Algoritmo de reconstrucción de datos sísmicos adquiridos mediante geometrías compresivas usando un enfoque de aprendizaje profundo interno y externo

Rivera León, Sebastian

Algoritmo de reconstrucción de datos sísmicos adquiridos mediante geometrías compresivas usando un enfoque de aprendizaje profundo interno y externo

dc.contributor.advisor	Galvis Carrreño, Laura Viviana
dc.contributor.advisor	Arguello Fuentes, Henry
dc.contributor.advisor	Gélvez Barrera, Tatiana Carolina
dc.contributor.author	Rivera León, Sebastian
dc.contributor.evaluator	Guayacán Chaparro, Luís Carlos
dc.contributor.evaluator	Pertúz Arroyo, Said David
dc.date.accessioned	2023-03-01T16:03:42Z
dc.date.available	2023-03-01T16:03:42Z
dc.date.created	2023-03-01
dc.date.issued	2023-03-01
dc.description.abstract	La obtención de imágenes sísmicas requiere una configuración densa de receptores y fuentes para obtener datos interpretables de alta calidad para la exploración de hidrocarburos. Sin embargo, las condiciones económicas y medioambientales suelen limitar el número de fuentes empleadas en la adquisición. Los métodos actuales de adquisición de datos sísmicos se centran en reconstruir o interpolar computacionalmente las fuentes que faltan, reduciendo los costos. Sin embargo, la mayoría de los trabajos se basan en algoritmos de optimización, donde la calidad depende de la propia naturaleza del dato; o en el aprendizaje profundo, donde la disponibilidad limitada de datos de entrenamiento también limita el proceso de entrenamiento. Por lo tanto, en este trabajo se propone la integración de aprendizaje profundo interno y externo en las siguientes dos etapas: un paso de aprendizaje de una arquitectura de red neuronal en la tarea de recuperación de fuentes sísmicas empleando aprendizaje profundo externo; y un paso de reentrenamiento de la misma arquitectura de red neuronal bajo el esquema de aprendizaje profundo interno. Los resultados experimentales muestran que el método propuesto supera a los trabajos del estado del arte al evaluar diferentes métricas de error y similitud en los conjuntos de datos sísmicos estudiados.
dc.description.abstractenglish	Seismic imaging requires a dense configuration of receivers and sources to obtain high-quality interpretable data for hydrocarbon exploration. However, economic and environmental constraints often limit the number of sources used in the acquisition. Current seismic data acquisition methods focus on computationally reconstructing or interpolating missing sources, reducing costs. However, most of the work is based on optimization algorithms, where the quality depends on the nature of the data itself, or on deep learning, where the limited amount of training data availability also limits the training process. Therefore, this work proposes the integration of two frameworks, external deep learning, and internal deep learning, to reconstruct missing sources. The proposed scheme consists of two stages: a learning step of a neural network architecture in the seismic source reconstruction task employing external deep learning; and a re-training step of the same neural network architecture under the internal deep learning scheme. Experimental results show that the proposed method outperforms state-of-the-art methods when evaluating several error and similarity metrics in seismic datasets.
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/20.500.14071/12331
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	Attribution-NonCommercial 4.0 International (CC BY-NC 4.0)
dc.rights.uri	http://creativecommons.org/licenses/by-nc-nd/4.0/
dc.subject	reconstrucción de datos sísmicos
dc.subject	geometría de adquisición
dc.subject	aprendizaje profundo
dc.subject	aprendizaje interno y externo
dc.subject	ProMax
dc.subject.keyword	seismic data reconstruction
dc.subject.keyword	acquisition geometry
dc.subject.keyword	deep learning
dc.subject.keyword	external learning
dc.subject.keyword	internal learning
dc.subject.keyword	ProMax
dc.title	Algoritmo de reconstrucción de datos sísmicos adquiridos mediante geometrías compresivas usando un enfoque de aprendizaje profundo interno y externo
dc.title.english	Reconstruction algorithm for reconstruction of seismic data acquired through compressive geometries using an internal and external deep learning approach.
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