Staff: Pier Paolo Bruno, Maurizio Fedi, Giovanni Florio, Valeria Paoletti

Dottorandi, Borsisti e Cultori della Materia: Jamaledin Baniamerian, Yemane Equbamariam, Maurizio Milano, Ivano Pierri, Andrea Vitale, Diego takahasci

Questo filone di ricerca si concentra sull'interpretazione e/o sull'inversione congiunta di grandi set di dati geofisici multivariati, un argomento chiave per l'industria petrolifera e per la riduzione dei rischi geologici. Per questo compito utilizziamo tecniche di apprendimento automatico (machine-learning), algoritmi di inversione 3D e metodi di imaging rapido. Il nostro impegno in questo interessante settore risale agli anni '90 e attualmente continuiamo il nostro coinvolgimento con collaborazioni attive con l'industria (ENI) e altre università (come DTU, Danimarca) e sviluppando nuovi algoritmi volti a stimare la distribuzione nel sottosuolo delle sorgenti di anomalia geofisica, come la velocità dell'onde P e S, la densità, la suscettività magnetica e la resistività elettrica. I dettagli sui temi che rientrano in questo argomento di ricerca sono elencati di seguito,

Sviluppo di algoritmi originali e software:

• Trasformata di wavelet continua e discreta e analisi multi-risoluzione applicata alla residua localizzazione di potenziali campi;
• Analisi spettrale multidimensionale;
• Metodi multiscala per la stima automatica dei parametri di sorgente dei campi di potenziale, del campo di deformazione e del campo EM a bassa frequenza;
• Analisi degli edge di dati geofisici per studi strutturali;
• Analisi frattale e multi-frattale di dati geofisici;
• Imaging di campi di potenziale: migrazione, DEXP e algoritmi di correlazione ( 1-2);
• Metodi a grande scala di inversione 3D lineare e non lineare (vincolata) di dati di gravità, magnetici e resistività, quali: Inversione di campi di potenziale non omogenei, Inversione auto-vincolata e Focusing, Inversione congiunta di dati geofisici, Algoritmi per determinare la risoluzione in profondità dei modelli di inversione (Depth Resolution Plot);
• Machine Learning applicato alla interpretazione automatizzata di dati multivariati ( 3) e alla modellazione ed interpretazione dei campi di potenziale;
• Imaging di dati CSEM;
• Inversione di dati AEM time-domain.

Fig. 1. Analisi di profondità su diapiri nel bacino di Nordkapp tramite il metodo DEXP (Fedi & Pilkington, 2012) applicato a dati magnetici (Fedi, Florio e Paoletti, 2014).

Fig. 2. Interpretazione dell’anomalia gravimetrica dell’area Vulcanica Campana. In alto: campo gravimetrico. In basso: immagine DEXP delle sorgenti delle anomalie (Fedi et al., 2018

Fig. 3. Confronto tra i risultati ottenuti dagli algoritmi K-mean e SOM su tre set di dati geofisici acquisiti nel cratere Solfatara (a sinistra) e i dati originali di riflessione sismica e tomografia elettrica (a destra). Spiegazioni sui simboli. F: faglia/frattura (evidenziata anche da frecce verticali); AZ: zona anomala; FA: accumulo di fluidi; IB: corpo intrusivo (Bernardinetti & Bruno, 2019).

Progetti

Progetto di ricerca DISTAR-ENI:

Sviluppo di tecniche di Machine Learning applicato a campi di potenziale.

Collaborazioni Nazionali:

- Istituto Nazionale di Geofisica e Vulcanologia (INGV), Sezioni di Catania, Roma e Napoli

- Università degli Studi della Calabria (UNICAL), Cosenza

- Università del Salento, Lecce

Centro di Geotecnologie, Università degli Studi di Siena, S. Giovanni Valdarno (Arezzo);

- C.N.R., IREA- Istituto per il Rilevamento Elettronico dell'Ambiente, Napoli

- C.N.R., ISMAR- Istituto DI Scienze Marine, Napoli

- ENI, San Donato Milanese, Milano

- Università degli Studi di Cagliari

Collaborazioni Internazionali:

- Comenius University in Bratislava, Slovacchia

 -University of the Witwatersrand, Johannesburg, Sud Africa

- South Valley University, Qena, Egitto

- Danish Technical University (DTU), Lyngby, Danimarca

- Geological Survey of Canada (GSC), Ottawa

- Institute of Sciences and High Technologies and Environmental Sciences, Kerman, Iran

- Getech, Leeds, UK

- National Geophysical Research Institute (NGRI), Hyderabad, India

- Aarhus University, Danimarca