Nuestra tarea principal es desarrollar una plataforma web para entregar un servicio flexible y confiable de modelación de datos magnetotelúricos (MT) en 3D, detrás de nuestra tecnología combinamos técnicas de aprendisaje profundo con inferencia Bayesiana. Nuestra solución reduce los costos computacionales mientras que entrega resultados geológicamente plausibles.
Estado del Desarrollo
Nuestra tecnología está actualmente en TRL 5 (validación de componentes de pruebas en un entorno relevante), lo que significa que hemos probado que las componentes de nuestra tecnología trabajan en conjunto para modelar el subsuelo con datos observacionales reales.
Estas pruebas fueron realizadas con datos de Díaz et al. (2015), cuyos resultados demuestran que nuestro enfoque puede aplicarse a una inversión de alta dimensión con más de 1 millón de parámetros, abarcando 30 estaciones y 18 períodos para los componentes XY y YX. La inversión converge en solo 20 horas de cálculo en una AMD Ryzen 9 9950X (16 núcleos), 64 GB de RAM y una NVIDIA GeForce RTX 4090.
El modelo recuperado (mostrado a continuación como dos perfiles ortogonales, EW y NS) presenta una concordancia razonable entre predicciones y observaciones (siguiente figura a la derecha), lo que indica que el desarrollo avanza correctamente.
En la siguiente figura mostramos otros dos perfiles en dirección NE y SE.
De estos resultados y comparandolo con el modelo publicado en Díaz et al. (2015), concluimos que las principales características geofísicas son consistentes con el modelo publicado:
- Los valores de resistividad abarcan un rango comparable de aproximadamente 1 – 1000 Ω·m y aumentan hacia el este.
- Los cuerpos de alta conductividad se extienden hasta profundidades de 4 km, con forma de capas con profundización hacia el Oeste y con la presencia de un globulo en el cuadrante N‑NE.
Para ilustrar este último punto con mayor detalle, en la figura siguiente se muestra un gráfico 3D del cuerpo conductor, representado por puntos rojos en el centro de cada celda.
Foco Actual
Nuestro foco actual está centrado en ampliar la exploración del espacio de soluciones del problema inverso. Actualmente, el proceso de inversión tiende a colapsar en una única configuración de resistividad eléctrica. Esto actúa como una regularización implícita que captura solo las estructuras de primer orden del subsuelo, dejando sin recuperar las heterogeneidades locales. Como consecuencia, el resultado final es un modelo promediado que refleja la tendencia general más que los detalles geológicos de menor escala.
Al abordar esta limitación, buscamos ir más allá de las representaciones de gran escala y ofrecer resultados de inversión que mantengan tanto las tendencias a gran escala como las variaciones sutiles y geológicamente significativas, esenciales para una interpretación precisa.
El trabajo futuro se enfocará en mejorar la estrategia de muestreo para capturar mejor distribuciones posteriores multimodales y recuperar heterogeneidades más finas.