Algoritmo de reconstrucción de fuentes sísmicas usando aprendizaje profundo basado en los datos adquiridos
dc.contributor.advisor | Galvis Carreño, Laura Viviana | |
dc.contributor.advisor | Arguello Fuentes, Henry | |
dc.contributor.advisor | León López, Kareth Marcela | |
dc.contributor.author | Rodríguez López, Luis Miguel | |
dc.contributor.evaluator | Martinez Carrillo, Fabio | |
dc.contributor.evaluator | Garzón Villamizar, Gustavo Adolfo | |
dc.date.accessioned | 2023-03-07T12:44:15Z | |
dc.date.available | 2023-03-07T12:44:15Z | |
dc.date.created | 2023-03-06 | |
dc.date.issued | 2023-03-06 | |
dc.description.abstract | Los levantamientos sísmicos a menudo se ven afectados por la irregularidad y el muestreo resultante de las limitaciones en la adquisición, como obstáculos y restricciones ambientales. Por lo tanto, se han desarrollado varios algoritmos para reconstruir estos datos faltantes, incluida la interpolación basada en transformadas y métodos de reconstrucción basados en aprendizaje profundo, donde este último permite extraer estructuras más completas, pero requiere bases de datos sísmicos externos. Alternativamente, los métodos de imagen-previa-profunda (DIP del inglés Deep Image Piror) mitigan el uso de información de entrenamiento extensa al considerar solo los datos observados, mostrando resultados prometedores en la recuperación de trazas sísmicas. Este trabajo propone una red neuronal convolucional basada en DIP para recuperar fuentes perdidas en un levantamiento sísmico tridimensional (3D) que explota, como datos previos, los datos adquiridos y la estructura de la red neuronal convolucional. Además, teniendo en cuenta la correlación en el dominio de origen, se emplea un operador para desplazar verticalmente el conjunto de trazas para tener la máxima correlación de datos en la red. Experimentos numéricos muestran que la red propuesta recupera el conjunto completo de trazas en cada toma-recopilación, donde la información y los eventos se conservan, aunque no e adquiera la fuente. | |
dc.description.abstractenglish | Seismic surveys are often affected by irregularity and coarse sampling resulting from limitations at the acquisition such as obstacles and environmental constraints. Thus, various processing algorithms have been developed to reconstruct these missing data, including interpolation based on transforms and deep learning-based reconstruction methods, where the latter allows the extraction of more complete structures, but require external seismic databases. Alternatively, deep-image-prior (DIP) methods mitigate the use of extensive training information by considering only the data under observation, showing promising results in recovering seismic traces. This work proposes a DIP-based convolutional neural network for recovering missing sources in a three-dimensional (3D) seismic survey which exploits as priors the data acquired and the structure of the 3D network. Additionally, considering the correlation across the source domain, an operator is employed for vertically shifting the set of traces to have the maximum data correlation in the network. Numerical experiments show that the proposed network recovers the complete set of traces in each shot-gather, where the information and events are preserved even though the source is not acquired. | |
dc.description.cvlac | https://scienti.minciencias.gov.co/cvlac/visualizador/generarCurriculoCv.do?cod_rh=0001871580 | |
dc.description.degreelevel | Pregrado | |
dc.description.degreename | Ingeniero de Sistemas | |
dc.description.googlescholar | https://scholar.google.com/citations?hl=es&user=9yf_AioAAAAJ | |
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/20.500.14071/12417 | |
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 fuentes sísmicas | |
dc.subject | Aprendizaje profundo | |
dc.subject | Aprendizaje profundo únicamente con datos observados | |
dc.subject | Dominio de propagación cruzada | |
dc.subject.keyword | Shots recovering | |
dc.subject.keyword | Deep learning | |
dc.subject.keyword | Deep image prior | |
dc.subject.keyword | Cross-spread domain | |
dc.title | Algoritmo de reconstrucción de fuentes sísmicas usando aprendizaje profundo basado en los datos adquiridos | |
dc.title.english | Seismic sources reconstruction algorithm using deep learning based on the acquired 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 | |
dspace.entity.type |
Files
Original bundle
1 - 3 of 3
No Thumbnail Available
- Name:
- Nota de proyecto.pdf
- Size:
- 328.99 KB
- Format:
- Adobe Portable Document Format
No Thumbnail Available
- Name:
- Carta de autorización.pdf
- Size:
- 164.09 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: