FAULT MESHING GENERATION IN SEISMIC DATA BY COMPETITIVE LEARNING

Detalhes bibliográficos
Ano de defesa: 2008
Autor(a) principal: MARCOS DE CARVALHO MACHADO
Orientador(a): MARCELO GATTASS lattes
Banca de defesa: PAULO MARCOS DE CARVALHO, MARLEY MARIA BERNARDES REBUZZI VELLASCO, RUY LUIZ MILIDIU, PAULO CEZAR PINTO CARVALHO, MARCELO GATTASS
Tipo de documento: Tese
Tipo de acesso: Acesso aberto
Idioma: por
Instituição de defesa: PONTIFÍCIA UNIVERSIDADE CATÓLICA DO RIO DE JANEIRO
Programa de Pós-Graduação: PPG EM INFORMÁTICA
Departamento: Não Informado pela instituição
País: BR
Link de acesso: https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=11889@1
https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=11889@2
Resumo: O mapeamento manual de falhas em dados sísmicos tridimensionais é uma tarefa que consome muito tempo do intérprete. Uma grande quantidade de atributos sísmicos tem sido proposta para realçar medidas de descontinuidades associadas com as falhas. Entretanto, as falhas vistas através desses atributos aparecem mais como tendências do que como superfícies contínuas bem definidas, o que torna difícil a automatização da construção de modelos de falhas. Esta tese explora técnicas de Aprendizado Competitivo aplicadas aos problemas de extração e visualização de falhas em dados sísmicos. A estratégia proposta parte de um atributo de falha previamente calculado e consiste de três etapas. Na primeira, os dados tridimensionais uniformemente amostrados do atributo de falha são convertidos em um grafo com uso do algoritmo de aprendizado competitivo Growing Neural Gas. Na segunda etapa, o grafo sofre um processo de segmentação de forma a extrair um conjunto de subgrafos, cada um compatível com uma superfície de falha. Na terceira etapa, é utilizado o algoritmo Malhas Neurais Abertas para construir uma malha triangular para cada uma das superfícies identificadas. Malhas Neurais Abertas é um algoritmo de Aprendizado Competitivo que é proposto nesta tese, o qual constrói uma malha a partir de uma função de probabilidades com topologia de uma superfície aberta sem buracos. Exemplos com dados bidimensionais e tridimensionais, sintéticos e reais, são apresentados. Outra aplicação de Aprendizado Competitivo introduzida nesta tese é a geração de malhas geológicas, isto é, malhas que podem ser utilizadas na simulação do comportamento de fluidos em subsuperfície.
id PUC_RIO-1_8a27d0bd8217dfcbfa2dad30d8a0bc6c
oai_identifier_str oai:MAXWELL.puc-rio.br:11889
network_acronym_str PUC_RIO-1
network_name_str Repositório Institucional da PUC-RIO (Projeto Maxwell)
repository_id_str
spelling info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/doctoralThesisFAULT MESHING GENERATION IN SEISMIC DATA BY COMPETITIVE LEARNING GERAÇÃO DE MALHAS DE FALHAS EM DADOS SÍSMICOS POR APRENDIZADO COMPETITIVO 2008-03-14MARCELO GATTASS 26869799768lattes.cnpq.br/7454736736043931PAULO MARCOS DE CARVALHOMARLEY MARIA BERNARDES REBUZZI VELLASCORUY LUIZ MILIDIUPAULO CEZAR PINTO CARVALHOMARCELO GATTASS MARCOS DE CARVALHO MACHADOPONTIFÍCIA UNIVERSIDADE CATÓLICA DO RIO DE JANEIROPPG EM INFORMÁTICAPUC-RioBRO mapeamento manual de falhas em dados sísmicos tridimensionais é uma tarefa que consome muito tempo do intérprete. Uma grande quantidade de atributos sísmicos tem sido proposta para realçar medidas de descontinuidades associadas com as falhas. Entretanto, as falhas vistas através desses atributos aparecem mais como tendências do que como superfícies contínuas bem definidas, o que torna difícil a automatização da construção de modelos de falhas. Esta tese explora técnicas de Aprendizado Competitivo aplicadas aos problemas de extração e visualização de falhas em dados sísmicos. A estratégia proposta parte de um atributo de falha previamente calculado e consiste de três etapas. Na primeira, os dados tridimensionais uniformemente amostrados do atributo de falha são convertidos em um grafo com uso do algoritmo de aprendizado competitivo Growing Neural Gas. Na segunda etapa, o grafo sofre um processo de segmentação de forma a extrair um conjunto de subgrafos, cada um compatível com uma superfície de falha. Na terceira etapa, é utilizado o algoritmo Malhas Neurais Abertas para construir uma malha triangular para cada uma das superfícies identificadas. Malhas Neurais Abertas é um algoritmo de Aprendizado Competitivo que é proposto nesta tese, o qual constrói uma malha a partir de uma função de probabilidades com topologia de uma superfície aberta sem buracos. Exemplos com dados bidimensionais e tridimensionais, sintéticos e reais, são apresentados. Outra aplicação de Aprendizado Competitivo introduzida nesta tese é a geração de malhas geológicas, isto é, malhas que podem ser utilizadas na simulação do comportamento de fluidos em subsuperfície.Manual fault mapping from 3D seismic data is a time-consuming task. A plethora of seismic attributes has been proposed to enhance the discontinuity measures associated with faults. However, faults viewed through these attributes appear more like trends than well-defined, continuous surfaces, posing obstacles to the automation of the fault modeling process. This thesis explores the use of Competitive Learning techniques in fault extraction and visualization. The proposed strategy starts with a pre-computed fault attribute and consists of three steps. In the first, the uniformly sampled 3D fault attribute data are converted into a graph using Growing Neural Gas, a Competitive Learning algorithm. In the second step, the graph is submitted to a segmentation process in order to extract a set of subgraphs, each one compatible with a fault surface. In the third step, the Open Neural Meshes algorithm is used to build a triangulated mesh for each previously identified surface. Open Neural Meshes is a Competitive Learning algorithm proposed in this thesis, which builds a mesh from a probability function with no-hole open surface topology. Examples with 2D and 3D, synthetic and real data are presented. Another Competitive Learning application introduced in this thesis is the generation of geologic meshes. These meshes can be used to simulate fluid flows in subsurface reservoirs. https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=11889@1https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=11889@2porreponame:Repositório Institucional da PUC-RIO (Projeto Maxwell)instname:Pontifícia Universidade Católica do Rio de Janeiro (PUC-RIO)instacron:PUC_RIOinfo:eu-repo/semantics/openAccess2023-06-26T09:07:18ZRepositório InstitucionalPRI
dc.title.en.fl_str_mv FAULT MESHING GENERATION IN SEISMIC DATA BY COMPETITIVE LEARNING
dc.title.alternative.pt.fl_str_mv GERAÇÃO DE MALHAS DE FALHAS EM DADOS SÍSMICOS POR APRENDIZADO COMPETITIVO
title FAULT MESHING GENERATION IN SEISMIC DATA BY COMPETITIVE LEARNING
spellingShingle FAULT MESHING GENERATION IN SEISMIC DATA BY COMPETITIVE LEARNING
MARCOS DE CARVALHO MACHADO
title_short FAULT MESHING GENERATION IN SEISMIC DATA BY COMPETITIVE LEARNING
title_full FAULT MESHING GENERATION IN SEISMIC DATA BY COMPETITIVE LEARNING
title_fullStr FAULT MESHING GENERATION IN SEISMIC DATA BY COMPETITIVE LEARNING
title_full_unstemmed FAULT MESHING GENERATION IN SEISMIC DATA BY COMPETITIVE LEARNING
title_sort FAULT MESHING GENERATION IN SEISMIC DATA BY COMPETITIVE LEARNING
dc.creator.ID.none.fl_str_mv
dc.creator.Lattes.none.fl_str_mv
author MARCOS DE CARVALHO MACHADO
author_facet MARCOS DE CARVALHO MACHADO
author_role author
dc.contributor.advisor1.fl_str_mv MARCELO GATTASS
dc.contributor.advisor1ID.fl_str_mv 26869799768
dc.contributor.advisor1Lattes.fl_str_mv lattes.cnpq.br/7454736736043931
dc.contributor.referee1.fl_str_mv PAULO MARCOS DE CARVALHO
dc.contributor.referee2.fl_str_mv MARLEY MARIA BERNARDES REBUZZI VELLASCO
dc.contributor.referee3.fl_str_mv RUY LUIZ MILIDIU
dc.contributor.referee4.fl_str_mv PAULO CEZAR PINTO CARVALHO
dc.contributor.referee5.fl_str_mv MARCELO GATTASS
dc.contributor.author.fl_str_mv MARCOS DE CARVALHO MACHADO
contributor_str_mv MARCELO GATTASS
PAULO MARCOS DE CARVALHO
MARLEY MARIA BERNARDES REBUZZI VELLASCO
RUY LUIZ MILIDIU
PAULO CEZAR PINTO CARVALHO
MARCELO GATTASS
description O mapeamento manual de falhas em dados sísmicos tridimensionais é uma tarefa que consome muito tempo do intérprete. Uma grande quantidade de atributos sísmicos tem sido proposta para realçar medidas de descontinuidades associadas com as falhas. Entretanto, as falhas vistas através desses atributos aparecem mais como tendências do que como superfícies contínuas bem definidas, o que torna difícil a automatização da construção de modelos de falhas. Esta tese explora técnicas de Aprendizado Competitivo aplicadas aos problemas de extração e visualização de falhas em dados sísmicos. A estratégia proposta parte de um atributo de falha previamente calculado e consiste de três etapas. Na primeira, os dados tridimensionais uniformemente amostrados do atributo de falha são convertidos em um grafo com uso do algoritmo de aprendizado competitivo Growing Neural Gas. Na segunda etapa, o grafo sofre um processo de segmentação de forma a extrair um conjunto de subgrafos, cada um compatível com uma superfície de falha. Na terceira etapa, é utilizado o algoritmo Malhas Neurais Abertas para construir uma malha triangular para cada uma das superfícies identificadas. Malhas Neurais Abertas é um algoritmo de Aprendizado Competitivo que é proposto nesta tese, o qual constrói uma malha a partir de uma função de probabilidades com topologia de uma superfície aberta sem buracos. Exemplos com dados bidimensionais e tridimensionais, sintéticos e reais, são apresentados. Outra aplicação de Aprendizado Competitivo introduzida nesta tese é a geração de malhas geológicas, isto é, malhas que podem ser utilizadas na simulação do comportamento de fluidos em subsuperfície.
publishDate 2008
dc.date.issued.fl_str_mv 2008-03-14
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/doctoralThesis
format doctoralThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=11889@1
https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=11889@2
url https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=11889@1
https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=11889@2
dc.language.iso.fl_str_mv por
language por
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.publisher.none.fl_str_mv PONTIFÍCIA UNIVERSIDADE CATÓLICA DO RIO DE JANEIRO
dc.publisher.program.fl_str_mv PPG EM INFORMÁTICA
dc.publisher.initials.fl_str_mv PUC-Rio
dc.publisher.country.fl_str_mv BR
publisher.none.fl_str_mv PONTIFÍCIA UNIVERSIDADE CATÓLICA DO RIO DE JANEIRO
dc.source.none.fl_str_mv reponame:Repositório Institucional da PUC-RIO (Projeto Maxwell)
instname:Pontifícia Universidade Católica do Rio de Janeiro (PUC-RIO)
instacron:PUC_RIO
instname_str Pontifícia Universidade Católica do Rio de Janeiro (PUC-RIO)
instacron_str PUC_RIO
institution PUC_RIO
reponame_str Repositório Institucional da PUC-RIO (Projeto Maxwell)
collection Repositório Institucional da PUC-RIO (Projeto Maxwell)
repository.name.fl_str_mv
repository.mail.fl_str_mv
_version_ 1776626303222415360

Registros relacionados