Detección automática de fracturas y fallas geológicas a partir de la segmentación de  imágenes con redes convolucionales profundas aplicadas a cubos sísmicos

Álvarez Castillo, Bryan Daniel

Detección automática de fracturas y fallas geológicas a partir de la segmentación de imágenes con redes convolucionales profundas aplicadas a cubos sísmicos

dc.contributor.advisor	Goyes Peñafiel, Yesid Paul
dc.contributor.advisor	Argüello Fuentes, Henry
dc.contributor.author	Álvarez Castillo, Bryan Daniel
dc.contributor.evaluator	Romo Bucheli, David Edmundo
dc.contributor.evaluator	Martínez Carrillo, Fabio
dc.date.accessioned	2022-04-08T14:34:49Z
dc.date.available	2022-04-08T14:34:49Z
dc.date.created	2022-03-31
dc.date.issued	2022-03-31
dc.description.abstract	Uno de los mayores retos en la interpretación sísmica es el uso de grandes volúmenes de datos generados durante la etapa de exploración para la definición de nuevos prospectos de hidrocarburos, lo cual ocasiona un aumento en el tiempo requerido para la interpretación manual de estructuras geológicas (fallas y fracturas). Debido a esto, la detección automática de fallas geológicas es un proceso relevante para la industria petrolera. Desde la perspectiva de la visión por computador, la tarea de detección de fallas puede ser interpretada como un problema de segmentación, el cual ha sido ampliamente analizado usando redes neuronales convolucionales. No obstante, tradicionalmente se usa como dato de entrada la imagen sísmica en el dominio de la amplitud, por lo cual puede tener insuficiente información para cumplir con la tarea propuesta. En este trabajo, se propone el uso de multi-atributos sísmicos de tipo geométrico y de amplitud, sintetizando la información con el Analisis de Componentes Principales, como una forma de preprocesamiento de los datos sísmicos, para mejorar el desempeño en la tarea de segmentación de fallas geológicas con una red convolucional de tipo U NET y autoencoder, la cual permite detectar de manera eficiente las discontinuidades en datos reales y sintéticos. La propuesta presentada en este trabajo obtuvo una ganancia de 0.45 SSIM con respecto a los métodos tradicionales sobre datos sintéticos y reales.
dc.description.abstractenglish	One of the greatest challenges in seismic interpretation is the use of large volumes of data generated during the exploration stage to define new hydrocarbon prospects, which causes an increase in the required time for manual interpretation of geological structures (faults and fractures). Therefore, automatic geological fault detection is an important process for the oil and gas industry. From the perspective of computer vision, the fault detection task can be interpreted as a segmentation problem, which has been widely analyzed using convolutional neural networks. However, the input data used is the seismic image in the amplitude domain, so it may have no enough information to fulfill the proposed task. In this work, the integration of seismic multi attributes of geometric and amplitude type is proposed, synthesizing information with Principal Component Analysis, as a way of pre-processing the seismic data looking forward to improving the performance in the task of segmentation of geological faults with a U-NET convolutional network and autoencoder. This implementation allows to efficiently to detect discontinuities in real and synthetic data. The proposal presented in this work improves the accuracy of 0.45 SSIM in comparison to the traditional methods on synthetic and real seismic data.
dc.description.degreelevel	Pregrado
dc.description.degreename	Ingeniero de Sistemas
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/20.500.14071/9810
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	Interpretación sísmica
dc.subject	segmentación de imágenes
dc.subject	fallas geológicas
dc.subject	atributos sísmicos
dc.subject	redes neuronales convolucionales profundas
dc.subject.keyword	Seismic interpretation
dc.subject.keyword	image segmentation
dc.subject.keyword	geological faults
dc.subject.keyword	seismic attributes
dc.subject.keyword	deep convolutional neural networks
dc.title	Detección automática de fracturas y fallas geológicas a partir de la segmentación de imágenes con redes convolucionales profundas aplicadas a cubos sísmicos
dc.title.english	Seismic interpretation, image segmentation, geological faults, seismic attributes, deep convolutional neural networks
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