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

Sintesi Tecnica: Inversione Elettromagnetica 1D nel Dominio del Tempo Non Lineare mediante Evoluzione Differenziale Adattiva

Definizione del Problema
L'inversione della resistività del sottosuolo tramite elettromagnetismo nel dominio del tempo (TDEM) è caratterizzata come un problema di ottimizzazione altamente non lineare e mal posto. Il processo è ostacolato da sfide significative, tra cui l'accoppiamento dei parametri, l'equivalenza degli strati (dove diverse combinazioni di resistività e spessore producono risposte indistinguibili) e la prevalenza di minimi locali. I metodi deterministici convenzionali (ad esempio, Gauss–Newton, Levenberg–Marquardt) spesso falliscono in questi scenari a causa della loro dipendenza dalle stime iniziali del modello e della suscettibilità a rimanere intrappolati in minimi locali. Sebbene gli algoritmi di ottimizzazione stocastica globale come l'Evoluzione Differenziale (DE) offrano una soluzione, le implementazioni standard di DE si affidano a parametri di controllo statici (fattore di scala della mutazione $F$ e tasso di crossover $Cr$). Queste impostazioni fisse mancano della flessibilità necessaria per adattarsi ai requisiti dinamici di ricerca delle diverse fasi evolutive, portando spesso a una convergenza prematura o alla stagnazione, particolarmente nei paesaggi multimodali tipici dei sistemi vulcanico-idrotermali.

Metodologia
Questo studio propone un avanzato framework di inversione stocastica basato su iL-SHADE (Improved Linear Population Size Reduction Success-History Based Adaptive Differential Evolution). La metodologia integra diversi meccanismi adattivi per bilanciare l'esplorazione globale e lo sfruttamento locale senza la necessità di una regolazione manuale dei parametri:

1. Controllo Adattivo dei Parametri: A differenza della DE canonica, iL-SHADE utilizza array di memoria storica ($M_F$ e $M_{Cr}$) per memorizzare i parametri di mutazione e crossover di successo delle generazioni precedenti. Queste memorie vengono aggiornate utilizzando le medie pesate dei tentativi riusciti, permettendo all'algoritmo di autoregolare il proprio comportamento di ricerca in base alle prestazioni passate.
2. Riduzione Lineare della Dimensione della Popolazione (LPSR): L'algoritmo riduce dinamicamente la dimensione della popolazione ($N_p$) in modo lineare da un valore iniziale massimo a una soglia minima durante il progredire dell'ottimizzazione. Questa strategia mantiene un'alta diversità nelle fasi iniziali di esplorazione e concentra le risorse computazionali nelle regioni promettenti durante le fasi successive di sfruttamento.
3. Strategia di Mutazione: Il framework impiega una strategia di mutazione current-to-pbest/1/bin, che seleziona i vettori target dai top $p\%$ della popolazione, bilanciando ulteriormente l'esplorazione e lo sfruttamento.
4. Modellazione Diretta (Forward Modeling): Il problema diretto TDEM viene risolto utilizzando una configurazione di sorgente a dipolo elettrico orizzontale (HED) collegato a terra. La soluzione prevede la trasformazione delle equazioni di Maxwell nel dominio di Laplace, la risoluzione del potenziale vettore magnetico in mezzi stratificati e l'applicazione dell'algoritmo di Gaver–Stehfest per la trasformata numerica inversa di Laplace al fine di ottenere la risposta della densità del flusso magnetico nel dominio del tempo ($B_z(t)$).
5. Framework di Validazione: L'algoritmo è stato valutato utilizzando:
   • Benchmark Sintetici: Quattro distinti modelli terrestri a 5 strati (profili di resistività Ascending, Bell, Bowl e Descending) per testare le prestazioni attraverso diverse complessità geologiche.
   • Rigore Statistico: 30 esecuzioni stocastiche indipendenti per modello, analizzate tramite il test non parametrico Wilcoxon rank-sum ($\alpha = 0.01$) per confermare la significatività statistica.
   • Test di Robustezza: Valutazione sotto livelli di rumore Gaussiano fino al 20% e scenari di mismatch degli strati (inversione di dati a 3 strati con un modello a 5 strati).
   • Applicazione sul Campo: Validazione utilizzando dati TDEM reali dalla Stazione UZ01 sul vulcano Unzen, Giappone.

Contributi Chiave

• Adattamento Algoritmico: Questo lavoro presenta la prima applicazione sistematica di iL-SHADE all'inversione TDEM, dimostrando che il controllo adattivo dei parametri e la gestione della popolazione superano significativamente la DE standard e la SHADE nei contesti geofisici.
• Linee Guida Empiriche: Lo studio stabilisce configurazioni di base specifiche per l'inversione TDEM, raccomandando una dimensione iniziale della popolazione di $N_p = 21 \times D$ (dove $D$ è la dimensione del modello) e un intervallo $p$-best di $[0.10, 0.20]$, eliminando la necessità di costosi tentativi ed errori di sintonizzazione.
• Verifica Statistica: Conducendo 30 esecuzioni indipendenti e applicando i test Wilcoxon rank-sum, lo studio fornisce una prova statistica rigorosa (p-value $< 0.01$) che i miglioramenti delle prestazioni non sono dovuti al caso ma sono inerenti alla meccanica dell'algoritmo.
• Gestione della Non-Unicità: Il framework dimostra la capacità di navigare gli spazi di modelli "equivalenti" (specificamente nel complesso modello "Bowl") più efficacemente rispetto agli algoritmi concorrenti, raggiungendo misfit inferiori e maggiore stabilità.

Risultati

• Prestazioni Sintetiche: Su tutti e quattro i modelli sintetici, iL-SHADE ha raggiunto misfit mediani nell'ordine di $10^{-8}$ a $10^{-9}$. Ciò rappresenta un miglioramento di 2 a 4 ordini di grandezza rispetto a DE standard e SHADE. Nel modello "Bowl" (il più impegnativo, caratterizzato da una zona intermedia a bassa resistività), iL-SHIDE ha raggiunto un misfit minimo di $2.555 \times 10^{-9}$ e un mediano di $5.979 \times 10^{-9}$, superando significativamente i competitori.
• Significatività Statistica: I test pairwise Wilcoxon hanno confermato che la superiorità di iL-SHADE è statisticamente significativa ($p \approx 3.020 \times 10^{-11}$) in tutti i profili del modello.
• Robustezza al Rumore: Sotto livelli di rumore Gaussiano fino al 20%, l'algoritmo ha mantenuto una convergenza costante verso minimi limitati dal rumore, con valori di misfit che aumentano in modo lineare e prevedibile (da ~0.8066 a ~0.8094), indicando un'alta stabilità.
• Applicazione su Dati di Campo: Applicato ai dati del vulcano Unzen (trasmettitore da 1.4 km, offset di 2.0 km), iL-SHADE ha risolto con successo una struttura del sottosuolo a 5 strati fino a una profondità di 5.6 km con un RMS misfit di 24.388. Il modello ha identificato:
  • Uno strato superficiale resistivo (detrito vulcanico non alterato).
  • Uno strato a resistività moderata (piroclastici degradati).
  • Uno strato ultra-conduttivo ($\rho \approx 1.48 \, \Omega\cdot\text{m}$) a una profondità di 2.0–2.5 km, interpretato come un cappello argilloso idrotermale (smectite/illite).
  • Un serbatoio geotermico conduttivo ($\rho \approx 3.32 \, \Omega\cdot\text{m}$) che si estende fino a 5.6 km.
  • Un basamento profondo resistivo ($\rho \approx 977.7 \, \Omega\cdot\text{m}$) che rappresenta la fonte di calore magmatica.

Significato e Rivendicazioni
Il documento afferma che iL-SHADE fornisce un framework di ottimizzazione altamente robusto e adattivo ai parametri che supera efficacemente la severa non-unicità e l'accoppiamento dei parametri inerenti ai problemi di inversione TDEM. Integrando la memoria storica e la riduzione lineare della popolazione, l'algoritmo raggiunge un equilibrio superiore tra esplorazione e sfruttamento, risultando in un'imaging di resistività più affidabile e accurata nei complessi sistemi vulcanico-idrotermali. Lo studio posiziona questo approccio come una soluzione pratica e automatizzata che riduce la dipendenza dalla sintonizzazione manuale degli iperparametri, migliorando così l'affidabilità delle interpretazioni geologiche derivate dai rilievi TDEM. Gli autori osservano che, sebbene l'attuale implementazione sia per l'inversione 1D, il successo del framework suggerisce potenziali estensioni future a problemi 2D/3D, potenzialmente supportate dall'informatica ad alte prestazioni.