A multilayer level-set method for eikonal-based traveltime tomography

Resumo Técnico: Método de Nível-Set Multicamada (MLSM) para Tomografia de Tempo de Viagem

1. O Problema

A tomografia de tempo de viagem é uma técnica fundamental em imageamento geofísico e médico para determinar a distribuição espacial da velocidade de propagação de ondas (ou sua recíproca, a lentidão) de um meio, invertendo os tempos de chegada medidos.

• Desafios Atuais:
  • Descontinuidades: Muitos modelos de velocidade reais apresentam descontinuidades abruptas (falhas, limites de camadas, interfaces entre unidades distintas). Métodos tradicionais que assumem suavidade falham em capturar essas características.
  • Limitações do Rastreamento de Raios (Lagrangiano): Abordagens baseadas em rastreamento de rós sofrem de resolução não uniforme, criando "zonas de sombra" onde o modelo é mal constrangido, especialmente em meios com forte heterogeneidade.
  • Limitações dos Métodos de Nível-Set Clássicos: Os métodos de nível-set convencionais utilizam apenas o zero-level set de uma função única para representar interfaces, o que os limita a dividir o domínio em apenas duas fases. Para representar múltiplas fases, métodos existentes exigem múltiplas funções de nível-set, o que aumenta drasticamente o custo computacional e a complexidade da representação de interfaces.
  • Iluminação Não Uniforme: Em tomografia de primeira chegada, regiões com baixa iluminação (onde os raios não passam) são difíceis de reconstruir, e métricas de erro padrão não distinguem adequadamente entre erros causados por falta de dados e erros reais do modelo.

2. Metodologia Proposta

Os autores propõem um Método de Nível-Set Multicamada (MLSM) inovador dentro de uma estrutura Euleriana, combinado com a solução da equação eikonal.

• Representação Multicamada (MLSM):

  • Diferente dos métodos clássicos, o MLSM utiliza uma única função de nível-set $\phi(x)$ para representar múltiplas fases e interfaces.
  • As interfaces são definidas por uma sequência de in-level-sets ($\phi(x) = i_n$, onde $n = 0, 1, 2, \dots$), em vez de apenas o zero-level set.
  • A função $\phi(x)$ é projetada para comportar-se como uma função de distância assinada local perto de cada interface $i_n$. Isso permite delinear arbitrariamente muitas sub-regiões distintas com uma única função.
  • A lentidão $S(x)$ é representada como uma função contínua por partes, onde cada região $D_n$ (definida entre as interfaces $i_{n-1}$ e $i_n$) possui um valor ou função de lentidão específica.

• Formulação Inversa e Otimização:

  • Equação Eikonal: O tempo de viagem é modelado como a solução de viscosidade da equação eikonal $|\nabla T(x)| = S(x)$, resolvida eficientemente pelo método de varredura rápida (fast sweeping method).
  • Método do Estado Adjoint: Para resolver o problema de otimização (minimizar o desajuste entre dados simulados e medidos), os autores utilizam o método do estado adjoint para calcular as derivadas de Fréchet do funcional de erro em relação à função de nível-set e aos parâmetros de lentidão.
  • Algoritmo de Gradiente: O problema é resolvido iterativamente atualizando $\phi(x)$ e os parâmetros $p_n(x)$ (que definem os valores de lentidão em cada camada) na direção do gradiente descendente.

• Estratégias de Regularização:
  Para estabilizar a inversão e garantir a qualidade da reconstrução, são incorporadas três estratégias principais:

  1. Reinicialização Multicamada: Mantém a propriedade de distância assinada da função $\phi(x)$ em torno de todas as interfaces $i_n$, não apenas a zero.
  2. Penalização de Comprimento de Arco: Adiciona um termo de energia que penaliza o comprimento total das interfaces, evitando a formação de cantos agudos e suavizando a geometria.
  3. Suavização Sobolev: Aplica regularização Sobolev nas atualizações dos parâmetros de lentidão $p_n(x)$ para garantir suavidade nas variações de velocidade dentro das camadas.

• Nova Métrica de Erro Baseada em Iluminação:

  • Os autores introduzem uma função de rotulagem $F(x)$ que mede a "iluminação" de cada ponto do domínio pelos raios de primeira chegada.
  • O erro de reconstrução é ponderado por essa iluminação ($e_F = F \cdot |S - S_{true}|$). Isso permite que o algoritmo tolere maiores erros em regiões com pouca iluminação (zonas de sombra), fornecendo uma avaliação mais justa e realista da qualidade da inversão.

3. Contribuições Principais

1. MLSM Unificado: Desenvolvimento de um método que representa múltiplas fases e interfaces complexas usando apenas uma função de nível-set, superando a limitação de dois estados dos métodos clássicos e reduzindo a complexidade computacional comparada a métodos de múltiplas funções.
2. Reinicialização Adaptada: Proposta de um esquema de reinicialização específico para manter a estrutura de distância assinada em múltiplas camadas simultaneamente.
3. Integração de Regularização Avançada: Combinação sistemática de reinicialização, penalização geométrica e regularização Sobolev para lidar com a natureza mal-posta de problemas de tomografia com descontinuidades.
4. Métrica de Avaliação Realista: Introdução de uma métrica de erro que considera a física da propagação de ondas (iluminação), reconhecendo que a precisão da reconstrução é inerentemente limitada pela cobertura de raios.

4. Resultados Numéricos

Os autores realizaram extensos experimentos numéricos em um domínio 2D com 14 fontes pontuais:

• Recuperação de Interfaces (Geometria): O método recuperou com sucesso estruturas complexas, incluindo camadas horizontais, interfaces curvas, formas geométricas (círculos, quadrados) e topologias variadas (regiões concêntricas e desalinhadas).
• Recuperação de Parâmetros (Lentidão): Em cenários onde tanto a geometria quanto os valores de lentidão são desconhecidos, o algoritmo convergiu para modelos que correspondem muito bem aos verdadeiros, inclusive recuperando lentidões não constantes dentro das camadas.
• Robustez: O método demonstrou estabilidade mesmo com ruídos e em configurações onde as interfaces se aproximam ou interagem (ex: um círculo expandindo em direção a um obstáculo fixo).
• Validação da Métrica de Iluminação: Nos testes, as regiões com maior erro absoluto coincidiram com áreas de baixa iluminação. Ao aplicar a métrica ponderada por iluminação, a avaliação do desempenho do algoritmo mostrou-se mais coerente, destacando que os erros nessas áreas são esperados e não indicam falha do método.

5. Significado e Conclusão

O trabalho apresenta uma ferramenta poderosa e promissora para a tomografia de tempo de viagem, especialmente em cenários geofísicos complexos onde a estrutura do subsolo é caracterizada por múltiplas camadas e descontinuidades abruptas.

• Eficiência: Ao usar uma única função para múltiplas interfaces, o método reduz a sobrecarga computacional associada a métodos de nível-set múltiplos.
• Precisão: A capacidade de capturar descontinuidades nítidas, combinada com a regularização adequada, permite a reconstrução de modelos de velocidade mais realistas do que os métodos de suavização pura.
• Aplicabilidade: A abordagem é geral e pode ser aplicada a diversos tipos de imageamento (sismológico, médico, não destrutivo) onde a propagação de ondas segue a equação eikonal e a estrutura do meio é heterogênea e multicamada.

Em suma, o MLSM oferece um avanço significativo na capacidade de resolver problemas inversos de tomografia com alta fidelidade geométrica e física, superando limitações de métodos anteriores tanto na representação de interfaces quanto na avaliação de qualidade da solução.