Segmentación de fallas geológicas en imágenes sísmicas ruidosas usando redes neuronales convolucionales

Simple item page
dc.contributor.advisorGoyes Peñafiel, Yesid Paul
dc.contributor.advisorMantilla Dulcey, Ana Gabriela
dc.contributor.authorAscanio Sánchez, Álvaro José
dc.contributor.evaluatorKhurama Velásquez, Sait
dc.contributor.evaluatorAbreo Carrillo, Sergio Alberto
dc.date.accessioned2025-05-09T15:29:05Z
dc.date.available2025-05-09T15:29:05Z
dc.date.created2025-07-07
dc.date.issued2025-07-07
dc.description.abstractLa 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.
dc.description.abstractenglishThe interpretation of geological faults in seismic images has been fundamental for the realization of geological models useful in reservoir characterization. Traditionally, this process has been carried out by professionals who, by seismic attributes, have identified the geological faults. However, these mathematical algorithms have been shown to be prone to error when interpreting faults in seismic noise conditions. Another method used has included the interpretation of geological faults from the perspective of binary image segmentation, using convolutional neural networks complemented with attention gates, which have proven to be efficient in geological fault segmentation tasks. This research aims to analyze the performance of neural networks in the segmentation of geological faults, even under seismic noise conditions. For this purpose, a database of seismic images and their binary masks representing geological faults, with dimensions of 128x128 pixels, was created to be used in machine learning tasks. These images were implemented and evaluated in the neural network architectures Attention U-Net, Inception U-Net and U-Net++. Obtaining similar performance between the U-Net++ and Attention U-Net models, from which due to the low differences and lower number of trainable parameters, it was concluded that the Attention U-Net network efficiently performs the task of geological fault segmentation. Subsequently, this architecture was evaluated both with attention gates (Attention U-Net) and without them (U-Net), using seismic images affected by four types of computationally simulated noise at different intensities, identifying impulsive noise as the most affected. Both models showed similar performance, with a level of quantitative superiority of U-Net. However, in real data with 10% impulsive noise, Attention U-Net presented more continuous and defined segmentations, quantitatively outperforming the U-Net model by less than 1%.
dc.description.cvlachttps://scienti.minciencias.gov.co/cvlac/visualizador/generarCurriculoCv.do?cod_rh=0002127853
dc.description.degreelevelPregrado
dc.description.degreenameGeólogo
dc.description.orcidhttps://orcid.org/0009-0002-0568-6403
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/20.500.14071/45418
dc.language.isospa
dc.publisherUniversidad Industrial de Santander
dc.publisher.facultyFacultad de Ingeníerias Fisicoquímicas
dc.publisher.programGeología
dc.publisher.schoolEscuela de Geología
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.licenseAtribución-NoComercial-SinDerivadas 2.5 Colombia (CC BY-NC-ND 2.5 CO)
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/4.0/
dc.subjectBloques de Atención
dc.subjectFallas Geológicas
dc.subjectInteligencia Artificial
dc.subjectInterpretación Sísmica
dc.subjectRedes Neuronales Convolucionales
dc.subjectRuido Sísmico
dc.subjectSegmentación
dc.subject.keywordArtificial Intelligence
dc.subject.keywordAttention Gates
dc.subject.keywordConvolutional Neural Networks
dc.subject.keywordGeological Faults
dc.subject.keywordSegmentation
dc.subject.keywordSeismic Interpretation
dc.subject.keywordSeismic Noise
dc.titleSegmentación de fallas geológicas en imágenes sísmicas ruidosas usando redes neuronales convolucionales
dc.title.englishGeological fault segmentation in noisy seismic images using convolutional neural networks
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
Files
Original bundle
Now showing 1 - 3 of 3
No Thumbnail Available
Name:
Carta de autorizacion.pdf
Size:
59.95 KB
Format:
Adobe Portable Document Format
Download
No Thumbnail Available
Name:
Nota de proyecto.pdf
Size:
571.96 KB
Format:
Adobe Portable Document Format
Download
No Thumbnail Available
Name:
Documento.pdf
Size:
3.97 MB
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
Geología