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

Resumo Técnico: Quantificação de Respostas de ERT de Carste Baseada em Modelagem Direta e Interpretação Assistida por IA com Restrições de Sondagem

Definição do Problema
A Tomografia de Resistividade Elétrica (ERT) é o principal método para detectar cavidades cársticas ocultas e zonas fraturadas, mas sua interpretação enfrenta desafios significativos. O mapeamento da resistividade aparente para a estrutura subsuperficial é um problema inverso mal posto, caracterizado pela média ponderada pelo volume, efeitos de geometria de amostragem e não unicidade. Esses fatores causam distorções sistemáticas nas respostas observadas, levando ao embaçamento de limites e à ambiguidade de equivalência. Embora estudos recentes tenham introduzido o aprendizado profundo de ponta a ponta para interpretar dados de ERT, três lacunas críticas permanecem: (1) a falta de auditoria para o viés de distribuição de parâmetros em conjuntos de dados de treinamento sintéticos, o que pode fazer com que os modelos aprendam atalhos do conjunto de dados em vez de padrões físicos; (2) a quantificação insuficiente de como a qualidade das restrições de sondagem (especificamente, se elas interceptam o alvo) afeta os ganhos de interpretação; e (3) a falta de camadas intermediárias interpretáveis que caracterizem padrões de distorção de resposta direta, dificultando a ligação das conclusões da IA aos mecanismos físicos subjacentes.

Metodologia
O estudo propõe uma estrutura baseada em modelagem direta que separa explicitamente a análise de resposta física da predição assistida por IA. O fluxo de trabalho consiste nos seguintes componentes:

1. Biblioteca de Modelos Controlável: Uma biblioteca completa de verdade de campo (ground-truth) com 5.000 modelos sintéticos foi construída, cobrindo oito cenários geoelétricos de carste representativos (ex: camadas simples, cavidades únicas ou múltiplas preenchidas com água ou secas, interferência/blindagem rasa, topografia ondulada). O fundo consiste em três camadas (solo superficial, camada intemperizada, rocha matriz), com cavidades cársticas definidas como anomalias de baixa resistividade (preenchidas com água) ou alta resistividade (secas).
2. Modelagem Direta: Respostas de resistividade aparente e pseudoseções foram geradas usando a biblioteca de elementos finitos de código aberto pyGIMLi com um arranjo Wenner-α (60 eletrodos, espaçamento de 1 m). Para garantir a robustez numérica, 12 modelos representativos foram avaliados independentemente usando RES2DMOD.
3. Auditoria de Viés do Conjunto de Dados: O estudo implementou uma auditoria de três partes para detectar viés sistemático: comparação de estratégia de ancoragem (comparando perfuração aleatória vs. ponto médio), análise de agrupamento espacial de falsos positivos e teste de estabilidade de versão cruzada de padrões de distorção.
4. Quantificação de Distorção: As respostas diretas foram comparadas com os modelos de verdade de campo para quantificar sete padrões de distorção específicos: compressão de profundidade, deslocamento lateral, distorção morfológica, blindagem rasa, fusão de múltiplas anomalias, diferenças de polaridade e sensibilidade do arranjo.
5. Simulação de Sondagem: As sondagens foram simuladas usando seis estratégias de posicionamento (aleatória, espaçamento uniforme ingênuo, centro da anomalia, borda da anomalia, gradiente máximo e limite superior da verdade de campo). Crucialmente, todas as observações de sondagem foram extraídas exclusivamente dos modelos de verdade de campo, não das pseudoseções, para garantir consistência física.
6. Interpretação por Aprendizado Profundo: Uma rede U-Net leve (aprox. 1,9 milhão de parâmetros) foi treinada para prever imagens de resistividade e máscaras de anomalias a partir de pseudoseções, com canais de sondagem opcionais como entrada. A rede foi avaliada em um conjunto de teste de 512 amostras.

Principais Contribuições

• Desenvolvimento de Estrutura: Estabeleceu um fluxo de trabalho baseado em modelagem direta que coloca a análise de resposta interpretável antes da predição por IA, ligando as conclusões à evidência de modelagem determinística.
• Quantificação de Distorção: Quantificou sistematicamente sete padrões de distorção de resposta direta e validou sua robustez numérica através de comparação entre softwares (pyGIMLi vs. RES2DMOD).
• Auditoria de Viés: Demonstrou que o design da distribuição de parâmetros é tão crítico quanto o tamanho da amostra, introduzindo métodos de auditoria reutilizáveis para evitar que os modelos aprendam atalhos de conjuntos de dados.
• Análise de Restrição de Sondagem: Avaliou explicitamente a relação entre a "qualidade de acerto" da sondagem (interseção com o alvo) e a magnitude/direção da melhoria na interpretação assistida por IA.

Resultos

• Robustez Numérica: RES2DMOD e pyGimLi mostraram concordância próxima com um erro RMS relativo de 2,03% em 12 modelos, confirmando a confiabilidade dos padrões de distorção relatados.
• Padrões de Distorção:
  • Compressão de Profundidade: Os picos de resposta são sistematicamente mais rasos do que as profundidades de soterramento reais (a razão de compressão diminui de ~0,54 em regiões rasas para ~0,24 em regiões mais profundas).
  • Deslocamento Lateral: O deslocamento horizontal mediano dos picos de resposta é de ~3,1 m (aproximadamente três espaçamentos de eletrodos), aumentando próximo às extremidades da linha de levantamento.
  • Distorção Morfológica: A largura da meia amplitude da resposta é significativamente mais estreita do que a largura real da anomalia (razão mediana ~0,33).
  • Blindagem Rasa: Corpos de alta resistividade rasos podem atenuar quase completamente as respostas de alvos profundos (índice de blindagem ~1,0), enquanto corpos de baixa resistividade podem causar confirmações falsas.
  • Fusão de Múltiplas Anomalias: Múltiplas cavidades frequentemente se fundem em menos picos nas pseudoseções (ex: 61% das amostras de 3 cavidades mostraram menos picos).
• Taxas de Acerto de Sondagem: Na biblioteca sem viés, estratégias de engenharia viáveis alcançaram taxas de primeiro acerto de sondagem de apenas 21–24%, muito abaixo dos 97–99% alcançados pelo limite superior da verdade de campo (oráculo). O posicionamento baseado em resposta melhorou as taxas de acerto em apenas ~5 pontos percentuais sobre a perfuração aleatória.
• Desempenho de Interpretação por IA:
  • Linha de Base Sem Sondagem: A rede alcançou uma Interseção sobre União (IoU) de região de anomalia de 0,114 e uma taxa de falsos positivos (FPR) de 0,84.
  • Restrições de Oráculo: Quando as sondagens garantiam a interseção com o alvo (99% de taxa de acerto), a IoU aumentou para 0,506 e o FPR caiu para 0.
  • Restrições de Engenharia: Os ganhos de estratégias viáveis foram limitados e variáveis. Por exemplo, duas sondagens posicionadas nas bordas da anomalia reduziram o FPR, mas causaram a maior perda de recall. O estudo descobriu que as melhorias na interpretação por IA estavam fortemente associadas à probabilidade de as sondagens interceptarem o alvo, e não meramente à presença de dados de sondagem.
• Portão Observável: Uma auditoria de zero treinamento revelou que características observáveis em campo (ex: razão sinal-ruído do pico) não podiam filtrar de forma confiável amostras onde as sondagens atingiriam o alvo; em alguns casos, respostas mais fortes correlacionaram-se negativamente com as taxas de acerto devido a efeitos de blindagem ou fusão.

Significância e Alegações
O artigo afirma que a distorção da resposta direta deve ser quantificada antes que as interpretações de ERT assistidas por IA sejam avaliadas. Argumenta que o valor de grandes conjuntos de dados de modelagem direta depende não apenas do tamanho da amostra, mas do design das distribuições de parâmetros para evitar viés. O estudo destaca que o benefício das restrições de sondagem na interpretação por IA não é linear; depende criticamente da probabilidade de as sondagens interceptarem o alvo. Consequentemente, os autores sugerem que melhorar a qualidade da restrição através de exposições mais densas da verdade de campo é uma rota de engenharia mais defensável do que confiar na triagem baseada em resposta.

Os autores mantêm um escopo modesto, afirmando que o componente de aprendizado profundo é uma "prova de conceito" limitada a dados sintéticos Wenner-α e não deve ser interpretado como um sistema de inversão de uso geral em campo. Eles reconhecem limitações, incluindo a faixa estreita de taxas de acerto amostradas por estratégias de engenharia e a falta de comparação com inversões convencionais de restrição de suavidade ou estudos de caso de campo. A principal contribuição é metodológica: fornecer uma estrutura para auditar o viés de conjunto de dados e quantificar distorções físicas para entender melhor as limitações e o potencial da IA na interpretação geofísica.