UNIVERSIDADE
DE
SÃO
PAULO
INSTITUTO
DE
GEOCIÊNCIAS
CoMPARAçÃO
DE
MÉTODOS
TNVERSOS
cEoesrATísncos
APLtcADos
Ao
MoDELAMENTo
HtDRoceolóctco
A
pARTtR
DA
nruÁLrsE
DA
tNcERT
EzA
sEMt-euANTtrATtvA
poR
nruÁLtsE
DE
coMpoNENTEs
pRtNctpAts
DE
PRocESSo
E
nruÁLtsE e.FAToRtAL
Alvaro
Bueno
Buoro
Orientador:
Prof.
Dr.
Gilberto
Amaral
TESE
DE
DOUTORAMENTO
Programa
de
Pós-Graduação
em
Recursos Minerais
e
Hidrogeologia
SAO
PAULOUNIVERSIDADE
DE
SAO
PAULO
I
NSTITUTO
DE
GEOCI
ÊNC/AS
G_OMPARAçÃO
DE
MÉToDOs
INVERSOS
GEOESTATí'T,..S
APLICADOS AO MODELAMENTO HIDROGEOLÓGICO
A
PARTIR
DA
ANÁLISE DA INCERTEZA SEMI.QUANTITATIVA
POR
ANÁLlsE
DE
coMPoNENTEs pRtNctpAts
DE
pRocEsso
E
ANALISE Q-FATORIAL
ALVARO BUENO BUORO
Orientador: Prof. Dr. Gilberto Amaral
TESE DE DOUTORAMENTO
coMtssno
¡uLGADoRA
/
Nome
Gilberto Amaral
Ghislain de Marsily Jorge Kazuo Yamamoto Paulo Milton Barbosa Landim
Wadimir Shukowsky
Assinatura
Presidente:
prof.
Dr.Examinadores: Prof.
or.prof.
Dr.prof.
Dr.prof.
Dr.sÃo
pnulo
UNIVERSIDADE
DE
SAO PAULO
rNsTrruro
DE
cEocrÊrucns
coMPARAçÃo
oe
mÉToDos
¡NVERSoS
cEoEsrnrísncos
ApLtcADos
Ao
MoDELAMENTo
HrDRoceolócrco
A
pARTTR
DA
ANÁuse on
tNcERTEzA
sEMt-euANTrrATtvA poR
nruÁusE
DE
COMPONENTES PRINCIPAIS DE PROCESSO
E
ANALISE
Q-FATORIAL
Alvaro
Bueno Buoro
Orientador:
Prof.
Dr.
Gilberto Amaral
TESE DE DOUTORAMENTO
Programa de
Pós-Graduação
em Recursos Minerais
e
Hidrogeologia
São
Paulo
Agradecimentos
Ao Gilberto por ter me aberto algumas portas e me dado liberdade.
Ao G.
de Marsily
pela
acolhimento humanoe
caloroso
em
seulaboratório,
pelasmuitas oportunidades de discussão, cursos e reuniões que pude participar
por
s€u intermédio com pesquisadores do mais alto gabarito, e pelos contatos e dados que permitam a realização desta tese.Ao F.
Delay
pela amigável disposiçãocom
que passamos discutindo tardese
tardessobre inversão,
geoestatística,entropia
e
outros
tópicos
que não
chegaram
a
ser desenvolvidos no manuscrito.A
Tony
Zimmerman pela disponibilidade e simpatia com que organizoue
me enviouos 400 Mb de dados utilizados nos testes sintéticos desta tese.
A M.
I¿Venue
pelos dados e programas utilizados nos testes sobre dados reais e peladisponibilidade
com que
discutimos
a
adaptaçãodos
programas
cedidos
aos
meios computacionais disponíveisA I.
Braud eCh;
Obled por terem gentilmenæ cedido a versão de base da ACPP aquiutilizada.
A
João
B.Correa,Andrea
,
Luciana
e
Vanessapela
atentaleitura
cle partes destemanuscrito.
A
SophieViolette
pelo suporte computacional em Unix.A
Rita Conde pela sorridente ajuda, sem a qual muitas coisas não teriam aconteceido.A
meus pais.t.3
AIRESENTAçÃo
oos
c¡.pÍruLos...
...6VI. BIBLIOGRAFIA
ANEXO A:
KRIGAGEM.
'."""""""'122
ANEXO B:SIMULAçÃO
CONDICIONAL DE CAMPOS ALEATÓRIOS.""..'...'....1248.2
DECOMPOSIçÃO LU COMBINADA COMOBSERVAçÕES
" " " ""
' l2-s B 3, RESFRIAMENTO SIMULADO OU 'STMULATED ANNEALINC .,...I258.4 STMULAÇÃO SEQÙENCIAL GAUSSIANA...
..
""
" """"'126
B.s sTMULAÇÃO SEQÙENCIAL DE INDICATRIZES...""""""
""""""""""
"""t27
ANEXOC:CALCULODAENTROPIABIVARIADA""'
"""""
""""130
ANEXO D: DADOS ORICINAIS DO TESTE
SÍNTÉTICO...'
"""""
I 3 IANEXO E:CÁLCULO ROBUSTO DO HIPERELIPSóIOE NE DISPERSÃO...."...''"...I ¿IO
INDICE
DAS FIGURAS
E
TABELAS
ITIGURA
l-l
: Relação entre o mininro global da função objetivo e a região aceitável no espaço de pafâmetrosdevido as aproximaçôes no sistema (rnodelo mais
dados)
"
" j
FlcuRAll-I:
Definição do problema direto e inverso (adaptado de McLaughlin & Townley 1996).
....9 IìICURA lt-2 : Esquematização da resolução indirela do problema inverso(modificado de Marsily et al,
I9S4),,...
13FIGURA ll-3: Diferentes formas de parametrização utilizadas na modelagem, ver descrição no lexto
(modificado de Mclaughlin & 'l'ownley
1996)
"
1¡lFICURA
III-I:
Funções de base ei (x). a) linear por pedaço b) linear porface "
33 |ICURA lll-2; Variograma para os l0 primeiros autovetores. "av" indicaautovetor"
""
""
j5
ITICURA lll-3 ì Escolha do termo aleatório a da resimulação para cada um dos k aubvetores indicados no eiro das abscissas para cada uma das escolhas âleatÓrias definidas por uma
série
"
"
i?
TABELA lll- l : Comparação entre AACP e análise fatoriaì.... .. ... .FIGURA lll-4: Representação do posicionamenfo dos autovetoles no espaço de soluções onde cada ponto representa o valor de um parâmetro.
.
...42 FIGURAIII-5: Cargas da solugão I nos fatores I e II (ClIeCII
I respectivamente) e na solução 2' sob osmesmos fatores (CI
2eCll
2 respectivameute)......,
'
"
4i
F-ICUR,4 lll-6: Determinagão dos parâmetros mais influentes na inceleza pela ordenação das cargas de cadaparânìetro em relação ao primeiro fator. os parâmetros com comPortanìento aleatório no entorno de uln
valor qualquer não influenciam na determinação da maior
incerteza,,
"
43 F-IGURA lll-7: Defin¡ção da posição das condições limiLes segundo os segmentos defin¡dos pelos pontosextremos ABCD, para o condicionamento das simulações do método SF
..".
"
"
15 TABELA Ill-2: Comparação dos métodos inversos de simulação geoestatistica usados em hidrogeologia 54ITICURA III-8: Coftelação entre erros em carga hidráulica com eÌros em Log T para todos os métodos ent todos os TPs, considerando todos os pontos dentro do domínio simulado por cada método
(de Zimmerman et al. 1998)...
..
...
.
"
""
"
58FIGURA lll-9 : Localização de WIPP a sudoeste dos estados unidos da América (de Lavenue er al. 1995). 60
FIGURA III- lO : Cone geológico na dìreção SO
-
NE mostrando o nÍvel do repositório radiativo e da formaçàoCulebra cujo comportamento foi simulado pelo modelo real (de Lavenueetal'
1995) "
61F'IGURA Il¡-l
I
: Transmissividades em Log¡e Krigadas a partir de um variograma linear no Dolomito deCulebra à partir dos dados disponíveis
(+)
. , ,... ....,
"
62FIGURA lll-12 : Carga hidráulica no Dolomito de Culeb¡a, isolinhas em metros (de Lavenue et al. 1995).
FIGURA IIl. t3 : Histograma dos dados de transmissividade disponíveis na formação culebra
TABELA
IV-l
- Caracterlsticæ dos dados originais e reamostrados paraTPI "
'FICURA
IV-l
Variograma experimental de todas as simulações feitas por cada método inverso sobre TPI(de Zimmerman et al. 1998)...
FIGURA IV-2: Posicionam€nto da reamostragem feita segundo caracteristicas de c¿da método ..
...
... FIGUR^ IV-3 : Três reamosÍagens para o método CL feitas a partir de tres pontos de base diferentes.6i
64 65
F IGURA lV-4; Maior zona de incertez¡ para o método CL segundo três arnostragens gontíguas'
basel. base2 e
base3
.,.,...
.,. ....
'"
ó9 FIGURAIv-5:Porcentagemdevariânciaexplicadapelosautovetoresparacadaumdosmétodos'ométodoaleatóriobaseadonumconjuntodel00simulaçõesgeradassemestfuturâçãocomamesmåmédia€
variância que os dados de controle ...
.
""""
" ""
70 I"-IGURA IV-ó : Entropia bivariada média sobre 5 simulações de cadamétodo " "" """ "
71IABELAIV-2:volumedohiperelipsóiderepresentandoadimensäodoespaçodesoluçõesaceitáveis caracterizado por cada método. ..
...
"
"
"
71 FICURAIV-7:Distfibuiçãodosaulovaloresemtermosabsolutos,indicandosobacurvaovolumedohipereliPsóide contendo todas as
simulações
"" '
""
"""
72 FICURA IV-8 : Posicionamento da região de maior conFibuiçåo no primeiro äutov€tof pafaTPI
..""74
FICURA IV-g : Composição percentual dos dois primeiros autovalores para
TPI
"" ""'
74 FIGURA lV-10: variância de kigagem utilizando-se somente os pontos de condicionamento em Log 1'(indicado por +). feito com variograma exponencial com alc¿nce de 2808 metros'
"
" "
'
75 FlcURAlV.ll:Delimitaçãodaregiãocominclinaçãosuperioraduasvezesodesviopadraodasinclinaçöes de cada método..
..,...
" " "" "
76FIGURA IV- 12: lnclinaçâo da feta ajustada aos fatores ordenados segundo o Primei¡o faûor dentro da
análise Q-fåtorial para os métodos a)TF, b)SF, c)CL d)MV, e)PP'
ÐSS'
"
"
77 FIGURAlV-l3: Histogramas em alguns pontos para os métodos a) SS, b)CL,c)MV
o
imero do ponto (pto #)nos histogramas indica, na planta abaixo à direita, sua localização espacialpara aquele
método.
.
79FIGURA IV-14: Distância de Mahalanobis e robusta em relação ao cenho do hiperelipsóide' as simulações de número 25, 32, 84 são extemas segunda a distância robusta pars o método
CL
"' "
83FIGURA tV-15: Vafiação do volume definido pelo hiperelipsóide com a eliminagõo de uma, duas ou três
simulações.oeixodasabscissasindicaqualdentreascemsimulaçõesdisPonlveisfoiretifadaparao
cálculo do volume indicado nas ordenadas.. .
. " ""
83FIGURA lV-16: Pafa o método cL no TPI : a) campo médio sobre as I00 simulações na escala de
cinza-evalornospontosdecontrolenossfmbolos.notarquenoslmboloquâdradoestãorepresentados
todos os tons de cinza, indicando um condicionamento somente parcialdeste método b) desvio padrâo sobre æ 100 simulações. todos os valores em Log
T
""
"""
"
"
.
86FIGURA lV-17: a) uma simulação original método cL; b) resimulação feita com 99% de variância retida. sem adição de ruido branco e com condicionamento aceitândo desvios de aé + l '4 Log
T
notar que ocondicionamento na resimulação induziu maior proximidade com os valores condicionantes (malhas
mais claras ao norte e ao centfo), regiões mal condicionadas nas simulaçôes originais ...' . . ..,
...
87FIGURA IV-I8: Diferença entle valor médio sobre 100 simulações e valores condicionantes ... .,... ,, ,
,
88FIGURA lV-19: Histogramas do resfduo entre dados condicionanþs e : a) simulaçäo original '
b) resimulagðo a 99% variância, c) resimulagão a 95% da
variância"""
"""""
" "
88 FIGURA IV-20: Duas resimulações feitas com diferentes manei¡as de adicionar a variância desc¡ftadano corte a k autovalores para: a) corle agsyo+ 5% rufdo branco, b) cortea95%' c) corte
a95o/o + 5 7o como um autovetor
exFa.
"" "
'
89FIGURA IV-21: Para o método ss no TPI : a) campo médio sob¡e as 100 simulações na escala de cinza- e valor nos pontos de controle nos slmbolos; todos os valores em Log T. b) desvio padrão sobre as 100
simulações. c) uma simulação
original....
""
" "
93F-IGURA IV.22: Duas resimulações mostrando a variação das dimensões do espaço de busca do
hiperelipsóide a partir da utilização do termo aleatório no intervalo:
a)*.[f
,B)I
rFff
c)
tlF
k todos os valores em Log T resimulados com um corte ¿!'990lo da variânciatotal
"
""
94FTGURA IV-23: Diferença para o qu artil25% (diÐ.5), a média (dif med) e o quartil 757o (dif75)
calculadas entle I00 simulaçöes e 100 resimulações, para os diferentes métodos
"
"
95 FlcuRA IV-24: Eno médio em carga hidráulica nos ponlos de contfole, el=eno méd¡o, abs: eno médioabsoluto, e2= eno médio quadrático.
,
"
97FIGURA IV-25: Velocidade máxima média segundo a solução do problema dheto € o método inverso utilizado para a obtenção do campo de Log T... ...
...
9? FtcuRA lv-2ó: Erro de ajuste da carga hidráulica para o método MV em 10 simulações para TPI(numeradas) e l0 resimulações (acpp
1...10)
"" "
9?FIGURA lV-27:Variograma experimental médio d€ todas as simulaçöes feitas PoÌ cada mét'odo inverso
sobre TP4 (de Zimmerman et al.
1998)..."
'
98 FICURA IV-2E: Amostragem realizada sobre TP4 para todos osmétodos
"
l0 lFIGUM lV-29: Percentagem dc variância toøl explicado pelos autovetores exPressos em percentual
,...
102TABELA IV-4: Volume do hiperelipsôide definido pelos parômetfos das soluçöes equiprováveis...,. 103
FTGURA lV-30: Valor absoluto do autovalor em função do seu lndice
..."
103FIGURA IV-31 : Posicionamento da região de maior contfibuição no primeiro valor para TP4 só os 5olo
extremos da distribuição de cada método são mostrados
.
"
"
l04FIGUITA IV-32: Delimitação da região mais influente segundo a indicagão da ânálise Q-fatorial
.
...
l05 FICURA IV-33: Campo médio de Log Te desvio padrão sobre 100 soluçöes inversas de wlPP...,.... 106 FIGURA IV-34: Reamostragem adotåda sobre a grade inegular inicialc pontos de condícionamentoefetivamente utilizados na
resimulação
"
""-.. '
107FICURA IV-35: Delimitação da zona mais influent€ na incerteza segundo análise ACPP marcadas r e
segundo a análise Q-fatorial marcadas V, os pontos de oontrole são marcados + ,
FIGURA IV-36: Resimulação
feiø
a partir da média calculada por krigagem..... "
'FTCURA lV-37i Resimulação bas€ada sobre a média geral das simulagöes.
FIGURA IV-38: Variação da função-objetivo para diferentes tipos de campos de Log Tem função do lndice das iterações, reprcsentando cada uma um ponto pilolo adicionado para a solução do problema inverso
.
I I IFIGURA lv-3g:fesultado do problema inverso com a utilização da resimulação tipo 2 como campo de
Log T inicial...,
FIGURA A- l
:
Amostragem espacial do processoX((,Ð
num contexto de multir€alizações (€)"
122 FIGURA B-l:
Diferenças entre estimação e simulação condicionada e não condicionada obtida a partir dosmesmos pontos de medida...
...
"
128 FICURA B-Z: A partir da superposição da krigagem sobre as medidas e da kigagem sobre o valor simulado nospontos de medida, obtém-se o condicionamento de uma simulação por Kdgagem
"" """ "
l29 TABELA D-l: Dados de consüugão e amostrados da realidade sintética...'...""""""""
"""
"
111 TABELA D-2: Dados fornecidos aos participântes ... ....'..."..'...
"'." ""
""
"
13 1t08
109 0
FICURAD.I:CampodeLogTsintético(representandoarealidade)'osquadradossãoospontosdeamoslfagenl
passados aos participantes, os valores de Log T representados vão de l0'? a l0ó para o escqro, l0-ó a l0 -'.
l0 -5
a lo-a, t0'a a l0-3 e menores que l0'3 para o mais claro. a linha saindo do quadrado ao centro da
figura representa a trajetória de um Partfcula saindo dos limite do site de
\VIPP
" "
132FtcuRA D-2: Mapas de Log Tfansmissividade e carga hidráulica feitos com vafiograma linear a PaftiI
dos dados amostrados a) relativo a TP
l,
b) relativo aTP4
" .. "
"
133FlouRA D-3: Pafa TP I campo médio de Log T na pane supefior, no cenüo uma realização qualquer com o
percursodeumaparticulaparaaquelarealizaçåo,abaixoacdfdotempodetrânsitocomosenvelop€sde
9570 dos casos, a linha grossa foi obtido a partir do campo sintético e representa a 'realidad€' . ... 134- 136
FIGURA D-4: Para TP 4 campo médio de Log T na pafte superior, no centro uma realização qualquer com o percurso de uma partfcula para aquela realização, abaixo a cdfdo tempo de tânsito com os envelopes de
95% dos casos, a linha grossa foi obtida a partir do campo sintético e represenlâ a 'realidade' ..." 137' ì 39 FlouRA E-l: Gráfico do log do peso do cérebro por log peso do corpo com elipses de tolerância a 97.57o
usando a média e a covariância clássicas (linha tracejada) e estas calculadas por estimador robusto
(linha cheia). pontos 6,1ó e 25 são dinossauros, pontos 14 e l7 são resPectivamente o homem e o
ì41
RESUMO
como
uma
resposta
a
necessidadede
gerar
campos
de
condutividade
mais complexos, foram clesenvolvidos métodos que condicionados tanto a carga hidráulica quantoaos clados de condutividacle são capazes de
produzir
soluções equiprováveis. Estas técnicasutilizam-se não somente da informação estrutural, mas também da informação física
(fluxo),
permitindo
modificaçõesde uma
simulação
original para
um
melhor
ajusteda
soluçãoinversa.
Isto
permite uma
visualização
da
inceneza
do
modelo
atravésdo
espaço dosparâmetros,
uma
vez
qt¡e
centenasde
simulações equiprováveis
(um
conjunto),
todascondicionadas aos dados disponíveis respondem satisfatoriamente ao problema inverso.
procurando uma maneira mais
fácil
de visualizar esta incerteza, Procurou-se métodosque fossem capazes de trabalhar
com
as principais características do conjunto. Assim fez'se uma Análise de Componentes Principais de Processo (ACPP) que constrói uma decomposiçãoortogonal da matriz
de covariânciaempirica.
Neste caso determinaro
sub-domínio onde aprimeira
função própria tem maior influência é equivalente a encontrar a localização espacialda
maior
incerteza
do
conjunto como
um
todo. Esta
localização esta
relacionada ascaracterísticas
hidráulicas
do
problema, assim
como
a
distribuição
espacialdos
dados.Altemativamente, para fins de comparação, fez-se uma análise Q-fatorial, que é menos restrita à necessidade da linearidade da relação entre os parâmetros do modelo'
Ambas
as
metodologias
foram
usadas
sobre dados
de
6
métodos
inversos geoestatísticos emdois
problemas sintéticos,e
para um destes métodos num problema real.Os resultados mostram que com poucas exceções' ambas as metodologias acessam a mesma
região como
a
mais
incerta.
Além do mais,
a
ACPP
pode ser utilizada para
compararquatitativamente diferentes modelos através da energia,
ou do
espalhamento dO conjunto no espaço de parâmetros.AACPPtambémpermite,comoumsubproduto,ageraçãodenovassimulaçõesde
maneira mais rápida. Elas mantém a principal característica estrutural do conjuntoinicial
poissâo calculadas
por
uma composição aleatórialimitada
pela variância dos autovalores. Elasforam
utilizadas sem problemas para explorar novas regiões do espaço de patâmetros e paraagregar
novas
informaçõescomo novos
pontos
de
condicionamentos.No
exemplo
realtrâtado, estâs
çimulaçõesforam
satisfatoriamenteutilizadas
como um
campo
inicial
nasolução do problema inverso pelo método inverso geoestatístico dos Pontos Pilotos.
São discutidas também algumas dificuldades relativas a limitada quantidade de dados
para
a
obtençãode
uma amostragem satisfatóriada matriz de
covariânciae
são propostas alternativas como a amostragem dos dados e a Krigagem dos autovêtores'outrosmétodoscomoaentropiabivariadaparaocálculoda.energiaeoMínimo
Volume.do Elipsóide para a detecção de simulações extremas são apresentadosABSTRACT
As
an answerto
theneeds for
the generationof
more compl€x simulatedconductivity
fields,
inverse geostatistical methods can now be constrained by head andconductivity
data togenerate equiprobable solutions. These techniques use not
only
the structural characteristicsof
the data,
but
also the physical information
(ftux),
that allows the modifications
of
theoriginal
simulation
for
a
better adjustmentof
the
inverse problemsolution'
This
gives
aninsight
to
the
uncenainty
of
the model
since
hundredsof
equiprobablesimulations
(an ensemble),all
conditioned by the available data, answer satisfyingly to thc inverse problem.searching
for
an
easierway
to
visualize
this
uncenaintywe
have
looked
for
amethod able
to
workwith
the main characteristicsof
the ensemble. Thereforewe
have madean
analysis
by
Empirical orthogonal Functions
EoF'
which builds
an
orthogonal decompositionof
theempirical
covariancematrix.
Determining the sub-domainwhere
thefirst eigenfunction is
of
largerinfluence is equivalent
to
finding
the
spatial
location
of
larger
uncertainty
in
the
ensemble.This
location
is
related
to
the specific
hydrauliccharacteristics
of
the problem, andto
thedistribution of
the availabledata
Altematively,
for
comparison,
we
have madea Q-factorial
decomposition,which
is
lessrestricted
by
linearrelations between the parameters of the model.
Both
methodologies were usedon
the dâtaof
ó ensemblesof
inverse geostatisticalmethods,
on
two
synthetic test problem, and one real problem. The results showsthat with
few
exceptions both methodologies accessthe
same zone âs themore
uncertain' Moreoverthe EOF can be
usedto
comparein
a
qualitative
way
thedifferent
modelsthrough
theirenergy or the spreading
of
the ensemblein
the parameters space'The
EOF
alsopermits,
asa
by-product, the
generationof
more and faster
newsimulations.
The
latter
are'calculated
by
a
random
compositionof
the weight
of
eacheigenfunction
given
by
the
EoF.
These
new
simulations keep
the
main
structural characteristicsof
theinitial
ensemble.They
were successfully used to explore new regionsof
the parameters space and to aggregate newconditioning
information in the simulations'ln
the realfield
problem these.simulations were successfully used as a newinitial
field
in the inversesolution by the Pilot Point inverse method '
lVe
discuss also somedifficulties
dueto
the relativelimited
amountof
datafor
the analysis and propose some altematives as sampling the data, andkiging
the eigenfunctions.other
methodsas
the
bivariate
entropy
for
the calculation
of
the
energy
or
theMinimum
Volume Elipsoidefor
theoutlier
detection, were also presented'INTRODUÇAO
Ll
Exposição do ProblemaA
água sempre esteve associadaa
vida.
Enquanto matéria essencialao equillbrio
orgânico, ou como símbolo da presença emocional
(colbeau,
1997). No mundo atual porém, esta visão da água restrita a sua presença fisica-emocional não é mais considerada satisfatóriae
um
compreensãointelectual
mais
aprofundadaé
exigida como primeiro
passopara
o controle mais efetivo deste recurso natural'A
utilizaçãó
otimizada
destes recursosnum mundo
em
que se
estabeleceram sociedadesde
consumoé
hoje
a
única
solução para quea
Terra
seja respeitada enquantopatrimônio
indispensávelà
sobrevivênciae
ainda comporte as necessidades câdavez
maisespecializadas da população humana em crescimento.
O
hidrogeólogo contemporâneo se encontra diante de uma responsabilidade muitas vezes negligenciada em tempos passados. Cabe a ele o trabalho de precisar os conhecimentosdisponíveis anteriormente fazendo para isso ensaios realistas e que não apresentem riscos de degradar
o
meio natural, Essa necessidade proporcionouo
desenvolvimento de metodologias recentes que se caracterizam pela utilização de modelos que tentam simular numericamente agrande complexidade dos meios geológicos reais.
O
uso crescente de modelos numéricos de simulação defluxo
e transporte de massa em meio poroso, se deve tanto as novas tecnologias aplicadas aos meios de cálculo - hardware e software-, comoa
potencial complexidade que os mOdelos numéricos podem comportar no que se refere entre outros, a modelagem de domíniosinegulares,
diferenciando-os assim dosmodelos analíticos desenvolvidos até hoje. Este
tipo
de modelopermite
também o estudo de situações de risco potencial de maneira mais simples, como por exemplo' a implicação de um vazamento poluente numa posição x2 ao invés de xr.Entende-se
aqui por
modelo
a
tradução conceptualde
uma
dependênciaentre
aexcitação
do
sisæma
como as
entradas
e
saídasde
água
naturais,
ou os
testes
debombeamento, e sua resposta, quer dizer as variações espaço-t€mporais da carga hidráulica
-também chamada potencialou
piezometria-
em função de um certo numero de parâmetros representando as propriedades físicas do meio, aproximadamente conhecidas'ajustar
o
potencial
hidráulico
medido,
ou
seja,o
reflexo
concretodo
mundo
subterrâneodesconhecido
mais facilmente
mensurável,deveria
varíar-sede um ponto ao outro
suas características fisicas, ou seja os parâmetros do meio poroso. As características mais sensíveisa
esta variação
são
a
condutividade
hidráulica
e
o
coeficiente
de
armazenamento.caracterizando respectivamente
a
facilidade
de
circulação
de
água
e
a
capacidade dearmazenamento do meio poroso.
Atualmente a crescente pressão ecológica exercida pelas leis cada vez mais rigorosas
contra a poluição, exige dos hidrogeólogos
a
utilização consciente ecrítica
das t'ertamentasdisponíveis
parao
estudodo
transportede
massanos meios
porosos. Estas ferramentasnecessitam entretanto
de
um
estudoanterior
que
caructerizeo
fluxo
de
maneiraa
maisdeulhada possível, neste sentido, fazendo eco a outros pesquisadores na área de ciências da
tena
Poeter&
Hill
(1997)diz;
"A
escassez de dadose
a não linearidadeda
regtessão dossistemas
fisicos
produzemdificuldades
substanciais.A
obtençãode
modelos tratáveis quesejam
suficientemente represenøtivos
do
verdadeiro sistema
para produzir
resultadosutilizáveis é presumivelmente o mais importante problema neste campo do conhecimento".
Ströet (1995)
destacaas
seguintesdiflculdades que
a
modelização enfrenta paradescrever a realidade:
As variáveis e os parâmetros utilizados no modelo hidrogeológico são obtidos como
médias sobre
volumes
finitos,
enquantoa
maior parte dos
dados sãoobtidos
em
pontos discretos. Renard (1997) revisa os vários métodos utilizados para se fazer esta mudança de escala e os erros daí decorrentes.As
condiçõesno
limite
e
as forças
extemassão
geralmente conhecidas apenas aproximadamente, e poucos estudos (verRoth
1995) tratam desta incerteza no modelamento.Na maior
parte das
aplicações,a
quantidadede
informação disponível
é
muit<rpequena
em
relação
as
necessidadesteóricas,
existindo
falta
de
informação sobre
avaríabilidade dos parâmetros.
Tomar portanto como único
objetivo
a calibração de um modelo*, sem consiclerar-se as incertezas inerentes a nossa impossibilidade de conhecer e representar toda a complexidade dos meios naturais reais, pode levar a aceitar uma resolução numérica aproximada (e talvezmuito
simplista)
da
realidaclecomo
"A"
solução. Negl igeneiando-se assimque
a
soluçãofinal,
mesmono
caso destater
sido otimizada
por
algum algoritmo
inverso,é
na
verdade apenas umadentre
muitas possíveis.Comprcendida aqui como o a escolha do modelo adequado e ajuste dos seus parâmetros de maneira quc sua soluçato
os
rrabalhosde
Gailey&
Gorelick.
(1991),Konikow
&
Bredehoeft (1992),Marsily
et al. (1992)
iá
chamam a atenção para este ponto.No estágio atual de conhecimento
já
é possível entfetanto dispor-se de métodos quenão só
consideraram esquematizaçõesda
distribuição dos
parâmetroscada
vez
maiscomplexas,
mas
também produzem
resoluçõesequiprováveis sobre
uma
mesma
grade adotada pelo modelo, considerandoo
conhecimentolimitado
da realidade de que dispomos'Isto não somente nos abre novas possibilidades de compreensão e visualização das interaçòes consideradas no modelo em estudo, como tåmbém permite uma transparência à comunidade em geral das dificuldades e limitações especlficas que implica
o
uso de modelos em ciências da tena e mais especificamente em hidrogeologia.Na
figura I-1
vemos uma descrição esquemática desta região aceitávelque
pode seracessada através da utilização de simulações equiprováveis, uma vez que estas dentro de uma
faixa de
eno
aceitável considerando tanto os erros devido as aproximações do modelo quanto a escassez e i¡cefieza dos dados).o
mapeamento de toda a região do espaço de parâmetros aceitável permite uma viËãomais global
das incertezasdo
sistema.Na tìgura
I-l
representa-seem
uma dimensão umespaço que na verdade tem a dimensão do número de parâmetros do modelo.
Função-objetivo
Região onde
parâmetros satisfazem modelo
{
Mínimo
possívelcom este modelo
Posição no espaço de Parâmetros
Figura
I-l
:
Relação entreo
mínimo global da função objetivo
e a
região aceitáveì noI.2
Objetivos
Dada portanto
a
impossibilidadede
uma descrição exatada
realidade at¡avés dosmodelos,
é
imporrante
se
questionar
sobre
a
incerteza
dos
modelos
utilizados
emhidrogeologia.
Com a conscientização da estruturação complexa das formações geológicas, vários métodos geoestatísticos
se
desenvolveramvisando
utilizar da melhor
maneira,
tanûo
a disposição espacial dos dados, quanto a estrutura espacial da variação entre os parâmetros.Estes modelos geram portanto uma distribuição de parâmetros, variável a cada malha
da
grade discretado
modelo, que
responde concomitantemente aos dadose
a
uma
certa função de covariância que define a estruturação espacial de sua variabilidade.Para
a
análise
da
incertezados
modelos
de
fluxo
mais
complexos,
simulações geoestatísticas equiprováveis vem sendo utilizadas, tanto através de um conjunûo de mapas de parâmetros(i.e. a
condutividade comoem
Ramarao&
I-aVenue 1992), quanto através dostraços
de
percurso possíveis sobre todas as realizações,à partir
de uma
mesma posição espacial(Wen et
al.
1996),ou
apartir
da funçãodistribuição
cumulada(fdc) do
tempo detrânsito de todas as realizações a partir de alguns pontos aleatórios no domínio (Zimmerman
etal.
1998).Partindo de um conjunto de simulações equiprováveis, o objetivo desta æse é
triplo:
l.
Propor uma
maneirade
concentrara
informaçãode um
conjunûode
soluçõesequiprováveis,
que
traduzade
maneira compactå as zonasde
maior ou
menorincertþza
do
modelo
e
indiretamente
a
incerteza
do
fluxo,
e
através
destaconcentração
propor
métodos
semi-quantiøtivos
de
inter-comparação
entremétodos
inversos
geo€statísticos, baseando-sesome¡t€
na
variabilidade
doparâmetro condutividade.
2.
Utilizt
a informação de um primeiro conjunùo equiprovável para direcionar uma nova varredura do espaço de parâmehos, em busca de novas soluções potenciais do modelo.3.
Comparar duas metodologias paraa
determinação semi-quantitåtiva das zonasonde
os
parâmetros sãomais
influentesna
composiçãoda
incertezaglobal
dodomínio.
Com isso espera-se propor altemativas de estudo da incerteza dos resultados de um modelo complexo, considerando todo o domínio de estudo de uma so vez.
A
Análise
por
ComponentesPrincipais
de hocesso (ACPP) (Braud
1990)
que,fazendo uma decomposição
dos
parâmetros sobre umanova
base orûogonal,permite
uma análise mais condensada do conjunto de soluções equiprováveis e da zona com maior peso na incerteza dos parâmetros, permitindo também a elaboração de novas simula@es de maneira mais rápida.A
Análise
Q-faorial
(Buoro
&
Silva
1994)
qu€
através
de
uma
análise
daI.3
Apresenta$o
doscapítulos
Após
a
introdução
que situa as
dificuldades
inerentesa
descrição
dos
meios geológicos e o interesse deiirocurar
caracterizar a incerteza desta descrição, esta memória se desenvolve em outros quatro capítulos, a saber:No capítulo
II
- Fundamentação Teórica - é feita uma breve descrição da base teórica necessária para compreender a relevância da modelagem inversa em hidrogeologia.No
$II.l
explica-se
a
diferençac
o
interessedo
estabelecimentodo
problemadireto
e do
problema inverso, situa-se também neste parágrafo a formulação geoestatística inversa dentro do tópicomais abrangente dos mélodos inversos, uma vez que os métodos inversos que serão utilizados
posteriormente se encaixam dentro desta definição. Ainda neste panágrafo é salientado o papel
da
parametrização,que
atravésda
definição
de
uma
escalade
representaçãodos
dadospermite
uma melhor
compreensãodas
separaçõesentre
métodos
inversos
e
inversos geoestatísticos,No
$ II.2
é feita
uma
revisão,em
termos gerais,de
algunsdos
métodosutilizados
paraa
caracterizaçãoda
i¡certezaquer
seja diretamente atravésdos
parâmetros,quer seja
através
do
resultado
do
modelo.
Procura-seneste parágrafo
salientar-se asaproximações
e
limitações de cada uma das metodologias apresentadase
o
interessede
sepropor as anáfises ACPP e
Q-fatorial
para a caracbrização da incerteza através da análise 'àposteriori'
de um conjunto de soluções equiprováveis.No capítulo
III
-
Métodos e Materiais - é feita no $III.I
uma descrição detalhada da base teórica das metodologias de Análise de Componentes Principais de Processo (ACPP) eQ-fatorial,
comparando as duas. Descreve-se também a metodologia a ser empregada para ageração de novas simulações baseadas no conjunto inicial
-
chamadas aqui resimulação-
e assuas possibilidades
de
condicionamento.No $
III.2
são apresentadas as bases teóricas dosmétodos inve¡sos
geoestatísticosque foram aqui
utilizados para testar
¿s
metodologiaspropostas. Estes métodos foram escolhidos em função de se dispor, para eles, de um conjunto suficiente de realizações produzidas sobre
um
mesmo problema sintético,o
quepermitiu
autilização
das metodologias propostas tambémcomo
ferramentade
comparaçãoentre
osmétodos.
No
$III.3
é descrita a origem dos dados, tanto dos problemas sintéticos propostos-TPI e
TP4
-,
bem como
do
problema
real que
analisou
um
conjunto
de
simulaçôesequiprováveis feitas sobre os dados de WIPP, um local de estocagem de rejeitos de material.
radioativo no subsolo dos Estados Unidos.
As
limitações impostas
pela Iimitada
quantidadede
simulaçõesen
relaçào
à quantidade de parâmetros e a reamostragem proposta para contornar este problema,As
possibilidadesde
utilização da
ACPPe do
cálculo da
entropiabivariada
para analisar qualitativamente a distribuição de energia entre os métodos inversos.O
cálculo dovolume
do hiperelipsóide, definido pelos autovalores e autovetores da ACPP, para f'azer uma comparação entre os métodos inversos a partir do volume do espaço de parâmetrosvanido
pelo conjunto equiprovável.A
localização espacial segundo cada métodoinverso
da
zona
mais
influente
na incefieza definida pela ACPP e sua comparação com a zona mais incerta definida pela análiseQ-fatorial.
A
limitação
imposta
pela
suposiçãode
multinormalidade
na
análise
ACPP,
adificuldade de seu cálculo e a possibilidade da utilização desta informação.
A
experimentaçãonumérica
da
resimulação
para
a
geração
de
campos
rletransmissividade sobre
dois
métodos
inversos,explorando
algumasde
suas vantagens e desvantagens.A
experimentação numérica da aplicação da resimulação diretamente como soluçãode
um
problema inverso, comparandoo
ajuste em caÌgahidráulica
para todosos
métodr¡s inversos estudados.No
$
IV.2
discute-seos
resultadosdas
análises sobreTP4,
testesintético
maiscomplexo que
TPl.
Concentrou-se aqui a discutir-se os seguintes tópicos:A
dificuldade imposta pela reamostragem num caso onde a disponibilidade de dados era comparativamente mais restrita que paraTPt.
A
comparação da zona mais incerta através das análises ACPP e Q-faúorialA
comparação entreos
métodos inversos através das ferramentas propiciadas pela análise ACPP.No $ IV.3
discute-seos
resultados das análises sobre os dadosde
reais de WIPP,concentrando-se na caracterização da zona mais incerta, na detecção de simulações anormais
e
na aplicação da resimulação como altemativa à simulação geoestatística como campo decondutividade
inicial
utilizado na solução inversa do método dos Pontos Pilotos.Finalmente
no $V
-
Conclusão
-
são
apresentadosas
principais
conclusões,dificuldades e possibilidades de trabalhos futuros.
Como apoio a leitura, nos anexos são apresentados sucintamente alguns dos métodos
II
FUNDAMENTAÇAO TEORICA
Um
modelo é a simplificação de uma realidade mais complexa expressa através de leisfísicas.
As
variáveis deste modelo são chamadas parâmetrose
norm¿lmente sãodificeis
amedir, mas são elas que tem significado
fisico.
A
este modelo chamamos modelodireto
e àvariável
determinadapor ele,
variável
dependente.No
casoda
hidrogeologia
a
variáveldependente
é
a
cargahidráulica,
e
os
parâmetrosmais
comument€ consideradossão
acondutividade, o armazenamento e estresses do sistema (tesûos de bombeamento, recarga),
À
determinaçãoda
cargahidráulica
dadauma distribuição
de
parâmetros chama-seproblema direto,
já
à determinação dos parâmetrosa partir
de dadosda
cargahidraulica
é chamado problema inverso.II.l
Delinlção
doproblema direto
e doproblema
inversoO Problema direto consiste na solução da equação de
fluxo
em regime peÌmanente paraum fluido
com
densidade constante,obtida
a partir
da
equaçãode
conservaçãode
massaV.
q =Q
e da equação deDarcy
q =-TVh,
na qual"q"
define ofluxo.
No caso em que umaaproximação
bidimensional
é
possível(o
que
seráo
caso
nesta tese), teremospara
um aqüífero confinado em regime permanente:(u-t)
sendo:
T
a Transmissividade, obtida comoT-
ffkdz
,. em quek
é a condutividade hidráulica e"e"
a espessura do aqüífero; h a carga hidráulica;e
Q fontes ou sumidouros de água.Esø
equaçãopode
ser
resolvida
numericamentedadas
as
condições
limites
e
a distribuição dos parâmetros T e Q dentrodo
domínio de estudo definido.Entretanto, somente
nos
casos de geologia mais simples uma aproximação de que os parâmetros são homogêneos na zonâ de estudoé
possível. Só nestes casosé
possível com dados pontuais sobre estes parâmetros obter-se um modelo que represente satisfatoriamente arealidade.
Considerando-se entretanto
a
complexidade
de
grandeparte
dos
meios
naturais, é necessário utilizar-se uma descrição mais detalhada da variabilidade espacial dos parâmetrospara que
o
modelo se aproxime mais
da
realidade,e
assim seu¡esultado numérico
sejaefetivamente representativo do meio estudado.
Na verdade esta aproximação da realidade
vai
desde a escolha das equações utilizadas no modelo, até a variabílidade dos parâmetros e dos estresses consideradosno
modelamento(Mclaughlin &
Townley
199ó, Peck etal.
1987).Na prática, obter a partir dos escassos dados de campo sobre os parâmetros, a inferência
direta destes na grade utilizada num modelo complexo é um grande desafio
Em
hidrogeologiao
parâmetrocuja
variabilidadeé
maisdifícil
dequantificar
e
cuja determinação tem mais influência no modelo é a condutividade hidráulica (Zimmerman et al. 1998, Ackerer et al. 1994). Busca-se então a estimação espacial da condutividade sobre rodo odomínio através da carga hidráulica, a variável dependente mais
fácil
a medir e mais robustauma
vez
suas flutuações sãomais
suaves que asda
condutividade.A
esta formulação doproblema denominamos um problema inverso.
Na
figura
II-l
tem-se a defìnição do problema direto através dooperador
F(c)
sobre oespaço
de
parâmetrosA,
e
do
ero
de
medidasv
referenteao
espaçode
medidasZ.
O problema inverso édefinido
pelo operadorG(z,v),
que mapeiao
espaçoû,
das estimativas admissíveis dos parâmetros, através do espaço de medidas Z.Espaço de Parâmetros A
Espaço de medidas
z
Figura
II- 1:
Definição
do
problemadireto
e
inverso
(adaptadode Mcl-aughlin &
Townley
1996)II.1.
]
Maneiras de abordar o problema inversoTrês maneiras de abordar
o
problema inverso podem ser sublinhadas, considerando-se um contexto mais global.l)
De
um ponto de vista puramente matemático,o
problema inversotal
como descritona
figura
II-l
poderia ser resolvido
tomando-seG
como
Fl,
mas caso existam erros nasmedidas
ou
casoo
operadordireto
nãofor
invertível,
a
estimativade
q,não
será exata eestimativas admissíveis
Aa¿
Apoderá ser extremamente instável.
A
maneiracomo
o
problemainverso
é
formulado matematicamente influenciará
aplausibilidade da solução encontrada, por isso define-se um problema bem posto (Tikhonov
&
Arsenin
1977) quando este satisf'az as seguintes condições:r
Para cada medida do vetorz e
Z existe uma solução do parâmetroo
€
A
¡¿ .o
A
solução do parâmetro é única.o O problema inverso é estável nos espaços (4"¿,
Z),
quer dizer pequenas mudanças nas medidas produzem pequenas mudanças no espaço de soluções.Um
problemamal
posto pode entretanto ser transformadoem
um
bem
posto, se asdefinições de F,
A
n¿ e/ouZ
forem modificadas(Mclaughlin &
Townley
1996).2)
Sobum
ponto de vista de pesquisa aplicada, oslimites
rigorosamente matemáticossão
indefinidos.
Neste
caso
mesmo
se
utilizando
de
complexos
desenvolvimentos matemáticos o pesquisador tem preocupações como a identificação da incerteza, tentativas de redução dos problemas, e determinação dos limites práticos de aplicação do desenvolvimento teórico.Em hidrogeologia isto é
feito
na prática através, por exemplo, da imposição de estresse ao sistema com o uso de bombeamento e o conseqüente uso desta informação temporal, ou daadição
de mais ou de diferentes tipos de medidas, como por exemplo informações geofísicas,ou com
a
imposiçãode limites ou de
uma estruturação ao espaçode
soluções admissíveiscomo será discutido nos métodos inversos geoestatísticos mais adiânte.
Refletindo
sobre afigura
II-1,
esta trânsformação da colocaçãodo
problema pode sercompreendida como um aumento na dimensão do espaço Z no caso da inclusão da informação temporal, ou na limitação do espaço
A
n¿ imposta por uma estruturação definida em G.3) Um
terceiro ponto de
vista é
o
do
modeladorprático.
Geralmenteos
resultadosanteriores são
dificilmente
aplicáveis dadaa
complexidadede
suaefetiva
utilizaçãoe
aosIimites de
sua aplicabilidade. Neste caso utiliza-seâ intuição
afinada pela experiência, estaainda
mais
efetiva
quando se deve ajustar parâmetros inter-relacionados assegurando umacoerência
global. Os
resultados neste caso, mesmo quejulgados
bons, são intrinseca,mente subjetivos ao modelador, como por exemplo saber como e quando parar uma calibração.II.1.2
Caracterização do problema inversoMuitas
revisões sobreo
problema
inversoexistem na literatura
Carrera&
Neuman(198óa),
Yeh
(1986),
Ginn
&
Cushman(1990),
Certes(1990), Canera
et al.
(1993),
Sun(1994),
Mclaughlin &
T'ownley (199ó). Segue-se uma discussão baseada neste último.O problema inverso pode ser caracterizado segundo quatro pontos principais :
l)
A
equaçãodireta
adotada para relacionaros
parâmetros às medidas(i.e.
modelobidimensional, confinado,
com
resoluçãopor
elementosfinitos
da
equaçãode
Darcy
para regime permanente ou transitório).lsto implica
a caracterização dos principais processos dentro do domínio de estudo, asequações que
os
caracterizam,e
os
dadosiniciais
necessários. Estâé
uma
questãoa
ser abordada caso a caso e que exige não só conhecimento local como a eventual adaptação deste aos meios de cálculo disponíveis. Uma discussão rnais aprofundada com algumas indicações práticas podem ser encontradas em Peck etal.
1988,Townley
&
Wílson
1989,Mclaughlin
etal. 1993.
2)
A
maneiracomo
é
descrita
a
variabilidade
espacial,ou
seja
a
parametrizaçãoadotada,
por
exemplo
considerando-sea
variabilidade
da
condutividade
por
blocos
ou geoestatística.Este é um ponto importante na compreensão da importância dos métodos geoestatísticos
em
hidrogeologia,
uma vez que trata tanto
das
questõesde
parametrização,quanto
deidentificação e representatividade. Ele será desenvolvido separadamente
no
$II.l.4
3) O critério
de performance adotado paradefinir
uma boa estimativa, por exemplo adefinição da função-objetivo a
paftir
da utilização de mínimos quadrados para minimizaçâodo
ero
em carga hidráulica.4)
A
solução técnica adotada para se encontrar estas estimativas, como a utilização de métodos de gradiente para encontrar o mínimo da função-objetivo.O
terceiro
e
o
quarto
pontos sãoos
que diferenciam
a
maior parte dos
programâsinversos desenvolvidos, sendo por isso descrito detalhadamente no $
Il.
1 .3ll.l.3
Tipos de Solução do problema inversoO
problema inverso
em
hidrogeologia
se
traduz principalmente
pelo
problema
deidentificação do campo de transmissividade e mais raramente se estende a outros parâmetros como arrnazenamento, recarga, condições
limites.
Será considerando somente a identificaçàoespacial da transmissividade que desenvolveremos os próximos parágrafos.
Duas formulações
do
problema
inverso
são
normalmente delineadasnas
revisõresII.l
.3.1
A
formulação diretaA
formulação
direta,
tratando
o
parâmetro Transmissividade(T)
como
a
variáveldependente na equação II-
l,
requer o conhecimento da carga hidráulica em todo o domínio de estudo (Nelson 1960,Giudici
etal.
1995, Emsellem& Marsily
l97l,
Neuman 1973).Devido
à
quantidadelimitada de
medidas pontuaisda
cargahidráulica,
via
de
regradisponível, esta é estimada através de uma interpolação como
por
exemplo uma krigagem.Esta
formulação
procura então
a
solução
do
sistema
linear
assim
obtido,
através
daminimização
do
erro de equação (compreendendo erros de interpolação de carga e erros de medida desta) sobre todas as malhas do modelo.A
maior crítica a esta formulação é devido acarga
hidráulica
aparecercomo
derivadanos
cálculos das transmissividades,tomando
os cálculos sensíveis a pequenos enos nos dados de carga hidráulica.No
recente desenvolvimento deGiudici
et al. (1995), tenta-se contomar este problema através do uso de dois conjuntos linearmente independentes de medidas de carga hidráulica,tomados por exemplo, a dois peúodos do ano ou sob estresses diferentes. Neste caso estudos
preliminares sob dados sintéticos indicam uma boa recomposição da transmissividade a
pattir
de um valor
conhecido(exato) de
transmissividade,e a
informaçãoda
cargasob todo
odomínio. Rosazza (1997) detectou que mesmo nos casos onde a informação da carga é bent
distribuída
sobreo
domínio
podem-seobter valores sem significação
fisica em
algumasmalhas(i.e.
l.og
T
negativo),o
que indica que o problema ainda pode ser instável. Pesquisasrecentes
(Delay,
comunicação pessoal)indicam
que
este
problemapode
ser
cotìtomado impondo-se quelog
T
seja positivo duranûe o processo iterativo de solução numérica.A
soluçãodireta pode ser
adaptadaà
caracterizaçãode
estudosem
escala regional (Certes, 1990), mas seus inconvenientes fizeram que seu uso tenha praticamente desaparecido da metade dos anos 80 até os recentes trabalhos deCiudici etal.(1995).
Neste período
ocorreu
o
maior
desenvolvimento
dos
métodos indiretos,
que, considerandoo
errodo
ajustepor
mínimos quadrados da carga hidráulica somente sobre os pontos de observação parececonduzir a
melhores soluções,ou
pelo menos mais estáveis.Carrera
&
Neuman (1986
a)
notam que
o
uso
de
mínimos
quadrados sobreos
resíduospontuais de carga são sempre capazes de
filtrar
partedo
ruído
dos dados,o
queo
métododireto tem muita dificuldade de realizar.
II.1.3.2
A
formulação indiretaA
formulação indireta, da qual a calagem de modelos por tentativa e erro é uma versão não automatizada,é utilizada
não só devido à menor sensibilidade aos erros em carga, mastambém por serem mais adaptadas a ttabalharem com escassez
de
dados.Esquematicamente pode-se descreveJa
como mostra
a
figura
II-2.
Uma
estimativainicial
dos parâmetros (i.e. condutividade, porosidade, ârmazenamento, recarga, condit'oes nolimite) é
geradacom
ou
semo
usode
geoestatística; resolve-se(por
diferençasfinitas
ouelementos
finitos,
ou outro
método)
a
equaçãode fluxo com os
parâmetros estipulados;calcula-se
o
resíduo entre
a
carga calculada
e
a
observada atravésda
função-objetivo (normalmentedefinida
como
o
resíduocalculado
por
mínimos
quadradossobre
a
cargasomente nos ponûos de medida, mas podendo conter também out¡os termos regularizadores); caso
o
resíduo seja considerado aceitável termina-seo
processo obtendo-se uma distribuiçãode parâmetros aceitável pelos critérios estipulados; se o resíduo
for muito grande
calcula-se adireção de modificação dos parâmetros segundo a indicação do grâdiente da função-objetivo; modificam-se os parâmetros utilizados na iteração precedente segundo esta direção (podendo-se
ou
não regularizar-se as modificações através da geoestatística), reüoma-seà
solução da equação defluxo
com este novo conjunto de parâmetros. Esteciclo
se repete até que o resíduo esteja dentro dolimite
de
aceitação.Obtenção da distribuição final dos parametros satisfazendo o ntodelo dentro do critério do erro estþulado
como aceitável
Figura
Il-2
:
Esquematização da resolução indireta doMarsily
1984)Inicio
Distribuição espacial dos parametros
Resolução do problema Direto Modelo numérico adaptado
aos dados disponíveis, com condições de contomo, informações de recarga e histórico de bombeamento
Saida
Pressões hidráulicas calculadas
Cálculo da Fungão-obþtivo Comparação entrc pressão calculada pelo modelo e observada (e eventualmente tamæm da d iscrepância com a
estiÍiativa inicial dos parâmetros)
Modificação dos parametfos anteriores pela informação do gradiente e obtenção
da nova distribuição
Oti{nizagão Através do gradiente da função-obþtivo determina-se
a modificação otima a se fazer sobre os parâmetros para melhorar o ajuste Possível utilização
de Geoestatistica
Caso ajuste Bom
Conto se potle notar, não é necessárìo
o
calculo tla primeira e da segunda derivada cla calga hidráulica como nâ resolução direta, necessita-se aqui do gradiente dafunçlio-objetivo.
que na maioria dos casos comporta somente o campo de transmissividade.
É possível tessaltar-se uma primeira diferença enüe os métodos inversos existentes hoje através da lunção-objetìvo de mínimos quadrados generalizados, que deverá ser nrinimizada:
FoulÊ) =
(h,
-
h(û))t
c;i
ft
m-
h(p))+Àp(pm
-
p)tc;r
in.
-Ê)
(il-2)
emque:
h,,.,é a carga hidráulica medida;h(p)a
carga calculada com o jogo de pârâmetros Þ:pm
umvâlor
médio ou uma estimativa'a
priori'dos
parâmetros;þ
uma estimativa de p, ovetor de
parâmetros desconhecidoque minimiza
esta equação;C¡
e
Coas
mat¡.¡zcs clcconfìabilidade das cargas e da estlmativa
inicial
de p respectivamente (poderá sel a rnatriz clc covariância dos enos da estimativainicial);
),,,
é um termo de ponderação entre o ajuste das cargas - definìdo no primeiro termo- e uma estimativainicial
de p.Quando se considerarn as soluções por mínimos quadlados, a função-objetivo é definirla
como
o
primeiro
termo na equaçãoII-2.
Neste caso só se consideram resíduos sob|e a cargu nos pontÕs de observaçào.Outla
possibilidade de mínimos quadradosfbi
desclita porClifton
&
Neuman (1982) considerando-se também a ponderação descrita no segundo ternìo atravésda
krigagenr
dos
par'âmetrosiniciais,
tem-se então
uma
versãode mínimos
quadra<Josregularizados. Implicitamente neste caso
é
considerado que os erros são caracterizados por. sua média e covariância, e quesua
esperançaé
zero.As
soluçõespor mínimos
c¡uaclraclosdcscritas aqui se encaixam nos métodos chamados deterministas, que consideram a existôncia
de
um
campode
parâmetrosexato,
sendoa
incerteza decorrenteda
nossainabilidade
enl descrcvê-lo.Considerando-se
a
existênoiade erros no
modelo,
pode-seestimar
o
conjunto
deparâmetros
por
máxima verosimilhança assumindo-se que os enos seguem uma distribuiçâo gaussiana(Carrera
&
Neuman
1986a,b,
c),
aqui
os
parâmetrosa
se
determinar
sirodeterminísticos
mas
desconhecidos.A
função-objetivo será descrita
pela
equação
ll-2
completa, mas
agora
Ànnão
é
mais
definido
a
prioli
pelo
modelador,mas
estintado clemaneira
iterativa
para uma gamade
valores possíveis até que seuvalor
se
estabilize, Untdesenvolvimento mais detalhado desta metodologia se encontra no $
IlI.2.4
Outra
maneira de consideraro
problema inverso, conhecidacomo
Baysiana,define
ovetor
de
parâmetros ( p)
como uma
realização
de
uma
função aleatória
cuja
média
éoonhecida