• JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
 
  Bookmark and Share
 
 
Disertación de Maestría
DOI
https://doi.org/10.11606/D.14.2022.tde-07072022-101006
Documento
Autor
Nombre completo
Maurilio Ferreira Salgado
Dirección Electrónica
Instituto/Escuela/Facultad
Área de Conocimiento
Fecha de Defensa
Publicación
São Paulo, 2022
Director
Tribunal
Chaves, Carlos Alberto Moreno (Presidente)
Dias, Bruno Pereira
Schleicher, Joerg Dietrich Wilhelm
Título en portugués
Redes neurais convolucionais como ferramenta de interpolação de dados sísmicos
Palabras clave en portugués
GANs
Interpolação Sísmica
Redes Neurais convolucionais
Resumen en portugués
Redes neurais convolucionais estão com uso crescente na geofísica, destacadamente no imageamento sísmico. As aplicações variam desde classificação de fácies, segmentação, interpretação automática de falhas e horizontes a melhoria da resolução sísmica, filtragem de ruídos, reconstrução de dados, dentre outras. Neste trabalho usamos redes neurais convolucionais profundas, treinadas de forma competitiva Generative Adversarial Networks - GANs), para fazer a interpolação de dados sísmicos migrados e empilhados, que possuem lacunas geradas por obstrução durante o processo de aquisição sísmica. Esse é um problema recorrente em aquisições do tipo cabo rebocado (towed streamer), que afeta dados antigos e novos e prejudica a interpretação sísmica da área afetada. Dessa forma, avaliamos modelos treinados com quatro métricas distintas, além da norma L1, que constitui parte da função objetivo da rede neural. Os dados da área afetada foram reconstruídos, mantendo a coerência entre as linhas adjacentes das imagens reconstruídas, sendo que essa análise da coerência não foi encontrada na literatura. Os resultados obtidos nesta dissertação foram melhores do que os obtidos com o método tradicional de interpolação, com funções de predição de erro (PEFs) em todas as métricas de avaliação, sendo que o coeficiente de correlação de Pearson médio entre as imagens interpoladas e as imagens originais, para uma lacuna centralizada com largura fixa de 124x256, foi de 0,65, para o nosso método, e de 0,35, para o método de PEFs. Ao compararmos a mesma métrica com resultados previamente publicados na literatura, tivemos uma correlação média de 0,68 para uma lacuna que perfazia 48,4% da imagem, enquanto que o resultado da literatura possui uma correlação média de 0,49 para uma lacuna de 30% da imagem.
Título en inglés
Convolutional Neural Networks as a Tool for Seismic Data Interpolation
Palabras clave en inglés
Convolutional Neural Networks
GANs
Seismic Interpolation
Resumen en inglés
Convolutional neural networks are increasingly used in geophysics, especially in seismic imaging. Applications range from facies classification, segmentation, automatic fault interpretation, and horizons to improved seismic resolution, noise filtering, data reconstruction, among others. This work uses deep convolutional neural networks, trained in an adversarial way (Generative Adversarial Networks - GANs), to interpolate a migrated and stacked seismic data, which has gaps generated by obstruction during the seismic acquisition process. This is a recurring problem in acquisitions of towed streamer types, which affects old and new data and impairs seismic interpretation of the affected area. We evaluate the trained models with four distinct metrics besides the L1 norm, which is part of the objective function of the neural network. We are able to reconstruct the data in the affected area, maintaining the coherence between the adjacent lines in the reconstructed images, and this analysis of coherence was not found in the literature. The results obtained in this dissertation are better than the traditional interpolation method of prediction error functions (PEFs) in all evaluation metrics, and the average Pearson correlation coefficient between interpolated images and original images, for a centralized rectangular gap with a fixed width of 124x256, is 0.65, for our method, and 0.35, for the PEFs method. Comparing the same metric with previously published results, we have an average correlation of 0.68, for a gap that made up 48.4% of the image, while the literature result has an average correlation of 0.49, for a gap of 30% of the image.
 
ADVERTENCIA - La consulta de este documento queda condicionada a la aceptación de las siguientes condiciones de uso:
Este documento es únicamente para usos privados enmarcados en actividades de investigación y docencia. No se autoriza su reproducción con finalidades de lucro. Esta reserva de derechos afecta tanto los datos del documento como a sus contenidos. En la utilización o cita de partes del documento es obligado indicar el nombre de la persona autora.
Fecha de Publicación
2022-07-07
 
ADVERTENCIA: Aprenda que son los trabajos derivados haciendo clic aquí.
Todos los derechos de la tesis/disertación pertenecen a los autores
CeTI-SC/STI
Biblioteca Digital de Tesis y Disertaciones de la USP. Copyright © 2001-2024. Todos los derechos reservados.