Aprendizaje supervisado y guiado por modelos generativos para la atenuación de ruido y corrección de daños estructurales en imágenes sísmicas post-apilado
No Thumbnail Available
Date
2024-08-26
Authors
Journal Title
Journal ISSN
Volume Title
Publisher
Universidad Industrial de Santander
Abstract
La adquisición de datos fiables del subsuelo es fundamental para la toma de decisiones en la exploración de materias primas como hidrocarburos, geotermia, depósitos minerales, y otros. Estos datos se usan para construir representaciones gráficas de las estructuras del subsuelo conocidas como imágenes sísmicas, mediante las que se pueden realizar interpretaciones y determinar áreas atractivas para la exploración. Debido a la naturaleza de la adquisición, las imágenes se ven afectadas por ruido o daños estructurales, lo cual disminuye su calidad, aumentando la dificultad de la interpretación sísmica. Estos daños han sido clasificados en dos tipos: aleatorio, relacionado con variables ambientales como el viento que no afectan directamente la señal; y coherente, que se relaciona con las fuentes de adquisición y afecta la señal directamente. Existen métodos que buscan solucionar este problema, por ejemplo, algunos enfoques tradicionales basados en el filtro de mediana o filtro pasa banda, y otros basados en aprendizaje profundo. Los métodos de la literatura requieren que el ruido siga una distribución específica como la gaussiana o Poisson que no representan la complejidad del ruido sísmico. Por otro lado, los basados en aprendizaje profundo suelen enfocarse en daños ya caracterizados como el ground roll, y aunque son eficientes en la tarea, si la imagen es distante del dominio usado para el entrenamiento, el rendimiento se ve reducido, afectando la capacidad de generalización. Por lo tanto, en este trabajo se presenta un esquema de atenuación que no depende de distribuciones específicas de ruido y añade variabilidad al dominio de entrenamiento aumentando la capacidad de generalización mediante aprendizaje supervisado y guiado por modelos generativos. El método consiste en una base de datos dinámica compuesta por un modelo generativo y un operador de degradación, que guía el entrenamiento de una red (attention U-net) encargada de la tarea de atenuación mediante la creación de los datos de entrada y las etiquetas, además, para los casos en que la red no puede atenuar satisfactoriamente, el operador puede adaptar el dominio de nuevo ruido a través de transferencia de estilo.