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

Resumo Técnico: Inversão Eletromagnética 1D Não Linear no Domínio do Tempo utilizando Evolução Diferencial Adaptativa

Definição do Problema
A inversão de resistividade de subsuperfície por Eletromagnetismo no Domínio do Tempo (TDEM) é caracterizada como um problema de otimização altamente não linear e mal posto. O processo é dificultado por desafios significativos, incluindo o acoplamento de parâmetros, a equivalência de camadas (onde diferentes combinações de resistividade e espessura produzem respostas indistinguíveis) e a prevalência de mínimos locais. Métodos determinísticos convencionais (ex: Gauss–Newton, Levenberg–Marquardt) frequentemente falham nesses cenários devido à sua dependência de estimativas iniciais de modelo e suscetibilidade de ficarem presos em mínimos locais. Embora algoritmos de otimização estocástica global como a Evolução Diferencial (DE) ofereçam uma solução, as implementações padrão de DE dependem de parâmetros de controle estáticos (fator de escala de mutação $F$ e taxa de cruzamento $Cr$). Essas configurações fixas carecem da flexibilidade necessária para se adaptarem aos requisitos dinâmicos de busca de diferentes fases evolutivas, levando frequentemente à convergência prematura ou estagnação, particularmente em paisagens multimodais complexas típicas de sistemas vulcânico-hidrotérmicos.

Metodologia
Este estudo propõe um framework de inversão estocástica avançado baseado em Evolução Diferencial Adaptativa com Redução de Tamanho de População Linear baseada em Histórico de Sucesso (iL-SHADE). A metodologia integra diversos mecanismos adaptativos para equilibrar a exploração global e a explotação local sem ajuste manual de parâmetros:

1. Controle de Parâmetros Adaptativo: Ao contrário da DE canônica, a iL-SHADE utiliza matrizes de memória histórica ($M_F$ e $M_{Cr}$) para armazenar parâmetros de mutação e cruzamento bem-sucedidos de gerações anteriores. Essas memórias são atualizadas usando médias ponderadas de tentativas bem-sucedidas, permitindo que o algoritmo autorregule seu comportamento de busca com base no desempenho passado.
2. Redução Linear do Tamanho da População (LPSR): O algoritmo reduz dinamicamente o tamanho da população ($N_p$) linearmente de um máximo inicial para um limiar mínimo conforme a otimização progride. Esta estratégia mantém alta diversidade durante as fases iniciais de exploração e foca os recursos computacionais em regiões promissoras durante as fases posteriores de explotação.
3. Estratégia de Mutação: O framework emprega uma estratégia de mutação current-to-pbest/1/bin, que seleciona vetores alvo a partir dos $p\%$ superiores da população, aumentando ainda mais o equilíbrio entre exploração e explotação.
4. Modelagem Direta: O problema direto de TDEM é resolvido utilizando uma configuração de fonte de dipolo elétrico horizontal (HED) aterrado. A solução envolve transformar as equações de Maxwell para o domínio de Laplace, resolver para o potencial vetorial magnético em meios estratificados e aplicar o algoritmo de Gaver–Stehfest para a transformada numérica de Laplace inversa para obter a resposta da densidade de fluxo magnético no domínio do tempo ($B_z(t)$).
5. Framework de Validação: O algoritmo foi avaliado utilizando:
   • Benchmarks Sintéticos: Quatro modelos terrestres de 5 camadas distintos (perfis de resistividade Ascendente, Bell, Bowl e Descendente) para testar o desempenho através de diversas complexidades geológicas.
   • Rigor Estatístico: 30 execuções estocásticas independentes por modelo, analisadas por meio de teste de hipótese de postos de Wilcoxon ($\alpha = 0,01$) para confirmar a significância estatística.
   • Testes de Robustez: Avaliação sob níveis de ruído Gaussiano de até 20% e cenários de incompatibilidade de camadas (invertendo dados de 3 camadas com um modelo de 5 camadas).
   • Aplicação de Campo: Validação utilizando dados reais de TDEM da Estação UZ01 no Vulcão Unzen, Japão.

Principais Contribuições

• Adaptação Algorítmica: Este trabalho apresenta a primeira aplicação sistemática de iL-SHADE à inversão de TDEM, demonstrando que o controle de parâmetros adaptativo e o gerenciamento de população superam significativamente a DE padrão e a SHADE em contextos geofísicos.
• Diretrizes Empíricas: O estudo estabelece configurações de linha de base específicas para a inversão de TDEM, recomendando um tamanho de população inicial de $N_p = 21 \times D$ (onde $D$ é a dimensão do modelo) e um intervalo de $p$-best de $[0,10, 0,20]$, eliminando a necessidade de ajustes por tentativa e erro custosos.
• Verificação Estatística: Ao realizar 30 execuções independentes e aplicar testes de postos de Wilcoxon, o estudo fornece prova estatística rigorosa (p-valores $< 0,01$) de que as melhorias de desempenho não são fruto do acaso, mas inerentes à mecânica do algoritmo.
• Tratamento da Não-Unicidade: O framework demonstra a capacidade de navegar em espaços de modelos "equivalentes" (especificamente no desafiador modelo "Bowl") de forma mais eficaz que algoritmos concorrentes, alcançando menores desajustes (misfits) e maior estabilidade.

Resultos

• Desempenho Sintético: Em todos os quatro modelos sintéticos, a iL-SHADE alcançou desajustes medianos na ordem de $10^{-8}$ a $10^{-9}$. Isso representa uma melhoria de 2 a 4 ordens de magnitude sobre a DE padrão e a SHADE. No modelo "Bowl" mais desafiador (caracterizado por uma zona intermediária de baixa resistividade), a iL-SHADE alcançou um desajuste mínimo de $2,555 \times 10^{-9}$ e uma mediana de $5,979 \times 10^{-9}$, superando significativamente os concorrentes.
• Significância Estatística: Testes de postos de Wilcoxos pareados confirmaram que a superioridade da iL-SHADE é estatisticamente significativa ($p \approx 3,020 \times 10^{-11}$) em todos os perfis de modelo.
• Robustez ao Ruído: Sob níveis de ruído Gaussiano de até 20%, o algoritmo manteve uma convergência consistente para mínimos limitados pelo piso de ruído, com valores de desajuste aumentando de forma linear e previsível (de ~0,8066 para ~0,8094), indicando alta estabilidade.
• Aplicação de Dados de Campo: Aplicada aos dados do Vulcão Unzen (transmissor de 1,4 km, offset de 2,0 km), a iL-SHAVE resolveu com sucesso uma estrutura de subsuperfície de 5 camadas estendendo-se até 5,6 km de profundidade com um desajuste RMS de 24,388. O modelo identificou:
  • Uma camada resistiva superficial (detritos vulcânicos inalterados).
  • Uma camada de resistividade moderada (piroclastos intemperizados).
  • Uma camada ultra-condutiva ($\rho \approx 1,48 \, \Omega\cdot\text{m}$) na profundidade de 2,0–2,5 km, interpretada como uma capa de argila hidrotérmica (esmectita/ilita).
  • Um reservatório geotérmico condutivo ($\rho \approx 3,32 \, \Omega\cdot\text{m}$) estendendo-se até 5,6 km.
  • Um embasamento resistente profundo ($\rho \approx 977,7 \, \Omega\cdot\text{m}$) representando a fonte de calor magmática.

Significância e Alegações
O artigo alega que a iL-SHADE fornece um framework de otimização altamente robusto e adaptável a parâmetros que supera efetivamente a severa não-unicidade e o acoplamento de parâmetros inerentes aos problemas inversos de TDEM. Ao integrar memória histórica e redução de população linear, o algoritmo alcança um equilíbrio superior entre exploração e explotação, resultando em imagens de resistividade mais confiáveis e precisas em sistemas vulcânico-hidrotérmicos complexos. O estudo posiciona esta abordagem como uma solução prática e automatizada que reduz a dependência de ajustes manuais de hiperparâmetros, aumentando assim a confiabilidade das interpretações geológicas derivadas de levantamentos TDEM. Os autores observam que, embora a implementação atual seja para inversão 1D, o sucesso do framework sugere potencial para extensões futuras para problemas 2D/3D, potencialmente auxiliadas por computação de alto desempenho.