Seismic processing prediction with a generative adversarial network

• Ano de defesa: 2024
• Autor(a) principal: González, Jaime Andrés Collazos
• Orientador(a): Araújo, João Medeiros de
• Tipo de documento: Tese
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Federal do Rio Grande do Norte
• Programa de Pós-Graduação: PROGRAMA DE PÓS-GRADUAÇÃO EM CIÊNCIA E ENGENHARIA DE PETRÓLEO
• País: Brasil
• Palavras-chave em Português: Seismic processing; Denoise; Interpolation; Deep learning; U-Net; Generative adversarial networks
• Área do conhecimento CNPq: CNPQ::ENGENHARIAS::ENGENHARIA QUIMICA::TECNOLOGIA QUIMICA::PETROLEO E PETROQUIMICA
• Link de acesso: https://repositorio.ufrn.br/handle/123456789/60193

O processamento sísmico é composto pela aplicação de um grande número de ferramentas que passo a passo, transformam dados brutos de campo em imagens do subsolo. Mas para chegar a uma imagem sísmica que represente corretamente o modelo geológico, são necessários tempo e alto custo computacional no processamento sísmico, além de modelos físicos muitos próximos da solução real. Diferentemente dos métodos analíticos, com o uso de deep learning, não é necessário ter um conhecimento exato do comportamento físico, mudando a forma de fazer ajustes no sinal sísmico. Por outro lado, ter um bom conjunto de dados adequado para treinar o modelo torna-se uma limitação quando se trata de dados reais. Neste trabalho foram utilizadas redes adversárias generativas GAN (Generative Adversarial Networks), inicialmente projetadas para gerar novas imagens a partir de uma imagem de referência. Essas redes não requerem uma grande quantidade de conjunto de dados de treinamento e não necessitam de um alto custo computacional. Este trabalho apresenta dois cenários. Uma nova metodologia de interpolação aplicável ao aquisições OBN, para dados 2D e 3D. Esta metodologia descreve a seleção e preparação de dados de treinamento e um fluxo de trabalho para treinar um modelo GAN e fazer uma predição usando a mesma aquisição de dados sísmicos. O segundo cenário apresentado faz previsões de imagens sísmicas migradas com processamento full-track, tomando dados fast-track como entrada para o modelo. A metodologia de treinamento foi realizada de forma clássica, ou seja, uma parte dos dados foi utilizada para treinamento e outra para teste, obtendo um modelo eficiente em suas previsões com possibilidade de ser utilizado com dados time-lapse. Os dois cenários apresentados foram realizados com a mesma rede GAN, porém modificados os dados de treinamento, demonstrando a flexibilidade desse tipo de rede para realizar diferentes tarefas relacionadas ao processamento sísmico com uma pequena quantidade de dados.