Método de aprendizado profundo autossupervisionado para deblending de dados sísmicos marítimos

• Ano de defesa: 2024
• Autor(a) principal: Costa, Danilo Pinheiro da
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade do Estado do Rio de Janeiro; Centro de Tecnologia e Ciências::Instituto de Matemática e Estatística; Brasil; UERJ; Programa de Pós-Graduação em Ciências Computacionais
• Palavras-chave em Português: Seismic data; Deblending; Self-supervised learning; Convolutional neural networks; Deep learning; Dados sísmicos; Aprendizado autossupervisionado; Redes neurais convolucionais; Aprendizado profundo; Sismologia - Processamento de dados; Linguagem de máquina; Redes neurais (Computação); CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO
• Link de acesso: http://www.bdtd.uerj.br/handle/1/23481

A aquisição sísmica convencional requer um intervalo de tempo entre disparos longo o suficiente para registrar todos os eventos de interesse e evitar a interferência entre sinais de fontes sucessivas. Isto causa limitações tanto do ponto de vista operacional quanto da amostragem espacial dos dados. A fim de superar essas limitações, foi introduzido o conceito de aquisição sísmica blended ou aquisição com fontes simultâneas. Nesta técnica, dois ou mais pontos de tiro são disparados em um tempo mais curto, permitindo a interferência entre os dados de fontes sucessivas. No entanto, os benefícios trazidos por esta técnica vêm associados a um ruído de interferência sísmica que deve ser tratado durante o processamento dos dados. Essa etapa do processamento sísmico é conhecida como deblending. Recentemente, técnicas baseadas em aprendizado profundo têm sido aplicadas a diversos problemas da área de Geofísica. Como em uma aquisição sísmica blended apenas estarão disponíveis dados que sofreram interferência de tiros consecutivos, o uso de métodos de deblending envolvendo aprendizado supervisionado é limitado, uma vez que este tipo de método necessita de dados limpos, sem efeito de interferência, para o treinamento. Por esse motivo, o presente trabalho propõe a utilização do método autossupervisionado Trace2Trace para o processo de deblending de dados sísmicos marítimos. O método foi implementado utilizando redes neurais convolucionais com arquiteturas UNET, No-downscale CNN (NDCNN) e RES-NDCNN. A validação do método foi realizada por meio da comparação dos resultados obtidos, em termos das métricas razão sinal-ruído (SNR) e NRMSE, com o método de deblending supervisionado e com o método de deblending por inversão esparsa, empregando a transformada de Fourier 2D janelada e o algoritmo FISTA. Nesta etapa de validação, foram avaliados os efeitos da arquitetura, da função objetivo e do procedimento de pós-processamento em experimentos realizados usando bases de dados sintéticos e reais. O método proposto usando a arquitetura RESNDCNN apresentou melhores resultados do que as outras arquiteturas avaliadas. Após definição da arquitetura, analisou-se o efeito dos desvios aleatórios adicionados aos tempos entre disparos (dither times) sobre os resultados, bem como a capacidade de generalização da rede quando aplicada a uma base de dados diferente da utilizada para o treinamento. Os resultados obtidos com o método proposto são comparáveis aos publicados na literatura em condições similares e superam o método de deblending por inversão esparsa para dither times no intervalo [-0,5, 0,5] s.