Aprendizaje supervisado y guiado por modelos generativos para la atenuación de ruido y corrección de daños estructurales en imágenes sísmicas post-apilado

Torres Quintero, Javier Andrés

Aprendizaje supervisado y guiado por modelos generativos para la atenuación de ruido y corrección de daños estructurales en imágenes sísmicas post-apilado

dc.contributor.advisor	Arguello Fuentes, Henry
dc.contributor.advisor	Goyes Peñafiel, Yesid Paul
dc.contributor.author	Torres Quintero, Javier Andrés
dc.contributor.evaluator	Galvis Carreño, Laura Viviana
dc.contributor.evaluator	Correa Pugliese, Claudia Victoria
dc.date.accessioned	2024-08-27T16:19:03Z
dc.date.available	2024-08-27T16:19:03Z
dc.date.created	2024-08-26
dc.date.issued	2024-08-26
dc.description.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.
dc.description.abstractenglish	Reliable seismic data acquisition is a task of major relevance for subsurface exploration. This data is processed to obtain post-stack seismic images, which geologists can interpret to identify promising areas for the exploration of mineral deposits, hydrocarbons, and geothermal resources However, due to acquisition conditions, the data may be corrupted by noise, leading to less accurate interpretations. Seismic noise has been classified in two types, non-signal-dependent (random noise) and signal-dependent (coherent noise). To attenuate these types of seismic noise, multiple methods have been developed for example, traditional methods such as median and band-pass filtering and the state-of-the-art techniques that implement deep learning-based solutions. Nonetheless, the traditional methods assume specific noise distributions, such as Gaussian, Poisson or impulse, which are not representative of the complexity of seismic noise. On the other hand, Deep learning approaches are also often focused on the already characterized seismic noises like ground roll, even though they have proven to be successful in noise attenuation, their performance can decrease if the test data significantly deviates from the training domain, resulting in poor generalization. This work presents a scheme for seismic denoising that can learn new noisy patterns by adapting the domain from field noisy data, through guided and supervised learning by generative models. The scheme works by synthetizing clean post-stack images that in conjunction with a degradation operator, initially composed of 16 noise types as is shown in section 5.1, make a dynamic database used to train an attention U-net for data denoising. The proposed approach improves generalization by adding variability to the training data, ensuring the method is non-dependent on specific distributions. Experimental results with synthetic and field data have proven that the proposed method successfully attenuates complex noise patterns in post-stack seismic images.
dc.description.cvlac	https://scienti.minciencias.gov.co/cvlac/visualizador/generarCurriculoCv.do?cod_rh=0002161947
dc.description.degreelevel	Pregrado
dc.description.degreename	Ingeniero de Sistemas
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/20.500.14071/43919
dc.language.iso	spa
dc.publisher	Universidad Industrial de Santander
dc.publisher.faculty	Facultad de Ingeníerias Fisicomecánicas
dc.publisher.program	Ingeniería de Sistemas
dc.publisher.school	Escuela de Ingeniería de Sistemas e Informática
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.title	Aprendizaje supervisado y guiado por modelos generativos para la atenuación de ruido y corrección de daños estructurales en imágenes sísmicas post-apilado
dc.title.english	Guided and supervised learning by generative models in a seismic denoising scheme for post-stack seismic data
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