CÁLCULO DE LOS TIEMPOS DE VIAJE DE PRIMEROS ARRIBOS PARTÍCIPES EN EL PROCESO DE TOMOGRAFÍA SÍSMICA DE ONDA CONVERTIDA PS SOBRE UN MODELO ESPACIAL USANDO REDES NEURONALES

Meza Montañez, Maria Alejandra; Madero Jiménez, Fernando Javier; Sandoval León, Cristhian Alberto

CÁLCULO DE LOS TIEMPOS DE VIAJE DE PRIMEROS ARRIBOS PARTÍCIPES EN EL PROCESO DE TOMOGRAFÍA SÍSMICA DE ONDA CONVERTIDA PS SOBRE UN MODELO ESPACIAL USANDO REDES NEURONALES

dc.contributor.advisor	Niño Niño, Carlos Andrés
dc.contributor.advisor	Duarte Gualdrón, Cesar Antonio
dc.contributor.author	Meza Montañez, Maria Alejandra
dc.contributor.author	Madero Jiménez, Fernando Javier
dc.contributor.author	Sandoval León, Cristhian Alberto
dc.contributor.evaluator	Serrano Luna, Jheyston Omar
dc.contributor.evaluator	Ramírez Silva, Ana Beatríz
dc.date.accessioned	2023-11-14T17:36:57Z
dc.date.available	2023-11-14T17:36:57Z
dc.date.created	2023-11-08
dc.date.issued	2023-11-08
dc.description.abstract	En el proceso de tomografía sísmica, aprovechamos el reciente auge en el campo de la inteligencia artificial y sus capacidades para resolver problemas complejos utilizando derivadas parciales, especialmente en el contexto geofísico para simulaciones basadas en física. Proponemos Eiko 4P-S, un enfoque que permite calcular los tiempos de viaje de los primeros arribos de las ondas P, PP y PS sobre modelos espaciales con diferentes formas de reflector y estructuras de velocidades homogéneas. Para lograrlo, se interconectaron tres redes neuronales, que calcula los tiempos desde una fuente de onda P, hacia cualquier punto sobre o por encima del reflector, posteriormente de un postprocesamiento de los datos predichos se reconstruyó la matriz de tamaño 79 × 79 píxeles que representa un espacio de 2 km de ancho por 2 km de profundidad. Se aplicó un procedimiento similar para las redes de tiempos PP y PS, pero esta vez, la fuente está representada como los tiempos P en la posición del reflector y los receptores son todos los puntos sobre el reflector hasta la superficie gamma (Γ). Las solución propuesta para estimar los tiempos de viaje violan los principios de la ecuación diferencial (J. D. Smith et al., 2021). Cuando una ecuación diferencial es resuelta, se buscan soluciones que satisfagan exactamente la ecuación. Sin embargo, en el aprendizaje profundo, se permite que las soluciones propuestas no cumplan exactamente con la ecuación, convirtiéndolo en un problema de optimización con el objetivo de encontrar parámetros que minimicen el grado en el que esta ecuación se ve afectada. Se aprovechó la capacidad de diferenciación de la red para encontrar gradientes, los cuales son utilizados para ajustar los pesos y sesgos con el fin de minimizar la función de pérdida, evitando el uso de métodos de diferenciación finita. Tanto el entrenamiento como la inferencia se llevaron a cabo mediante cómputo altamente paralelizable, utilizando GPU. Además, se sometió Eiko 4P-S a rigurosas pruebas variando los modelos de velocidad y reflector, demostrando su versatilidad y robustez. Eiko 4P-S elimina la necesidad de crear modelos de reflector utilizando el enfoque de level set con ϕ = 0 después del entrenamiento. Esto conlleva una notable reducción en el tiempo total para calcular los tiempos, al evitar el ajuste de contorno y su correspondiente tiempo de procesamiento. No obstante, en términos de procesamiento, una vez que el modelo analítico tiene los parámetros geométricos necesarios para calcular los tiempos, se ha observado que la solución analítica (C.A.Niño et al., 2022) supera a Eiko 4P-S en tiempos de cálculo durante esta etapa, siendo de 3 a 6 veces más rápida. Este enfoque representa un avance significativo en el problema directo de la tomografía sísmica, abriendo nuevas posibilidades para su implementación, mejora y abordaje. Se propone que el algoritmo podría mejorar aún más mediante la adopción de un enfoque de muestreo en espacios de igual dimensión pero con mayor resolución en las distancias entre píxeles.
dc.description.abstractenglish	In the process of seismic tomography, we leverage the recent boom in the field of artificial intelligence and its capabilities to solve complex problems using partial derivatives, especially in the geophysical context for physics-based simulations. We propose Eiko 4P-S, an approach that allows calculating the travel times of the first arrivals of P, PP, and PS waves over spatial models with different reflector shapes and homogeneous velocity structures. To achieve this, three neural networks were interconnected, calculating the times from a P-wave source to any point above or on the reflector. After post-processing the predicted data, the matrix of size 79×79 pixels representing a 2×2 space was reconstructed, depicting depth. A similar procedure was applied to the PP and PS time networks, but this time, the source is represented as P times at the reflector’s position, and the receivers are all points on the reflector up to the gamma (Γ) surface. The proposed solution to estimate travel times violates the principles of the differential equation (J. D. Smith et al., 2021). When a differential equation is solved, solutions that exactly satisfy the equation are sought. However, in deep learning, it is allowed for proposed solutions not to exactly fulfill the equation, turning it into an optimization problem aimed at finding parameters that minimize the degree to which this equation is affected. The network’s differentiation capability was leveraged to find gradients, which are used to adjust weights and biases to minimize the loss function, avoiding the use of finite difference methods. Both training and inference were conducted through highly parallelizable computing, utilizing GPU. Furthermore, Eiko 4P-S underwent rigorous testing by varying velocity and reflector models, demonstrating its versatility and robustness. Eiko 4P-S eliminates the need to create reflector models using the level set approach with ϕ = 0 after training. This results in a significant reduction in the total time for calculating travel times by avoiding contour adjustments and their corresponding processing time. However, in terms of processing, once the analytical model has the necessary geometric parameters to calculate travel times, it has been observed that the analytical solution (C.A.Niño et al., 2022) outperforms EIKO4P-S in computation times during this stage, being 3 to 6 times faster. This approach represents a significant advancement in the direct problem of seismic tomography, opening new possibilities for its implementation, improvement, and approach. It is suggested that the algorithm could be further enhanced by adopting a sampling approach in spaces of equal dimension but with higher resolution in pixel distances.
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/20.500.14071/15326
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	Atribución-NoComercial-SinDerivadas 2.5 Colombia (CC BY-NC-ND 2.5 CO)
dc.rights.uri	http://creativecommons.org/licenses/by-nc-nd/4.0/
dc.subject	Ecuación Eikonal
dc.subject	Tiempos de ondas PP-PS
dc.subject	Reflector
dc.subject	Inteligencia artificial
dc.subject	Redes neuronales
dc.subject.keyword	Eikonal equation
dc.subject.keyword	Reflector
dc.subject.keyword	PP-PS wavetimes
dc.subject.keyword	Artificial intelligence
dc.subject.keyword	Neural networks
dc.title	CÁLCULO DE LOS TIEMPOS DE VIAJE DE PRIMEROS ARRIBOS PARTÍCIPES EN EL PROCESO DE TOMOGRAFÍA SÍSMICA DE ONDA CONVERTIDA PS SOBRE UN MODELO ESPACIAL USANDO REDES NEURONALES
dc.title.english	CALCULATION OF FIRST ARRIVAL TRAVEL TIMES PARTICIPATING IN THE PS CONVERTED WAVE SEISMIC TOMOGRAPHY PROCESS ON A SPACE MODEL USING NEURAL NETWORKS
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