Attribution-NonCommercial 4.0 International (CC BY-NC 4.0)Galvis Carreño, Laura VivianaArguello Fuentes, HenryLeón López, Kareth MarcelaRodríguez López, Luis Miguel2023-03-072023-03-072023-03-062023-03-06https://noesis.uis.edu.co/handle/20.500.14071/12417Los 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.application/pdfspainfo:eu-repo/semantics/openAccessReconstrucción de fuentes sísmicasAprendizaje profundoAprendizaje profundo únicamente con datos observadosDominio de propagación cruzadaAlgoritmo de reconstrucción de fuentes sísmicas usando aprendizaje profundo basado en los datos adquiridosUniversidad Industrial de SantanderTesis/Trabajo de grado - Monografía - PregradoUniversidad Industrial de Santanderhttps://noesis.uis.edu.coShots recoveringDeep learningDeep image priorCross-spread domainSeismic sources reconstruction algorithm using deep learning based on the acquired datahttp://purl.org/coar/access_right/c_abf2info:eu-repo/semantics/openAccessAtribución-NoComercial-SinDerivadas 4.0 Internacional (CC BY-NC-ND 4.0)