Redes adversárias generativas para remoção de ruídos em dados sísmicos

Detalhes bibliográficos
Ano de defesa: 2020
Autor(a) principal: Castro, Jonlenes Silva de, 1996-
Orientador(a): Não Informado pela instituição
Banca de defesa: Não Informado pela instituição
Tipo de documento: Dissertação
Tipo de acesso: Acesso aberto
Idioma: por
Instituição de defesa: [s.n.]
Programa de Pós-Graduação: Não Informado pela instituição
Departamento: Não Informado pela instituição
País: Não Informado pela instituição
Palavras-chave em Português:
Aprendizado profundo
Redes adversárias generativas
Deep learning
Generative adversarial networks
Link de acesso: https://hdl.handle.net/20.500.12733/1639583
Resumo: Orientadores: Sandra Eliza Fontes de Avila, Tiago Antonio Alves Coimbra
id UNICAMP-30_9c1869a175007b54bf1f65e9e46ba490
oai_identifier_str oai::1149064
network_acronym_str UNICAMP-30
network_name_str Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP)
repository_id_str
spelling Redes adversárias generativas para remoção de ruídos em dados sísmicosGenerative adversarial networks for noise removal in seismic dataAprendizado profundoRedes adversárias generativasDeep learningGenerative adversarial networksOrientadores: Sandra Eliza Fontes de Avila, Tiago Antonio Alves CoimbraDissertação (mestrado) - Universidade Estadual de Campinas, Instituto de ComputaçãoResumo: Seismic data provide information on the characteristics of the geological environment, which, after being processed, are used in the interpretation to identify and locate the subsurface characteristics. The complexity of this task is influenced by noise, artifacts,and inaccuracies in seismic data. Therefore, removing noise and increasing the quality of this data are essential steps in seismic processing. To mitigate these problems, we propose approaches based on generative adversarial networks (GANs) to improve seismic data by removing noise and increasing high frequencies in the data. In this context, we mapped the problem of noise removal as an image-to-image translation. We use GANs to learn how to map noise seismic data into data without noise, maintaining the integrity of the data. However, training deep neural networks (such as GANs) has an inherent problem of scarcity of labeled data. To solve this problem, we developed a labeled synthetic seismic data generator. With this data, we created our models based on Pix2Pix, Pix2PixHD andSPADE, and we used these models to perform the prediction of synthetic seismic data and real seismic data. Our results, both in synthetic and real seismic data, suggest that the proposed approaches are promising, showing significant improvements in the signal-to-noise ratio and the gain of high frequencies. The accuracy of our best model achieved about 87%, and this result is considered satisfactory for use in real scenarios, according to specialists. Thus, it is possible to use GANs as support tools for seismic specialists to assist in seismic analysis and decision-making faster and more assertivelyAbstract: Dados sísmicos fornecem informações das características do ambiente geológico, que,após serem processados, são utilizados na interpretação para identificar e localizar as características do subsolo. O nível de complexidade desta tarefa é diretamente influenciado pela presença de ruídos, artefatos e/ou imprecisões em dados sísmicos. Logo, a remoção de ruídos e o aumento da qualidade destes dados são etapas essenciais no processamento sísmico. Para atenuar estes problemas, propomos abordagens baseadas em redes advers-rias generativas (generative adversarial networks, GANs) para melhorar os dados sísmicos através da remoção de ruídos e aumento de altas frequências nos dados. Nesse contexto,mapeamos o problema de remoção de ruído como um problema de tradução de imagem para imagem. Ou seja, utilizamos as GANs para aprender a mapear dados sísmicos com ruídos em dados sem ruídos, mantendo a integridade dos dados. Entretanto, o treinamento de redes neurais profundas (como as GANs) tem um problema inerente de escassez de dados rotulados. Para resolver esse problema, desenvolvemos um gerador de dados sísmicos sintéticos rotulados. Com esses dados, criamos nossos modelos baseados nas arquiteturas da Pix2Pix, Pix2PixHD e SPADE e utilizamos estes modelos para realizar a predição de dados sísmicos sintéticos e dados sísmicos reais. Nossos resultados, tanto em dados sísmicos sintéticos quanto em reais, sugerem que as abordagens propostas são promissoras, apresentando melhorias significativas na relação sinal-ruído e no ganho de altas frequências. A acurácia do nosso melhor modelo atingiu aproximadamente 87%, sendo este resultado considerado satisfatório para a utilização em cenários reais, de acordo com os especialistas. Com isso, é possível utilizar as GANs como ferramentas de apoio para os especialistas de sísmica, de modo a auxiliar as análises sísmicas e tomadas de decisões de forma mais rápida e assertivaMestradoCiência da ComputaçãoMestre em Ciência da ComputaçãoCAPES001[s.n.]Avila, Sandra Eliza Fontes de, 1982-Coimbra, Tiago Antonio Alves, 1981-Santos, Lucio Tunes dosPedrini, HélioUniversidade Estadual de Campinas (UNICAMP). Instituto de ComputaçãoPrograma de Pós-Graduação em Ciência da ComputaçãoUNIVERSIDADE ESTADUAL DE CAMPINASCastro, Jonlenes Silva de, 1996-20202020-08-03T00:00:00Zinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdf1 recurso online (89 p.) : il., digital, arquivo PDF.https://hdl.handle.net/20.500.12733/1639583CASTRO, Jonlenes Silva de. Redes adversárias generativas para remoção de ruídos em dados sísmicos. 2020. 1 recurso online (89 p.) Dissertação (mestrado) - Universidade Estadual de Campinas, Instituto de Computação, Campinas, SP. Disponível em: https://hdl.handle.net/20.500.12733/1639583. Acesso em: 28 fev. 2025.https://repositorio.unicamp.br/acervo/detalhe/1149064Requisitos do sistema: Software para leitura de arquivo em PDFporreponame:Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP)instname:Universidade Estadual de Campinas (UNICAMP)instacron:UNICAMPinfo:eu-repo/semantics/openAccess2020-08-27T21:19:11Zoai::1149064Biblioteca Digital de Teses e DissertaçõesPUBhttp://repositorio.unicamp.br/oai/tese/oai.aspsbubd@unicamp.bropendoar:2020-08-27T21:19:11Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP) - Universidade Estadual de Campinas (UNICAMP)false
dc.title.none.fl_str_mv Redes adversárias generativas para remoção de ruídos em dados sísmicos
Generative adversarial networks for noise removal in seismic data
title Redes adversárias generativas para remoção de ruídos em dados sísmicos
spellingShingle Redes adversárias generativas para remoção de ruídos em dados sísmicos
Castro, Jonlenes Silva de, 1996-
Aprendizado profundo
Redes adversárias generativas
Deep learning
Generative adversarial networks
title_short Redes adversárias generativas para remoção de ruídos em dados sísmicos
title_full Redes adversárias generativas para remoção de ruídos em dados sísmicos
title_fullStr Redes adversárias generativas para remoção de ruídos em dados sísmicos
title_full_unstemmed Redes adversárias generativas para remoção de ruídos em dados sísmicos
title_sort Redes adversárias generativas para remoção de ruídos em dados sísmicos
author Castro, Jonlenes Silva de, 1996-
author_facet Castro, Jonlenes Silva de, 1996-
author_role author
dc.contributor.none.fl_str_mv Avila, Sandra Eliza Fontes de, 1982-
Coimbra, Tiago Antonio Alves, 1981-
Santos, Lucio Tunes dos
Pedrini, Hélio
Universidade Estadual de Campinas (UNICAMP). Instituto de Computação
Programa de Pós-Graduação em Ciência da Computação
UNIVERSIDADE ESTADUAL DE CAMPINAS
dc.contributor.author.fl_str_mv Castro, Jonlenes Silva de, 1996-
dc.subject.por.fl_str_mv Aprendizado profundo
Redes adversárias generativas
Deep learning
Generative adversarial networks
topic Aprendizado profundo
Redes adversárias generativas
Deep learning
Generative adversarial networks
description Orientadores: Sandra Eliza Fontes de Avila, Tiago Antonio Alves Coimbra
publishDate 2020
dc.date.none.fl_str_mv 2020
2020-08-03T00:00:00Z
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv https://hdl.handle.net/20.500.12733/1639583
CASTRO, Jonlenes Silva de. Redes adversárias generativas para remoção de ruídos em dados sísmicos. 2020. 1 recurso online (89 p.) Dissertação (mestrado) - Universidade Estadual de Campinas, Instituto de Computação, Campinas, SP. Disponível em: https://hdl.handle.net/20.500.12733/1639583. Acesso em: 28 fev. 2025.
url https://hdl.handle.net/20.500.12733/1639583
identifier_str_mv CASTRO, Jonlenes Silva de. Redes adversárias generativas para remoção de ruídos em dados sísmicos. 2020. 1 recurso online (89 p.) Dissertação (mestrado) - Universidade Estadual de Campinas, Instituto de Computação, Campinas, SP. Disponível em: https://hdl.handle.net/20.500.12733/1639583. Acesso em: 28 fev. 2025.
dc.language.iso.fl_str_mv por
language por
dc.relation.none.fl_str_mv https://repositorio.unicamp.br/acervo/detalhe/1149064
Requisitos do sistema: Software para leitura de arquivo em PDF
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
1 recurso online (89 p.) : il., digital, arquivo PDF.
dc.publisher.none.fl_str_mv [s.n.]
publisher.none.fl_str_mv [s.n.]
dc.source.none.fl_str_mv reponame:Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP)
instname:Universidade Estadual de Campinas (UNICAMP)
instacron:UNICAMP
instname_str Universidade Estadual de Campinas (UNICAMP)
instacron_str UNICAMP
institution UNICAMP
reponame_str Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP)
collection Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP)
repository.name.fl_str_mv Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP) - Universidade Estadual de Campinas (UNICAMP)
repository.mail.fl_str_mv sbubd@unicamp.br
_version_ 1829137702444859392

Registros relacionados