GNGTS 2018 - 37° Convegno Nazionale

GNGTS 2018 S essione 3.3 751 ed il riconoscimento delle strutture geologiche è funzione delle conoscenze esterne ed alla esperienza dell’interprete. Il modello di output dell’inversione può essere modificato (mediante procedure numeriche o anche in modo qualitativo, grazie all’esperienza dell’interprete) per ottenere brusche variazioni nella distribuzione del parametro fisico e permettere una più facile differenziazione delle formazioni geologiche. Questo tipo di procedura comporta spesso la perdita della validità geofisica del modello stesso: in pratica il modello modificato non è più in grado di produrre una anomalia che replichi il dato reale di partenza. Per ovviare a questo problema, nell’ultimo ventennio diversi autori hanno pubblicato lavori su metodi e strategie per ottenere dei modelli inversi geologicamente realistici ed al contempo validi dal punto di vista geofisico (Camacho et al. , 2000; Lane et al. , 2007; Farquharson et al. , 2008; Phillips and Simpson, 2015; Sun and Li, 2015). La nuova strategia qui proposta, chiamata Sharp-Edge Inversion , risulta efficace nel vincolare l’output dell’inversione in un modello stratificato, dove le proprietà fisiche sono limitate in classi definite a priori, diventando quindi un ottimo strumento per un mapping 3D delle architetture geologiche. La strategia Sharp-Edge Inversion utilizza essenzialmente la formulazione degli algoritmi di Li e Oldenburg per la risoluzione del problema inverso e il guided fuzzy c-means clustering per incorporare i vincoli geologici. Fig. 1 - a) In rosso, localizzazione dell’area oggetto di studio. b) Dataset gravimetrico (Carrozzo et al. , 1991). Colorbar in mGal. c) Anomalie residue di Bouguer, ottenute rimuovendo un trend planare (SW-NE) ai dati b).