ruido del pico) no podían filtrar de manera confiable las muestras donde los sondeos impactarían el objetivo; en algunos casos, las respuestas más fuertes se correlacionaron negativamente con las tasas de impacto debido al blindaje o la fusión.

Significancia y Reivindicaciones
El artículo sostiene que la distorsión de la respuesta directa debe cuantificarse antes de evaluar las interpretaciones de ERT asistidas por IA. Argumenta que el valor de los conjuntos de datos de modelado directo a gran escala depende no solo del tamaño de la muestra, sino del diseño de las distribuciones de parámetros para evitar sesgos. El estudio destaca que el beneficio de las restricciones de sondeo en la interpretación de la IA no es lineal; depende críticamente de la probabilidad de que los sondeos intersecten el objetivo. En consecuencia, los autores sugieren que mejorar la calidad de la restricción mediante exposiciones más densas de la verdad de campo es una ruta de ingeniería más defendible que depender del filtrado basado en la respuesta.

Los autores mantienen un alcance modesto, afirmando que el componente de aprendizaje profundo es una "prueba de concepto" limitada a datos sintéticos de Wenner-α y no debe interpretarse como un sistema de inversión de campo de propósito general. Reconocen limitaciones, incluyendo el rango estrecho de tasas de impacto muestreadas por las estrategias de ingeniería y la falta de comparación con inversiones convencionales con restricción de suavidad o casos de estudio de campo. La contribución principal es metodológica: proporcionar un marco para auditar el sesgo del conjunto de datos y cuantificar las distorsiones físicas para comprender mejor las limitaciones y el potencial de la IA en la interpretación geofísica.