Metodología basada en aprendizaje profundo para el diseño de geometrías de adquisición sísmica 2D guiada por la inversión de onda completa

Abstract

El objetivo principal del diseño de geometrías de adquisición sísmica es iluminar el subsuelo para identificar posibles reservorios de energía. Los métodos tradicionales de diseño de adquisición incluyen patrones uniformes, aleatorios y jittered. Los patrones uniformes pueden resultar poco prácticos debido a limitaciones físicas y operacionales, mientras que los patrones irregulares pueden introducir ruido incoherente en los datos debido al aliasing. Los métodos basados en aprendizaje profundo se han enfocado principalmente en estrategias guiadas por datos, regularizadas mediante la reconstrucción de la señal sísmica, con el propósito de diseñar patrones submuestreados. Sin embargo, estos enfoques frecuentemente no consideran el desempeño de la iluminación del subsuelo, especialmente en ambientes geológicos complejos. En este trabajo se introduce ISPO (Imaging-guided Seismic Pattern Optimization), un enfoque novedoso basado en aprendizaje profundo para la optimización de geometrías de adquisición sísmica. ISPO requiere un modelo de velocidades de referencia, a partir del cual un operador de modelamiento directo genera registros de disparos sísmicos. Posteriormente, un modelo probabilístico de difusión basado en aprendizaje profundo produce perturbaciones del modelo de velocidades que son estructuralmente diversas y geológicamente consistentes. Estas perturbaciones se emplean para entrenar un operador de iluminación o imaging que mapea registros sísmicos hacia modelos de velocidad. El objetivo consiste en optimizar las posiciones de receptores y/o fuentes mediante una capa binaria entrenable, guiada por la calidad de reconstrucción de los modelos de velocidad obtenidos a partir del patrón optimizado, permitiendo simultáneamente el submuestreo de la geometría de adquisición. ISPO fue evaluado en tres escenarios de adquisición: optimización únicamente de receptores, únicamente de fuentes y submuestreo simultáneo de ambos. Los resultados muestran que ISPO supera consistentemente tanto a metodologías clásicas como a enfoques basados en aprendizaje profundo, incluyendo diseños uniformes, jittered, aleatorios y métodos guiados por reconstrucción de datos sísmicos. El método presenta un desempeño superior en métricas como SSIM, MSE y métricas perceptuales, preservando al mismo tiempo las principales estructuras geológicas del subsuelo.