ALBERT

Description: . The usage of graphics processing units is already known as an alternative to traditional multi-core CPU processing, offering faster performance in the order of dozens of times in parallel tasks. Another new computing paradigm is cloud computing usage as a replacement to traditional in-house clusters, enabling seemingly unlimited computation power, no maintenance costs, and cutting-edge technology, dynamically on user demand. Previously those two tools were used to accelerate the estimation of Common Reflection Surface (CRS) traveltime parameters, both in zero-offset and finite-offset domain, delivering very satisfactory results with large time savings from GPU devices alongside cost savings on the cloud. This work extends those results by using GPUs on the cloud to accelerate the Offset Continuation Trajectory (OCT) traveltime parameter estimation. The results have shown that the time and cost savings from GPU devices’ usage are even larger than those seen in the CRS results, being up to fifty times faster and sixty times cheaper. This analysis reaffirms that it is possible to save both time and money when using GPU devices on the cloud and concludes that the larger the data sets are and the more computationally intensive the traveltime operators are, we can see larger improvements.Keywords: cloud computing, GPU, seismic processing. Estendendo o uso de placas gráficas na nuvem para economias em regularização de dados sísmicosRESUMO. O uso de aceleradores gráficos para processamento já é uma alternativa conhecida ao uso de CPUs multi-cores, oferecendo um desempenho na ordem de dezenas de vezes mais rápido em tarefas paralelas. Outro novo paradigma de computação é o uso da nuvem computacional como substituta para os tradicionais clusters internos, possibilitando o uso de um poder computacional aparentemente infinito sem custo de manutenção e com tecnologia de ponta, dinamicamente sob demanda de usuário. Anteriormente essas duas ferramentas foram utilizadas para acelerar a estimação de parâmetros do tempo de trânsito de Common Reflection Surface (CRS), tanto em zero-offset quanto em offsets finitos, obtendo resultados satisfatórios com amplas economias tanto de tempo quanto de dinheiro na nuvem. Este trabalho estende os resultados obtidos anteriormente, desta vez utilizando GPUs na nuvem para acelerar a estimação de parâmetros do tempo de trânsito em Offset Continuation Trajectory (OCT). Os resultados obtidos mostraram que as economias de tempo e dinheiro foram ainda maiores do que aquelas obtidas no CRS, sendo até cinquenta vezes mais rápido e sessenta vezes mais barato. Esta análise reafirma que é possível economizar tanto tempo quanto dinheiro usando GPUs na nuvem, e conclui que quanto maior for o dado e quanto mais computacionalmente intenso for o operador, maiores serão os ganhos de desempenho observados e economias.Palavras-chave: computação em nuvem, GPU, processamento sísmico. 

Description: . The Pantanal basin seismic zone has experienced earthquakes with magnitudes up to 5.4 mb. New information on historical events was searched for in regional newspapers, especially the "Correio do Estado", Campo Grande, Mato Grosso do Sul State, Brazil. Several small new events, not previously reported in the Catalog of Berrocal et al. (1984), were discovered.  Five events had new macroseismic information from different localities allowing magnitudes to be estimated from the felt area. Ten new events were also discovered, each one felt in a single locality. The event of 1906-Oct-24, with previous magnitude 4.2, was felt in a larger area indicating magnitude 4.9 mb. The large event of 1919-June-01, reported in the Catalog with 4.9 mb, was false, and had resulted from joining a local tremor probably due to a meteorite fall in Santa Luzia (GO) with wrong interpretation of records of the RDJ station, Rio de Janeiro, as if they were from the same event in Mato Grosso. The revised catalog for the West-Central Brazil, compared with geophysical maps, shows that earthquakes occur in areas of low velocities in the upper mantle, as well as in areas of positive gravity free-air anomalies. Stress concentration in the upper crust can be explained as due to both lithospheric thinning and flexure.keywords: historical seismicity, Pantanal, macroseismic information. Revisão da Sismicidade História do Centro-Oeste do Brasil: Novos Sismos Recém Descobertos e Implicações para Ameaça Sísmica RESUMO. A zona sísmica da bacia do Pantanal tem sismos até 5,4 mb. Informações mais detalhadas sobre eventos históricos foram pesquisadas em jornais regionais, especialmente o "Correio do Estado", Campo Grande, Mato Grosso do Sul. Vários pequenos eventos novos foram descobertos que não constavam do Catálogo anterior de Berrocal et al. (1984). Cinco eventos tiveram novas informações macrossísmicas de diferentes localidades, permitindo estimar magnitudes pela área afetada. Foram descobertos dez novos eventos, cada um com informações de uma única localidade. O evento de 24-Out-1906, com magnitude anterior 4,2, foi sentido em uma área maior, indicando magnitude de 4,9 mb. Já o grande evento de 01-Jun-1919, relatado no Catálogo com magnitude 4,9 mb, era falso, sendo resultado da junção de um tremor local, possivelmente devido à queda de um meteorito em Santa Luzia (GO), com interpretação errada dos registros da estação RDJ (Rio de Janeiro), como se fossem provenientes de um único evento em Mato Grosso. O catálogo revisado para a região Centro-Oeste do Brasil, comparado com mapas geofísicos, mostra que os sismos ocorrem em áreas de baixas velocidades no manto superior, bem como em áreas de anomalias ar-livre positivas. A concentração de tensões na crosta superior pode ser explicada tanto por afinamento litosférico, como por flexura.palavras-chave: sismicidade histórica; Pantanal, informação macrossísmica.

Description: This study investigates the use of neural networks for data assimilation of local data in the WRF model in Rio de Janeiro, Brazil. Surface and upper-air data (air temperature, relative humidity and wind speed and direction) from airport stations and 6-hour forecast from WRF are used as input for the model and the 3D-Var analysis for each grid point is used as target variable. Periods of 168h from 2014 and 2015 are used with 6h and 12h assimilation cycles for surface and upper-air data, respectively. The neural network model was built using the Multi-Particle Collision Algorithm (MPCA) where different topologies are tested until the optimum solution is found. Results show that the neural network is able to emulate the 3D-Var with root mean squared error (standard deviation), respectively, of 0.31 K (0.37 K), 3.10% (4.04%), 0.63 ms-1 (1.05 ms-1), 1.10 ms-1 (1.56 ms-1) for air temperature, relative humidity, u-component of the wind and v-component of the wind. Also, the results show the neural network method is able to run 71 times faster than the conventional method under similar hardware configurations.RESUMOEste estudo investiga o uso de redes neurais para assimilação de dados locais no modelo WRF no Rio de Janeiro. Dados de superfície e do ar superior (temperatura do ar, umidade relativa e velocidade e direção do vento) das estações do aeroporto e previsão de 6 horas do WRF são usados como entrada para o modelo, e a análise 3D-Var para cada ponto da grade é usada como variável destino. Períodos de 168h de 2014 e 2015 são utilizados com ciclos de assimilação de 6h e 12h para dados de superfície e do ar superior, respectivamente. O modelo de rede neural foi construído usando o algoritmo de colisão de partículas múltiplas (MPCA), onde diferentes topologias são testadas até que a solução ideal seja encontrada. Os resultados mostram que a rede neural é capaz de emular o 3D-Var com raiz do erro quadrático médio (desvio padrão) de 0,31 K (0,37 K), 3,10% (4,04%), 0,63 ms -1 (1,05 ms-1), 1,10 ms-1 (1,56 ms-1) para temperatura do ar, umidade relativa, componente u do vento e componente v do vento. Além disso, os resultados mostram que o método de rede neural é capaz de rodar 71 vezes mais rápido que o método convencional em configurações de hardware semelhantes.

Description: Reverse time migration (RTM) is one of the most powerful methods used to generate images of the subsurface. The RTM was proposed in the early 1980s, but only recently it has been routinely used in exploratory projects involving complex geology – Brazilian pre-salt, for example. Because the method uses the two-way wave equation, RTM is able to correctly image any kind of geological environment (simple or complex), including those with anisotropy. On the other hand, RTM is computationally expensive and requires the use of computer clusters. This paper proposes to investigate the influence of anisotropy on seismic imaging through the application of RTM for tilted transversely isotropic (TTI) media in pre-stack synthetic data. This work presents in detail how to implement RTM for TTI media, addressing the main issues and specific details, e.g., the computational resources required. A couple of simple models results are presented, including the application to a BP TTI 2007 benchmark model.Keywords: finite differences, wave numerical modeling, seismic anisotropy. Migração reversa no tempo em meios transversalmente isotrópicos inclinadosRESUMOA migração reversa no tempo (RTM) é um dos mais poderosos métodos utilizados para gerar imagens da subsuperfície. A RTM foi proposta no início da década de 80, mas apenas recentemente tem sido rotineiramente utilizada em projetos exploratórios envolvendo geologia complexa, em especial no pré-sal brasileiro. Por ser um método que utiliza a equação completa da onda, qualquer configuração do meio geológico pode ser corretamente tratada, em especial na presença de anisotropia. Por outro lado, a RTM é dispendiosa computacionalmente e requer o uso de clusters de computadores por parte da indústria. Este artigo apresenta em detalhes uma implementação da RTM para meios transversalmente isotrópicos inclinados (TTI), abordando as principais dificuldades na sua implementação, além dos recursos computacionais exigidos. O algoritmo desenvolvido é aplicado a casos simples e a um benchmark padrão, conhecido como BP TTI 2007.Palavras-chave: diferenças finitas, modelagem numérica de ondas, anisotropia sísmica.

Description: This study investigates the use of neural networks for data assimilation of local data in the WRF model in Rio de Janeiro, Brazil. Surface and upper-air data (air temperature, relative humidity and wind speed and direction) from airport stations and 6-hour forecast from WRF are used as input for the model and the 3D-Var analysis for each grid point is used as target variable. Periods of 168h from 2014 and 2015 are used with 6h and 12h assimilation cycles for surface and upper-air data, respectively. The neural network model was built using the Multi-Particle Collision Algorithm (MPCA) where different topologies are tested until the optimum solution is found. Results show that the neural network is able to emulate the 3D-Var with root mean squared error (standard deviation), respectively, of 0.31 K (0.37 K), 3.10% (4.04%), 0.63 ms-1 (1.05 ms-1), 1.10 ms-1 (1.56 ms-1) for air temperature, relative humidity, u-component of the wind and v-component of the wind. Also, the results show the neural network method is able to run 71 times faster than the conventional method under similar hardware configurations. Redes Neurais Artificiais para Assimilação de Dados no Modelo WRF no Rio de Janeiro, BrazilRESUMOEste estudo investiga o uso de redes neurais para assimilação de dados locais no modelo WRF no Rio de Janeiro. Dados de superfície e do ar superior (temperatura do ar, umidade relativa e velocidade e direção do vento) das estações do aeroporto e previsão de 6 horas do WRF são usados como entrada para o modelo, e a análise 3D-Var para cada ponto da grade é usada como variável destino. Períodos de 168h de 2014 e 2015 são utilizados com ciclos de assimilação de 6h e 12h para dados de superfície e do ar superior, respectivamente. O modelo de rede neural foi construído usando o algoritmo de colisão de partículas múltiplas (MPCA), onde diferentes topologias são testadas até que a solução ideal seja encontrada. Os resultados mostram que a rede neural é capaz de emular o 3D-Var com raiz do erro quadrático médio (desvio padrão) de 0,31 K (0,37 K), 3,10% (4,04%), 0,63 ms -1 (1,05 ms -1), 1,10 ms -1 (1,56 ms -1) para temperatura do ar, umidade relativa, componente u do vento e componente v do vento. Além disso, os resultados mostram que o método de rede neural é capaz de rodar 71 vezes mais rápido que o método convencional em configurações de hardware semelhantes.

Description: This study investigates the use of neural networks for data assimilation of local data in the WRF model in Rio de Janeiro, Brazil. Surface and upper-air data (air temperature, relative humidity and wind speed and direction) from airport stations and 6-hour forecast from WRF are used as input for the model and the 3D-Var analysis for each grid point is used as target variable. Periods of 168h from 2014 and 2015 are used with 6h and 12h assimilation cycles for surface and upper-air data, respectively. The neural network model was built using the Multi-Particle Collision Algorithm (MPCA) where different topologies are tested until the optimum solution is found. Results show that the neural network is able to emulate the 3D-Var with root mean squared error (standard deviation), respectively, of 0.31 K (0.37 K), 3.10% (4.04%), 0.63 ms-1 (1.05 ms-1), 1.10 ms-1 (1.56 ms-1) for air temperature, relative humidity, u-component of the wind and v-component of the wind. Also, the results show the neural network method is able to run 71 times faster than the conventional method under similar hardware configurations. Redes Neurais Artificiais para Assimilação de Dados no Modelo WRF no Rio de Janeiro, BrazilRESUMOEste estudo investiga o uso de redes neurais para assimilação de dados locais no modelo WRF no Rio de Janeiro. Dados de superfície e do ar superior (temperatura do ar, umidade relativa e velocidade e direção do vento) das estações do aeroporto e previsão de 6 horas do WRF são usados como entrada para o modelo, e a análise 3D-Var para cada ponto da grade é usada como variável destino. Períodos de 168h de 2014 e 2015 são utilizados com ciclos de assimilação de 6h e 12h para dados de superfície e do ar superior, respectivamente. O modelo de rede neural foi construído usando o algoritmo de colisão de partículas múltiplas (MPCA), onde diferentes topologias são testadas até que a solução ideal seja encontrada. Os resultados mostram que a rede neural é capaz de emular o 3D-Var com raiz do erro quadrático médio (desvio padrão) de 0,31 K (0,37 K), 3,10% (4,04%), 0,63 ms -1 (1,05 ms -1), 1,10 ms -1 (1,56 ms -1) para temperatura do ar, umidade relativa, componente u do vento e componente v do vento. Além disso, os resultados mostram que o método de rede neural é capaz de rodar 71 vezes mais rápido que o método convencional em configurações de hardware semelhantes.