Compressão de dados sísmicos pós-pilha usando uma rede adversária generativa com função de perda composta

• Ano de defesa: 2022
• Autor(a) principal: Ribeiro, Kevyn Swhants dos Santos
• Orientador(a): Vieira, Marcelo Bernardes
• Banca de defesa: Maciel, Luiz Maurílio da Silva , Pedrini, Hélio
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Federal de Juiz de Fora (UFJF)
• Programa de Pós-Graduação: Programa de Pós-graduação em Ciência da Computação
• Departamento: ICE – Instituto de Ciências Exatas
• País: Brasil
• Palavras-chave em Português: Compressão de dados sísmicos; Aprendizado profundo; Redes adversárias generativas; Dados sísmicos pós-pilha 3D; Seismic data compression; Deep learning; Generative adversarial networks; 3D poststack seismic data
• Área do conhecimento CNPq: CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO
• Link de acesso: https://doi.org/10.34019/ufjf/di/2022/00435; https://repositorio.ufjf.br/jspui/handle/ufjf/15519

Dados sísmicos fornecem informações estruturais e estáticas da região de onde foram coletados, usadas para determinar regiões para explorar petróleo e gás. As melhorias nos métodos de aquisição, especialmente na alta qualidade dos sensores, também aumentaram o tamanho dos dados sísmicos. A motivação para comprimi-los vem da necessidade de centenas de terabytes para transmitir e armazenar dados sísmicos. Este trabalho apresenta um método para compressão de dados sísmicos pós-pilha tridimensional (3D) integrando um autocodificador baseado em convoluções 3D e uma rede adversária generativa (GAN). O principal desafio dos autocodificadores é como explorar a redundância volumétrica, mantendo as dimensões da representação latente. O método proposto é baseado em uma rede neural convolucional para compressão de dados sísmicos chamada 3DSC. A principal hipótese é que a arquitetura da 3DSC pode ser melhorada pelo treinamento adversário. Assim, é proposto um novo método de compressão de dados sísmicos baseado em 3D (3DSC-GAN) ao acoplar a rede 3DSC a uma GAN. O módulo decodificador é utilizado como um gerador de dados sísmicos pós-pilha integrado a um módulo discriminador para melhor explorar a redundância volumétrica presente no dado 3D. Também é proposta uma nova forma para calcular a distorção em dados multidimensionais, como dados sísmicos. Visto que funções genéricas ignoram a estrutura do dado 3D e o consideram como um vetor 1D, a ideia consiste em aplicar uma função de perda diferente para cada eixo, para uma redução de dimensionalidade que melhor capture o erro de acordo com sua grandeza. Para isso, é feito um estudo extensivo para analisar as possíveis combinações de funções para o problema de compressão de dados sísmicos pós-pilha 3D. Os resultados indicam que o método 3DSC-GAN supera os métodos anteriores para taxas de bits alvo muito baixas, aumentando a relação sinal-ruído de pico (PSNR) com alta qualidade visual de reconstrução. Além disso, os experimentos realizados aplicando a nova função de distorção mostram que ela auxilia no processo de aprendizado da rede, gerando uma reconstrução superior comparado com métodos que utilizam PSNR como função de distorção, em termos quantitativos e qualitativos.