Machine learning for seismic data analysis and processing

El aprendizaje automático está marcando el ritmo del avance del análisis de datos en muchos campos de la ciencia, la tecnología y la industria. En este contexto, el procesamiento y la inversión de datos sísmicos se abordan mediante estrategias que extraen la información relevante de los datos de for...

Descripción completa

Guardado en:

Detalles Bibliográficos
Autores principales:	Velis, Danilo Rubén, Gómez, Julián Luis, Gelpi, Gabriel Ricardo, Brunini García, Germán Ismael, Pérez, Daniel Omar, Sabbione, Juan Ignacio
Formato:	Articulo
Lenguaje:	Español
Publicado:	2022
Materias:	Geofísica Exploracion sismica Velocidades Redes neuronales Seismic exploration Velocities Neural networks
Acceso en línea:	http://sedici.unlp.edu.ar/handle/10915/151517
Aporte de:	SEDICI (UNLP) de Universidad Nacional de La Plata

id	I19-R120-10915-151517
record_format	dspace
spelling	I19-R120-10915-1515172023-04-14T20:02:40Z http://sedici.unlp.edu.ar/handle/10915/151517 issn:1852-7744 Machine learning for seismic data analysis and processing Velis, Danilo Rubén Gómez, Julián Luis Gelpi, Gabriel Ricardo Brunini García, Germán Ismael Pérez, Daniel Omar Sabbione, Juan Ignacio 2022 2023-04-14T18:56:49Z es Geofísica Exploracion sismica Velocidades Redes neuronales Seismic exploration Velocities Neural networks El aprendizaje automático está marcando el ritmo del avance del análisis de datos en muchos campos de la ciencia, la tecnología y la industria. En este contexto, el procesamiento y la inversión de datos sísmicos se abordan mediante estrategias que extraen la información relevante de los datos de forma casi automática. El “dictionary learning” y las Redes Neuronales son dos ejemplos comunes de algoritmos capaces de capturar las estructuras y patrones complejos incrustados en los datos e inferir o predecir cierta información de interés a partir de ellos. Utilizamos la técnica de “residual dictionary denoising” para atenuar la huella de adquisición en los datos sísmicos 3D. Además, demostramos algunos avances en el uso de una red neuronal profunda para invertir el tensor de momento sísmico en escenarios de monitorización de pozos. El aprendizaje automático también incluye técnicas de optimización global, como el recocido simulado y la evolución diferencial. Exploramos cómo estos dos algoritmos pueden automatizar procesos en la exploración sísmica, como el análisis de la velocidad y el “well-tying” que convencionalmente se hacen a mano y, por lo tanto, son susceptibles de la subjetividad y la experiencia del usuario. Machine learning is setting the pace in the advancement of data analysis in many fields of science, technology, and industry. In this context, seismic data processing and inversion are approached by strategies that extract the relevant information from the data almost automatically. Dictionary learning and neural networks are two common examples of algorithms capable of capturing the complex structures and patterns embedded in data and inferring or predicting certain information of interest from them. We use a residual dictionary denoising technique to attenuate the acquisition footprint in 3D seismic data. Besides, we demonstrate some progress in using a deep neural network to invert the seismic moment tensor in well-monitoring scenarios. Machine learning also includes global optimization techniques, such as simulated annealing and differential evolution. We explore how these two algorithms can automate processes in seismic exploration such as velocity analysis and well-tying, which are conventionally done by hand and are thus susceptible to user subjectivity and experience. Asociación Argentina de Geofísicos y Geodestas Articulo Articulo http://creativecommons.org/licenses/by-nc-sa/4.0/ Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0) application/pdf
institution	Universidad Nacional de La Plata
institution_str	I-19
repository_str	R-120
collection	SEDICI (UNLP)
language	Español
topic	Geofísica Exploracion sismica Velocidades Redes neuronales Seismic exploration Velocities Neural networks
spellingShingle	Geofísica Exploracion sismica Velocidades Redes neuronales Seismic exploration Velocities Neural networks Velis, Danilo Rubén Gómez, Julián Luis Gelpi, Gabriel Ricardo Brunini García, Germán Ismael Pérez, Daniel Omar Sabbione, Juan Ignacio Machine learning for seismic data analysis and processing
topic_facet	Geofísica Exploracion sismica Velocidades Redes neuronales Seismic exploration Velocities Neural networks
description	El aprendizaje automático está marcando el ritmo del avance del análisis de datos en muchos campos de la ciencia, la tecnología y la industria. En este contexto, el procesamiento y la inversión de datos sísmicos se abordan mediante estrategias que extraen la información relevante de los datos de forma casi automática. El “dictionary learning” y las Redes Neuronales son dos ejemplos comunes de algoritmos capaces de capturar las estructuras y patrones complejos incrustados en los datos e inferir o predecir cierta información de interés a partir de ellos. Utilizamos la técnica de “residual dictionary denoising” para atenuar la huella de adquisición en los datos sísmicos 3D. Además, demostramos algunos avances en el uso de una red neuronal profunda para invertir el tensor de momento sísmico en escenarios de monitorización de pozos. El aprendizaje automático también incluye técnicas de optimización global, como el recocido simulado y la evolución diferencial. Exploramos cómo estos dos algoritmos pueden automatizar procesos en la exploración sísmica, como el análisis de la velocidad y el “well-tying” que convencionalmente se hacen a mano y, por lo tanto, son susceptibles de la subjetividad y la experiencia del usuario.
format	Articulo Articulo
author	Velis, Danilo Rubén Gómez, Julián Luis Gelpi, Gabriel Ricardo Brunini García, Germán Ismael Pérez, Daniel Omar Sabbione, Juan Ignacio
author_facet	Velis, Danilo Rubén Gómez, Julián Luis Gelpi, Gabriel Ricardo Brunini García, Germán Ismael Pérez, Daniel Omar Sabbione, Juan Ignacio
author_sort	Velis, Danilo Rubén
title	Machine learning for seismic data analysis and processing
title_short	Machine learning for seismic data analysis and processing
title_full	Machine learning for seismic data analysis and processing
title_fullStr	Machine learning for seismic data analysis and processing
title_full_unstemmed	Machine learning for seismic data analysis and processing
title_sort	machine learning for seismic data analysis and processing
publishDate	2022
url	http://sedici.unlp.edu.ar/handle/10915/151517
work_keys_str_mv	AT velisdaniloruben machinelearningforseismicdataanalysisandprocessing AT gomezjulianluis machinelearningforseismicdataanalysisandprocessing AT gelpigabrielricardo machinelearningforseismicdataanalysisandprocessing AT bruninigarciagermanismael machinelearningforseismicdataanalysisandprocessing AT perezdanielomar machinelearningforseismicdataanalysisandprocessing AT sabbionejuanignacio machinelearningforseismicdataanalysisandprocessing
_version_	1765659977939156992

Machine learning for seismic data analysis and processing

Ejemplares similares