Algoritmo de reconstrucción de fuentes sísmicas usando aprendizaje profundo basado en los datos adquiridos

Simple item page
dc.contributor.advisorGalvis Carreño, Laura Viviana
dc.contributor.advisorArguello Fuentes, Henry
dc.contributor.advisorLeón López, Kareth Marcela
dc.contributor.authorRodríguez López, Luis Miguel
dc.contributor.evaluatorMartinez Carrillo, Fabio
dc.contributor.evaluatorGarzón Villamizar, Gustavo Adolfo
dc.date.accessioned2023-03-07T12:44:15Z
dc.date.available2023-03-07T12:44:15Z
dc.date.created2023-03-06
dc.date.issued2023-03-06
dc.description.abstractLos 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.abstractenglishSeismic 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.cvlachttps://scienti.minciencias.gov.co/cvlac/visualizador/generarCurriculoCv.do?cod_rh=0001871580
dc.description.degreelevelPregrado
dc.description.degreenameIngeniero de Sistemas
dc.description.googlescholarhttps://scholar.google.com/citations?hl=es&user=9yf_AioAAAAJ
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/20.500.14071/12417
dc.language.isospa
dc.publisherUniversidad Industrial de Santander
dc.publisher.facultyFacultad de Ingeníerias Fisicomecánicas
dc.publisher.programIngeniería de Sistemas
dc.publisher.schoolEscuela de Ingeniería de Sistemas e Informática
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.subjectReconstrucción de fuentes sísmicas
dc.subjectAprendizaje profundo
dc.subjectAprendizaje profundo únicamente con datos observados
dc.subjectDominio de propagación cruzada
dc.subject.keywordShots recovering
dc.subject.keywordDeep learning
dc.subject.keywordDeep image prior
dc.subject.keywordCross-spread domain
dc.titleAlgoritmo de reconstrucción de fuentes sísmicas usando aprendizaje profundo basado en los datos adquiridos
dc.title.englishSeismic sources reconstruction algorithm using deep learning based on the acquired data
dc.type.coarhttp://purl.org/coar/resource_type/c_7a1f
dc.type.hasversionhttp://purl.org/coar/version/c_b1a7d7d4d402bcce
dc.type.localTesis/Trabajo de grado - Monografía - Pregrado
dspace.entity.type
Files
Original bundle
Now showing 1 - 3 of 3
No Thumbnail Available
Name:
Documento.pdf
Size:
2.47 MB
Format:
Adobe Portable Document Format
Download
No Thumbnail Available
Name:
Nota de proyecto.pdf
Size:
328.99 KB
Format:
Adobe Portable Document Format
Download
No Thumbnail Available
Name:
Carta de autorización.pdf
Size:
164.09 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
Ingeniería de Sistemas