Segmentación de fallas geológicas en imágenes sísmicas ruidosas usando redes neuronales convolucionales
No Thumbnail Available
Date
2025-07-07
Authors
Journal Title
Journal ISSN
Volume Title
Publisher
Universidad Industrial de Santander
Abstract
La interpretación de fallas geológicas en imágenes sísmicas es fundamental para la
realización de modelos geológicos útiles en la caracterización de yacimientos. Tradicionalmente, este
proceso ha sido llevado a cabo por profesionales que, mediante el uso de atributos sísmicos, han identificado
las fallas geológicas. Sin embargo, estos algoritmos matemáticos han mostrado ser propensos a cometer
errores al interpretar fallas en condiciones de ruido sísmico. Otro de los métodos utilizados ha incluido la
interpretación de fallas geológicas desde la perspectiva de la segmentación binaria de imágenes, empleando
redes neuronales convolucionales complementadas con bloques de atención, las cuales han demostrado ser
eficientes en tareas de segmentación de fallas geológicas. Esta investigación tiene como objetivo analizar
el desempeño de las redes neuronales en la segmentación de fallas geológicas, incluso en condiciones de
ruido sísmico. Para ello, se creó una base de datos de imágenes sísmicas y sus máscaras binarias
representativas de las fallas geológicas, con dimensiones de 128x128 píxeles, para ser utilizadas en tareas
de aprendizaje automático. Estas imágenes fueron implementadas y evaluadas en las arquitecturas de redes
neuronales Attention U-Net, Inception U-Net y U-Net++. Obteniendo un desempeño similar entre los
modelos U-Net++ y Attention U-Net, de lo cual debido las bajas diferencias y menor número de parámetros
entrenables, se concluyó que la red Attention U-Net realiza eficientemente la tarea de segmentación de las
fallas geológicas. Posteriormente, esta arquitectura fue evaluada tanto con bloques de atención (Attention
U-Net) como sin ellos (U-Net), utilizando imágenes sísmicas afectadas por cuatro tipos de ruido simulados
computacionalmente a distintas intensidades, identificando al ruido impulsivo como el de mayor afectación.
Ambos modelos mostraron un desempeño similar, con una leve superioridad cuantitativa de U-Net. No
obstante, en datos reales con ruido impulsivo del 10 %, Attention U-Net presentó segmentaciones más
continuas y definidas, superando al modelo U-Net por menos del 1 % cuantitativamente.
Description
Keywords
Bloques de Atención, Fallas Geológicas, Inteligencia Artificial, Interpretación Sísmica, Redes Neuronales Convolucionales, Ruido Sísmico, Segmentación