Detección automática de primeros arribos en trazas sintéticas terrestres del Valle Medio del Magdalena usando redes neuronales artificiales

Reyes Cachopo, Óscar Fabián; Rincón Zambrano, Silvia Janeth

Detección automática de primeros arribos en trazas sintéticas terrestres del Valle Medio del Magdalena usando redes neuronales artificiales

dc.contributor.advisor	Reyes Torres, Óscar Mauricio
dc.contributor.advisor	Abreo Carrillo, Sergio Alberto
dc.contributor.author	Reyes Cachopo, Óscar Fabián
dc.contributor.author	Rincón Zambrano, Silvia Janeth
dc.contributor.evaluator	Salamanca Becerra, William Alexander
dc.contributor.evaluator	Ramírez Silva, Ana Beatriz
dc.date.accessioned	2022-09-17T15:32:57Z
dc.date.available	2022-09-17T15:32:57Z
dc.date.created	2022-09-15
dc.date.embargoEnd	2024-09-15
dc.date.issued	2022-09-15
dc.description.abstract	Este trabajo se centra en la detección de primeros arribos de un conjunto de datos sísmicos generados sintéticamente con características del Valle Medio del Magdalena mediante el uso de redes neuronales artificiales. Para ello, se estudian los diferentes conceptos y elementos que conforman el evento sísmico permitiendo la obtención de atributos que entregan información en la detección del primer arribo. Dentro de la adquisición sísmica, la presencia de ruido enmascara el pulso que corresponde al primer arribo, lo que dificulta la tarea de detección y hace necesario que un experto realice esta labor de forma manual. Sin embargo, el gran volumen de datos sísmicos, el tiempo requerido y los diversos criterios de selección basados en la subjetividad del operador, producen picados sesgados que aumentan la posibilidad de errores durante el proceso, haciendo adecuado el uso de herramientas que faciliten la detección de forma automática. La arquitectura de la red solución es obtenida a partir de la unión de dos estrategias encontradas en el estado del arte. La primera plantea una detección a partir de información de la traza cruda y un conjunto de transformaciones mediante el uso de redes densamente conectadas. La segunda consiste en una red convolucional la cual realiza la detección haciendo uso de filtro pasa bajas, la traza cruda y 31 transformaciones Wavelet. Estas estrategias determinan los primeros arribos analizando las trazas sísmicas individualmente. Nuestra propuesta consiste en una red solución conformada por una secuencia de capa convolucional 1D, maxpooling 1D, capa flatten y dos capas densas. Los parámetros e hiperparámetros de la red son seleccionados mediante múltiples iteraciones y experimentos, llegando así a la identificación del tiempo de llegada de la onda refractada con el uso de transformadas Wavelet, filtro pasa bajas y las trazas sísmicas normalizadas. Finalmente con esta solución se logra alcanzar aciertos con un error máximo de cinco muestras en el 81,08% de 4108 trazas sísmicas con 1251 muestras y niveles de ruido entre el rango de 6 dB a 10 dB. Adicionalmente se evalúa la red variando la relación señal a ruido entre 0, 3, 6, 10 y 20 dB, proporcionando aciertos del 61,85% , 72,03% , 77,67% , 82,78% y 85,10% respectivamente con errores máximos de 5 muestras frente al arribo verdadero.
dc.description.abstractenglish	This work focuses on the detection of first arrivals of a synthetically generated seismic data set with characteristics of the Middle Magdalena Valley through the use of artificial neural networks. For this purpose, the different concepts and elements that make up the seismic event are studied, allowing the obtaining of attributes that provide information in the detection of the first arrival. Seismic exploration makes it possible to acquire subsurface information that indicates the behavior of the earth’s layers from the propagation of naturally or artificially generated waves. The data received are recorded by seismographs, in the form of signals called seismic traces. As part of the seismic data acquisition process, the first arrival is detected. First arrival detection consists of determining the arrival times of the first refracted wave in each trace. The first arrival is exposed to noise that can be produced by the source, the receiver or the medium where the disturbance propagates. However, the presence of noise as well as other propagating waves masks the pulse corresponding to the first arrival, thus hindering the detection task. Traditionally this process is carried out by an expert who performs this task manually. However, the large volume of seismic data, the time required and the various selection criteria based on operator subjectivity, produce biased picks that increase the possibility of errors during the process. The architecture of the solution network is obtained from the union of two strategies found in the state of the art. The first one proposes a detection based on raw trace information and a set of transformations using densely connected networks. The second consists of a convolutional network which performs detection using low-pass filtering, the raw trace and 31 Wavelet transforms. These strategies determine the first arrivals by analyzing the seismic traces individually. In this work, we propose an automatic first-break picking strategy based on neural networks to detect the first arrival on data with characteristics of the Middle Magdalena Valley in Colombia. We use a neural network that combines a 1D convolutional layer and two dense layers to classify the samples of a preprocessed trace between pre- and post-first arrival, to finally determine the most likely sample corresponding to the first-break in a postprocessing step. Our strategy allows detecting the first arrival in 95.86%, 91.19% and 77.36% of the cases, with a margin of error of 10 samples, when the SNR is 20 dB, 6 dB and 0 dB, respectively, proving to be a suitable strategy for noisy signals.
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/20.500.14071/11509
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	Picado de primeros arribos
dc.subject	Geofísica
dc.subject	Trazas Sísmicas
dc.subject	TensorFlow
dc.subject	Keras
dc.subject	Transformada Wavelet
dc.subject.keyword	Neural Networks
dc.subject.keyword	First Arrival Picks
dc.subject.keyword	Geophysics
dc.subject.keyword	Seismograms
dc.subject.keyword	Seismic Tracing
dc.subject.keyword	TensorFlow
dc.subject.keyword	Keras
dc.subject.keyword	Wavelet transform
dc.title	Detección automática de primeros arribos en trazas sintéticas terrestres del Valle Medio del Magdalena usando redes neuronales artificiales
dc.title.english	Automatic detection of first arrivals in synthetic land traces of the middle Magdalena valley using artificial 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
dspace.entity.type