Sistema basado en redes neuronales generativas adversarias (GAN) para la obtención de sismogramas acústicos a partir de sismogramas elásticos

Ramírez Gómez, Danilo

Sistema basado en redes neuronales generativas adversarias (GAN) para la obtención de sismogramas acústicos a partir de sismogramas elásticos

dc.contributor.advisor	Abreo Carrillo, Sergio Alberto
dc.contributor.advisor	Reyes Torres, Óscar Mauricio
dc.contributor.author	Ramírez Gómez, Danilo
dc.contributor.evaluator	Ramírez Silva, Ana Beatriz
dc.contributor.evaluator	Salamanca Becerra, William Alexander
dc.date.accessioned	2022-04-08T13:40:53Z
dc.date.available	2022-04-08T13:40:53Z
dc.date.created	2022-04-01
dc.date.embargoEnd	2024-04-01
dc.date.issued	2022-04-01
dc.description.abstract	El experimento sísmico se puede definir como el registro de la propagación de ondas sísmicas generadas de forma artificial a través de un medio, que luego pasan a ser registradas en geófonos; las ondas registradas, también conocidas como trazas sísmicas, contienen algunas características del subsuelo como densidad, velocidad, anisotropía, entre otras (Krohn, 1984). Así mismo, este experimento se puede recrear de forma sintética empleando la ecuación de onda para modelar la propagación de la perturbación generada por la fuente y su interacción con el subsuelo, hasta obtener las correspondientes trazas sísmicas (Stein y Wysession, 2009). Debido a que el subsuelo es un medio elástico, las trazas obtenidas del experimento sísmico son esencialmente el resultado de la propagación de ondas elásticas; sin embargo, en muchos casos se desea observar sólo los eventos acústicos, ya que éstos han sido la base para la interpretación de sismogramas (Yilmaz, 2001). Considerando lo anterior, este trabajo de investigación trata sobre la eliminación de algunos eventos elásticos (por ejemplo, fenómenos superficiales elásticos y ruido ground roll) presentes en ondas sísmicas generadas sintéticamente mediante una ecuación de onda elástica (traza elástica), transformándolas a su versión acústica por medio de una red neuronal. Para ello se hizo la implementación de una red neuronal generativa adversaria (GAN) 1-D, adoptando una estrategia de entrenamiento diferencial de las redes discriminadora (D) y generadora (G) G) (Goodfellow et al.,2014), con el fin de de que D sea capaz de aprender y ser selectivo con el conjunto de datos reales para que luego G pueda mejorar a través de la retropropagación del error (Gulrajani et al., 2017). El entrenamiento se hizo por lotes con el fin de optimizar el proceso de aprendizaje y se realizó una comparación del desempeño de la red en cuanto a dos formas de presentación de datos: presentación de datos de forma aleatoria y ordenada. Los criterios de selección fueron basados en la función de costo, métricas de rendimiento para la red discriminadora (D) y generadora (G), y finalmente la calidad de las trazas generadas por el generador de acuerdo a la métrica. El sistema definido está conformado por una topología de red U-Net para el modelo G, para D una red convolucional con conexiones densas que comprenden desde la salida de la ultima capa convolucional hasta la capa de salida y una arquitectura de entrenamiento condicional para el entrenamiento. El sistema propuesto tiene la capacidad de generar datos a nivel de trazas y sismogramas; a nivel de sismogramas se evidencia la reducción de algunos eventos del dominio elástico.
dc.description.abstractenglish	The interaction of an energy source with the subsurface layers generates wavefield propagations through the medium. And the geophones are devices in charge of recording the wavefronts that return to the surface (e.g., reflections, refractions, and diving waves). The recorded waves, known as seismic traces, contain information about some subsurface characteristics or events such as density, velocity, and anisotropy, among others (Krohn, 1984). The process described above is known as a seismic experiment. The synthetic version of a seismic experiment uses the wave equation and a source to model the wavefield propagation through a synthetic subsurface. And synthetic geophones to obtain the synthetic traces (Stein y Wysession, 2009). Traces from seismic experiments are a mixture of elastic and acoustic events. Therefore, the elastic wave equation allows better describing the physical phenomenon. However, in many cases, the acoustic events are the desired input of processing stages due to their use for physical characteristics extractions (Yilmaz, 2001). In the state-of-the-art, deep learning techniques have grown in their capabilities for processing and pattern recognition applications (Chang et al., 2018). Therefore, some neural networks allow the processing and interpretation of seismic data. Some examples are a scalable deep learning platform for identifying geologic features from seismic attributes (Huang et al., 2017) and generating velocity models for FWI from tomographic images using generative adversarial neural networks (GAN) (Arévalo, 2020). This work proposes a system-based GAN model to obtain acoustic seismograms from synthetic elastic seismograms. The system takes advantage of the spatial and temporal information of each trace together with the capacity of the GAN networks to produce patterns with the desired statistical characteristics (i.e., the acoustic seismograms). GAN networks evolve during training through an adversarial confrontation process, which involves two internal networks: the generator (G) and the discriminator (D). The network G extract features from the latent space to create the target data. In contrast, the network D estimates the probability to indicate whether the input data belongs to the desired dataset (Goodfellow et al., 2014). The proposed architecture uses a U-Net network topology for model G; and a convolutional network for model D. Both networks use conditional training. The proposed architecture generates data at the level of traces and seismograms. And there is a reduction of some elastic events on the acoustic signals created.
dc.description.degreelevel	Pregrado
dc.description.degreename	Ingeniero Electrónico
dc.format.mimetype	application/pdf
dc.identifier.instname	Universidad Industrial de Santander
dc.identifier.reponame	Universidad Industrial de Santander
dc.identifier.repourl	https://noesis.uis.edu.co
dc.identifier.uri	https://noesis.uis.edu.co/handle/20.500.14071/9804
dc.language.iso	spa
dc.publisher	Universidad Industrial de Santander
dc.publisher.faculty	Facultad de Ingeníerias Fisicomecánicas
dc.publisher.program	Ingeniería Electrónica
dc.publisher.school	Escuela de Ingenierías Eléctrica, Electrónica y Telecomunicaciones
dc.rights	info:eu-repo/semantics/openAccess
dc.rights.accessrights	info:eu-repo/semantics/openAccess
dc.rights.coar	http://purl.org/coar/access_right/c_abf2
dc.rights.creativecommons	Atribución-NoComercial-SinDerivadas 4.0 Internacional (CC BY-NC-ND 4.0)
dc.rights.license	Attribution-NonCommercial 4.0 International (CC BY-NC 4.0)
dc.rights.uri	http://creativecommons.org/licenses/by-nc-nd/4.0/
dc.subject	Redes Neuronales
dc.subject	Generative Adversarial Networks (GANs)
dc.subject	Sismogramas
dc.subject	Trazas Sísmicas
dc.subject.keyword	Neural Networks
dc.subject.keyword	Generative Adversarial Networks (GANs)
dc.subject.keyword	Seismograms
dc.subject.keyword	Seismic Traces
dc.title	Sistema basado en redes neuronales generativas adversarias (GAN) para la obtención de sismogramas acústicos a partir de sismogramas elásticos
dc.title.english	System based on generative adversarial neural networks (GAN) for obtaining acoustic seismograms from elastic seismograms
dc.type.coar	http://purl.org/coar/resource_type/c_7a1f
dc.type.hasversion	http://purl.org/coar/version/c_b1a7d7d4d402bcce
dc.type.local	Tesis/Trabajo de grado - Monografía - Pregrado
dspace.entity.type