Detección automática de fallas geológicas en datos sísmicos utilizando aprendizaje profundo

En esta tesis se aplicó un algoritmo de segmentación para detectar fallas geológicas en datos sísmicos. El algoritmo pertenece a la familia del aprendizaje automático y utiliza una red neuronal de correlación en base a la arquitectura de codificación y decodificación, U-Net. Se trata de una arquite...

Descripción completa

Guardado en:
Detalles Bibliográficos
Autor principal: Corbetta, Felipe
Otros Autores: Gómez, Julián Luis
Formato: Tesis Tesis de grado
Lenguaje:Español
Publicado: 2023
Materias:
Geofísica
Deep Learning
Sísmica
Inteligencia artificial
Acceso en línea:http://sedici.unlp.edu.ar/handle/10915/160126
Aporte de:
SEDICI (UNLP) de Universidad Nacional de La Plata
id I19-R120-10915-160126
record_format dspace
spelling I19-R120-10915-1601262023-11-14T20:06:36Z http://sedici.unlp.edu.ar/handle/10915/160126 Detección automática de fallas geológicas en datos sísmicos utilizando aprendizaje profundo Corbetta, Felipe 2023-10-27 2023 2023-11-14T15:04:03Z Gómez, Julián Luis Camilion, Emilio es Geofísica Deep Learning Geofísica Sísmica Inteligencia artificial En esta tesis se aplicó un algoritmo de segmentación para detectar fallas geológicas en datos sísmicos. El algoritmo pertenece a la familia del aprendizaje automático y utiliza una red neuronal de correlación en base a la arquitectura de codificación y decodificación, U-Net. Se trata de una arquitectura de redes neuronales profundas comúnmente usada en aplicaciones de segmentación de imágenes de distintos origenes (medicina, biología, sísmica, etc.). U-Net se adaptó para analizar datos sísmicos y detectar fallas geológicas. El algoritmo se entrenó con datos sintéticos para luego usar en la detección de fallas en datos reales. El objetivo de esta tesis es probar una técnica de aprendizaje automatico en problemas geofísicos, modificar la red original y desglosarla para entender cómo funciona usando código libre (Python) y librerias como TensorFlow y Keras. En el capítulo 1 se determinaron los objetivos, el valor de las fallas para la sismica de reflexion y se hizo un raconto historico de métodos usados para detectarlas. Luego, en el capítulo 2, se describieron las operaciones básicas de estas redes y se profundizó en el concepto de U-Net. En los cápitulos siguientes 3 y 4 se mostró el proceso de entrenamiento en cubos sinteticos y detección en datos 3D reales. Por último, en el capítulo 5, se presentan conclusiónes y trabajos a futuro. Los resultados de esta tesis de grado confirman el potencial de las técnicas de aprendizaje automático para ser utilizadas en la detección de fallas geológicas en datos de campo 3D al demostrar que el algoritmo tiene un nivel de generalizacion muy alto acelerando el proceso con respecto a anteriores métodos. Pudiendo tener tambien importantes implicancias para la industria de la exploración de recursos naturales. La detección de fallas geológicas utilizando técnicas de aprendizaje automático, puede acelerar el proceso de exploración y reducir el riesgo de perforaciones fallidas. Como también puede ayudar a eliminar interpretaciones subjetivas del intérprete en fallas sutiles o poco definidas al ojo humano. Geofísico Universidad Nacional de La Plata Facultad de Ciencias Astronómicas y Geofísicas Tesis Tesis de grado http://creativecommons.org/licenses/by/4.0/ Creative Commons Attribution 4.0 International (CC BY 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
Deep Learning
Geofísica
Sísmica
Inteligencia artificial
spellingShingle Geofísica
Deep Learning
Geofísica
Sísmica
Inteligencia artificial
Corbetta, Felipe
Detección automática de fallas geológicas en datos sísmicos utilizando aprendizaje profundo
topic_facet Geofísica
Deep Learning
Geofísica
Sísmica
Inteligencia artificial
description En esta tesis se aplicó un algoritmo de segmentación para detectar fallas geológicas en datos sísmicos. El algoritmo pertenece a la familia del aprendizaje automático y utiliza una red neuronal de correlación en base a la arquitectura de codificación y decodificación, U-Net. Se trata de una arquitectura de redes neuronales profundas comúnmente usada en aplicaciones de segmentación de imágenes de distintos origenes (medicina, biología, sísmica, etc.). U-Net se adaptó para analizar datos sísmicos y detectar fallas geológicas. El algoritmo se entrenó con datos sintéticos para luego usar en la detección de fallas en datos reales. El objetivo de esta tesis es probar una técnica de aprendizaje automatico en problemas geofísicos, modificar la red original y desglosarla para entender cómo funciona usando código libre (Python) y librerias como TensorFlow y Keras. En el capítulo 1 se determinaron los objetivos, el valor de las fallas para la sismica de reflexion y se hizo un raconto historico de métodos usados para detectarlas. Luego, en el capítulo 2, se describieron las operaciones básicas de estas redes y se profundizó en el concepto de U-Net. En los cápitulos siguientes 3 y 4 se mostró el proceso de entrenamiento en cubos sinteticos y detección en datos 3D reales. Por último, en el capítulo 5, se presentan conclusiónes y trabajos a futuro. Los resultados de esta tesis de grado confirman el potencial de las técnicas de aprendizaje automático para ser utilizadas en la detección de fallas geológicas en datos de campo 3D al demostrar que el algoritmo tiene un nivel de generalizacion muy alto acelerando el proceso con respecto a anteriores métodos. Pudiendo tener tambien importantes implicancias para la industria de la exploración de recursos naturales. La detección de fallas geológicas utilizando técnicas de aprendizaje automático, puede acelerar el proceso de exploración y reducir el riesgo de perforaciones fallidas. Como también puede ayudar a eliminar interpretaciones subjetivas del intérprete en fallas sutiles o poco definidas al ojo humano.
author2 Gómez, Julián Luis
author_facet Gómez, Julián Luis
Corbetta, Felipe
format Tesis
Tesis de grado
author Corbetta, Felipe
author_sort Corbetta, Felipe
title Detección automática de fallas geológicas en datos sísmicos utilizando aprendizaje profundo
title_short Detección automática de fallas geológicas en datos sísmicos utilizando aprendizaje profundo
title_full Detección automática de fallas geológicas en datos sísmicos utilizando aprendizaje profundo
title_fullStr Detección automática de fallas geológicas en datos sísmicos utilizando aprendizaje profundo
title_full_unstemmed Detección automática de fallas geológicas en datos sísmicos utilizando aprendizaje profundo
title_sort detección automática de fallas geológicas en datos sísmicos utilizando aprendizaje profundo
publishDate 2023
url http://sedici.unlp.edu.ar/handle/10915/160126
work_keys_str_mv AT corbettafelipe deteccionautomaticadefallasgeologicasendatossismicosutilizandoaprendizajeprofundo
_version_ 1807221834136944640

Ejemplares similares