Desarrollo de una metodología basada en aprendizaje profundo para el diseño de geometrías de adquisición sísmica compresivas

Simple item page
dc.contributor.advisorArgüello Fuentes, Henry
dc.contributor.advisorGoyes Peñafiel, Yesid Paul
dc.contributor.authorHernández Rojas, María Alejandra
dc.contributor.evaluatorSarmiento Cogollo, Heiner René
dc.contributor.evaluatorMeneses Fonseca, Jaime Enrique
dc.date.accessioned2023-08-01T20:27:41Z
dc.date.available2023-08-01T20:27:41Z
dc.date.created2023-07-26
dc.date.issued2023-07-26
dc.description.abstractLa adquisición sísmica es esencial para encontrar nuevos yacimientos de hidrocarburos. Para adquirir imágenes sísmicas de alta calidad, se requiere una adquisición densa espaciada regularmente. Sin embargo, los altos costos de adquisición y los impactos ambientales, han conducido a diseñar levantamientos sísmicos con menos fuentes y receptores. Actualmente, los esquemas de submuestreo tradicionales son: aleatorio, jittered y uniforme, los cuales conducen a una recuperación subóptima de la imagen sísmica. Por lo tanto, este trabajo propone una optimización de extremo a extremo para diseñar una adquisición sísmica submuestreada que permita obtener información reconstruida de alta calidad. El patrón de muestreo se modela como una capa binaria profunda para conocer la ubicación óptima de receptores y fuentes, al tiempo que una red neuronal recupera los datos eliminados. Después de diseñar el patrón de muestreo, se puede utilizar como geometría sísmica en un área geológicamente similar al conjunto de datos de entrenamiento. La metodología propuesta se comparó con los esquemas de muestreo tradicionales mediante experimentos con datos sísmicos sintéticos y reales. Los resultados demuestran que un diseño aprendido mejora la calidad de los datos reconstruidos en hasta 4 dB.
dc.description.abstractenglishSeismic acquisition is necessary to explore the subsurface for discovering new hydrocarbon targets. High-quality seismic images require a high-resolution regular-spaced acquisition. Still, the high costs and environmental impacts have led to the development of seismic surveys with fewer sources and receivers. However, using random, jittered, or uniform sensing schemes, the current selection of removed data leads to suboptimal seismic image quality recovery. A guided design of undersampled seismic surveys is crucial in determining the quality of the reconstructed information. To address this issue, this work proposes an end-to-end optimization to design an undersampled seismic acquisition that preserves the quality of the reconstructed data. The sensing pattern is modeled as a deep binary layer to learn the optimal location of receivers and sources for a particular seismic survey. A deep neural network recovers the underlying removed data. Once the optimal sensing pattern is designed, it can be used as a seismic geometry in an area with a similar geological setting to the training data set. The proposed methodology was compared with random, jittered, and uniform sensing schemes through experiments on synthetic and real seismic data sets. The results demonstrate that a guided design improves the quality of the reconstructed data by up to 4 dB.
dc.description.cvlachttps://scienti.minciencias.gov.co/cvlac/visualizador/generarCurriculoCv.do?cod_rh=0000132074
dc.description.degreelevelMaestría
dc.description.degreenameMagíster en Geofísica
dc.description.googlescholarhttps://scholar.google.com/citations?user=MPcFARMAAAAJ&hl=es
dc.description.orcidhttps://orcid.org/0000-0002-8835-0835
dc.format.mimetypeapplication/pdf
dc.identifier.instnameUniversidad Industrial de Santander
dc.identifier.reponameUniversidad Industrial de Santander
dc.identifier.repourlhttps://noesis.uis.edu.co
dc.identifier.urihttps://noesis.uis.edu.co/handle/20.500.14071/14649
dc.language.isoeng
dc.publisherUniversidad Industrial de Santander
dc.publisher.facultyFacultad de Ciencias
dc.publisher.programMaestría en Geofísica
dc.publisher.schoolEscuela de Física
dc.rightsinfo:eu-repo/semantics/openAccess
dc.rights.accessrightsinfo:eu-repo/semantics/openAccess
dc.rights.coarhttp://purl.org/coar/access_right/c_abf2
dc.rights.creativecommonsAtribución-NoComercial-SinDerivadas 4.0 Internacional (CC BY-NC-ND 4.0)
dc.rights.licenseAttribution-NonCommercial 4.0 International (CC BY-NC 4.0)
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/4.0/
dc.subjectGeometría sísmica
dc.subjectOptimización de extremo a extremo
dc.subjectReconstrucción de datos sísmicos
dc.subjectPatrón de submuestreo
dc.subjectTasa de submuestreo
dc.subject.keywordSeismic Geometry
dc.subject.keywordEnd-to-End Optimization
dc.subject.keywordSeismic Data Reconstruction
dc.subject.keywordSensing Pattern
dc.subject.keywordUndersampling Rate
dc.titleDesarrollo de una metodología basada en aprendizaje profundo para el diseño de geometrías de adquisición sísmica compresivas
dc.title.englishDevelopment of a Methodology Based on Deep Learning to Design Compressive Seismic Acquisition Geometries
dc.type.coarhttp://purl.org/coar/resource_type/c_bdcc
dc.type.hasversionhttp://purl.org/coar/version/c_b1a7d7d4d402bcce
dc.type.localTesis/Trabajo de grado - Monografía - Maestría
Files
Original bundle
Now showing 1 - 3 of 3
No Thumbnail Available
Name:
Documento.pdf
Size:
45.61 MB
Format:
Adobe Portable Document Format
Download
No Thumbnail Available
Name:
Nota de proyecto.pdf
Size:
1.8 MB
Format:
Adobe Portable Document Format
Download
No Thumbnail Available
Name:
Carta de autorización.pdf
Size:
124.29 KB
Format:
Adobe Portable Document Format
Download
License bundle
Now showing 1 - 1 of 1
No Thumbnail Available
Name:
license.txt
Size:
2.18 KB
Format:
Item-specific license agreed to upon submission
Description:
Download
Collections
Maestría en Geofísica