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 |
Files
Original bundle
1 - 3 of 3
No Thumbnail Available
- Name:
- Documento.pdf
- Size:
- 26.12 MB
- Format:
- Adobe Portable Document Format
No Thumbnail Available
- Name:
- Nota de proyecto.pdf
- Size:
- 597.4 KB
- Format:
- Adobe Portable Document Format
No Thumbnail Available
- Name:
- Carta de autorización.pdf
- Size:
- 146.16 KB
- Format:
- Adobe Portable Document Format
License bundle
1 - 1 of 1
No Thumbnail Available
- Name:
- license.txt
- Size:
- 2.18 KB
- Format:
- Item-specific license agreed to upon submission
- Description: