Nonlinear 1D Time-Domain Electromagnetic Inversion using Adaptive Differential Evolution: Application to Volcanic-Hydrothermal System

Resumen Técnico: Inversión Electromagnética No Lineal en el Dominio del Tiempo 1D mediante Evolución Diferencial Adaptativa

Planteamiento del Problema
La inversión de resistividad del subsuelo mediante Electromagnetismo en el Dominio del Tiempo (TDEM) se caracteriza como un problema de optimización altamente no lineal e mal planteado. El proceso se ve obstaculizado por desafíos significativos, incluyendo el acoplamiento de parámetros, la equivalencia de capas (donde diferentes combinaciones de resistividad y espesor producen respuestas indistinguibles) y la prevalencia de mínimos locales. Los métodos deterministas convencionales (por ejemplo, Gauss–Newton, Levenberg–Marquardt) a menudo fallan en estos escenarios debido a su dependencia de las estimaciones iniciales del modelo y su susceptibilidad a quedar atrapados en mínimos locales. Si bien los algoritmos de optimización estocástica global como la Evolución Diferencial (DE) ofrecen una solución, las implementaciones estándar de DE dependen de parámetros de control estáticos (factor de escala de mutación $F$ y tasa de cruce $Cr$). Estos ajustes fijos carecen de la flexibilidad necesaria para adaptarse a los requisitos dinámicos de búsqueda de las diferentes fases evolutivas, lo que a menudo conduce a una convergencia prematura o al estancamiento, particularmente en paisajes multimodales complejos típicos de sistemas volcánico-hidrotermales.

Metodología
Este estudio propone un marco de inversión estocástica avanzado basado en la Evolución Diferencial Adaptativa con Reducción de Tamaño de Población Lineal Mejorada basada en el Historial de Éxitos (iL-SHADE). La metodología integra varios mecanismos adaptativos para equilibrar la exploración global y la explotación local sin necesidad de ajuste manual de parámetros:

1. Control de Parámetros Adaptativo: A diferencia de la DE canónica, iL-SHADE utiliza arreglos de memoria histórica ($M_F$ y $M_{Cr}$) para almacenar los parámetros de mutación y cruce exitosos de generaciones anteriores. Estas memorias se actualizan utilizando medias ponderadas de los ensayos exitosos, lo que permite al algoritmo autorregular su comportamiento de búsqueda basándose en el desempeño pasado.
2. Reducción Lineal del Tamaño de la Población (LPSR): El algoritmo reduce dinámicamente el tamaño de la población ($N_p$) de forma lineal desde un máximo inicial hasta un umbral mínimo a medida que avanza la optimización. Esta estrategia mantiene una alta diversidad durante las fases tempranas de exploración y concentra los recursos computacionales en regiones prometedoras durante las fases posteriores de explotación.
3. Estrategia de Mutación: El marco emplea una estrategia de mutación de tipo current-to-pbest/1/bin, la cual selecciona vectores objetivo a partir del $p\%$ superior de la población, equilibrando aún más la exploración y la explotación.
4. Modelado Directo (Forward Modeling): El problema directo de TDEM se resuelve utilizando una configuración de fuente de dipolo eléctrico horizontal (HED) conectado a tierra. La solución implica transformar las ecuaciones de Maxwell al dominio de Laplace, resolver para el potencial vectorial magnético en medios estratificados y aplicar el algoritmo de Gaver–Stehfest para la transformación numérica inversa de Laplace con el fin de obtener la respuesta de la densidad de flujo magnético en el dominio del tiempo ($B_z(t)$).
5. Marco de Validación: El algoritmo fue evaluado mediante:
   • Benchmarks Sintéticos: Cuatro modelos de tierra de 5 capas distintos (perfiles de resistividad Ascendente, Bell, Bowl y Descendente) para probar el rendimiento ante diversas complejidades geológicas.
   • Rigor Estadístico: 30 ejecuciones estocásticas independientes por modelo, analizadas mediante la prueba de hipótesis de rango suma de Wilcoxon no paramétrica ($\alpha = 0.01$) para confirmar la significancia estadística.
   • Pruebas de Robustez: Evaluación bajo niveles de ruido Gaussiano de hasta el 20% y escenarios de desajuste de capas (inversión de datos de 3 capas con un modelo de 5 capas).
   • Aplicación de Campo: Validación utilizando datos reales de TDEM de la Estación UZ01 en el Volcán Unzen, Japón.

Contribuciones Clave

• Adaptación Algorítmica: Este trabajo presenta la primera aplicación sistemática de iL-SHADE a la inversión TDEM, demostrando que el control de parámetros adaptativo y la gestión de la población superan significativamente a la DE estándar y a SHADE en contextos geofísicos.
• Guías Empíricas: El estudio establece configuraciones base específicas para la inversión TDEM, recomendando un tamaño de población inicial de $N_p = 21 \times D$ (donde $D$ es la dimensión del modelo) y un rango de $p$-best de $[0.10, 0.20]$, eliminando la necesidad de un costoso ajuste de prueba y error.
• Verificación Estadística: Al realizar 30 ejecuciones independientes y aplicar pruebas de rango suma de Wilcoxon, el estudio proporciona una prueba estadística rigurosa (p-valores $< 0.01$) de que las mejoras en el rendimiento no se deben al azar, sino que son inherentes a la mecánica del algoritmo.
• Manejo de la No Unicidad: El marco demuestra la capacidad de navegar espacios de modelos "equivalentes" (específicamente en el desafiante modelo "Bowl") de manera más efectiva que los algoritmos competidores, logrando desajustes menores y mayor estabilidad.

Resultos

• Desempeño Sintético: En los cuatro modelos sintéticos, iL-SHAVE alcanzó desajustes medianos en el rango de $10^{-8}$ a $10^{-9}$. Esto representa una mejora de 2 a 4 órdenes de magnitud sobre la DE estándar y SHADE. En el modelo "Bowl" más desafiante (caracterizado por una zona intermedia de baja resistividad), iL-SHADE logró un desajuste mínimo de $2.555 \times 10^{-9}$ y una mediana de $5.979 \times 10^{-9}$, superando significativamente a sus competidores.
• Significancia Estadística: Las pruebas de Wilcoxon por pares confirmaron que la superioridad de iL-SHADE es estadísticamente significativa ($p \approx 3.020 \times 10^{-11}$) en todos los perfiles de modelos.
• Robustez al Ruido: Bajo niveles de ruido Gaussiano de hasta el 20%, el algoritmo mantuvo una convergencia consistente hacia mínimos limitados por el piso de ruido, con valores de desajuste que aumentan de forma lineal y predecible (de ~0.8066 a ~0.8094), indicando una alta estabilidad.
• Aplicación de Datos de Campo: Aplicado a los datos del Volcán Unzen (transmisor de 1.4 km, offset de 2.0 km), iL-SHADE resolvió con éxito una estructura de subsuelo de 5 capas que se extiende hasta una profundidad de 5.6 km con un desajuste RMS de 24.388. El modelo identificó:
  • Una capa superficial resistiva (detritos volcánicos no alterados).
  • Una capa de resistividad moderada (piroclastos meteorizados).
  • Una capa ultra-conductora ($\rho \approx 1.48 \, \Omega\cdot\text{m}$) a 2.0–2.5 km de profundidad, interpretada como una capa de arcilla hidrotermal (esmectita/illita).
  • Un reservorio geotérmico conductor ($\rho \approx 3.32 \, \Omega\cdot\text{m}$) que se extiende hasta los 5.6 km.
  • Un basamento profundo resistivo ($\rho \approx 977.7 \, \Omega\cdot\text{m}$) que representa la fuente de calor magmática.

Significancia y Reivindicaciones
El artículo sostiene que iL-SHADE proporciona un marco de optimización altamente robusto y adaptativo de parámetros que supera eficazmente la severa no unicidad y el acoplamiento de parámetros inherentes a los problemas inversos de TDEM. Al integrar la memoria histórica y la reducción de población lineal, el algoritmo logra un equilibrio superior entre exploración y explotación, resultando en una imagen de resistividad más confiable y precisa en sistemas volcánico-hidrotermales complejos. El estudio posiciona este enfoque como una solución práctica y automatizada que reduce la dependencia del ajuste manual de hiperparámetros, mejorando así la fiabilidad de las interpretaciones geológicas derivadas de los levantamientos TDEM. Los autores señalan que, aunque la implementación actual es para inversión 1D, el éxito del marco sugiere un potencial para futuras extensiones a problemas 2D/3D, potencialmente apoyadas por la computación de alto rendimiento.