Attribution-NonCommercial 4.0 International (CC BY-NC 4.0)Goyes Peñafiel, Yesid PaulArgüello Fuentes, HenryÁlvarez Castillo, Bryan Daniel2022-04-082022-04-082022-03-312022-03-31https://noesis.uis.edu.co/handle/20.500.14071/9810Uno 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.application/pdfspainfo:eu-repo/semantics/openAccessInterpretación sísmicasegmentación de imágenesfallas geológicasatributos sísmicosredes neuronales convolucionales profundasDetección automática de fracturas y fallas geológicas a partir de la segmentación de imágenes con redes convolucionales profundas aplicadas a cubos sísmicosUniversidad Industrial de SantanderTesis/Trabajo de grado - Monografía - PregradoUniversidad Industrial de Santanderhttps://noesis.uis.edu.coSeismic interpretationimage segmentationgeological faultsseismic attributesdeep convolutional neural networksSeismic interpretation, image segmentation, geological faults, seismic attributes, deep convolutional neural networkshttp://purl.org/coar/access_right/c_abf2info:eu-repo/semantics/openAccessAtribución-NoComercial-SinDerivadas 4.0 Internacional (CC BY-NC-ND 4.0)