Reconstrucción de fuentes sísmicas usando un enfoque de Redes Neuronales Profundas de Datos Previos
Publicado 2023-09-12
Palabras clave
- aprendizaje profundo,
- aprendizaje no supervisado,
- reconstrucción de disparos sísmicos,
- regularización de datos sísmicos,
- imagen previa profunda
- procesamiento sísmico,
- adquisición sub-muestreada,
- red neuronal convolucional,
- adquisición sísmica,
- interpolación de datos ...Más
Cómo citar
Derechos de autor 2023 Revista UIS Ingenierías
Esta obra está bajo una licencia internacional Creative Commons Atribución-SinDerivadas 4.0.
Resumen
Los levantamientos sísmicos usualmente se ven afectados por obstáculos o restricciones ambientales que impiden el muestreo regular en la adquisición sísmica. Por lo tanto, se han desarrollado diversos métodos para reconstruir estos datos faltantes, incluidos los métodos de aprendizaje profundo, los cuales permiten extraer características de información compleja, con la limitante de bases de datos sísmicos externos. Aunque otros trabajos se han enfocado principalmente en la reconstrucción de trazas, los disparos que no se pueden adquirir impactan directamente el flujo del procesamiento sísmico y representa un reto mayor en la regularización de datos sísmicos. En este trabajo proponemos DIPsgr, un método de reconstrucción de disparos sísmicos que usa solamente las medidas de las adquisiciones sísmicas incompletas para estimar la información faltante usando aprendizaje profundo no supervisado. Los experimentos numéricos con tres bases de datos muestran que DIPsgr recupera el conjunto completo de trazas en cada shot-gather, donde la información y los eventos sísmicos se conservan correctamente.
Descargas
Referencias
- L. Hatton, M. H. Worthington, J. Makin, “Seismic data processing: theory and practice,” Merlin Profiles Ltd., Tech. Rep., 1986.
- N. Cooper, L. A. Briceño, L. Alfredo, M. Vides, Manual para la adquisición y procesamiento de sísmica terrestre y su aplicación en Colombia. Colombia: Universidad Nacional de Colombia, 2010. [Online]. Available: https://www.anh.gov.co/documents/34/Manual_Tecnicas_Sismica_Terrestre.pdf
- C. L. Liner, Elements of 3D seismology. Society of Exploration Geophysicists, 2016.
- X. Wang, S. Yu, “Seismic Data Regularization on Nonequispaced Grid via a Joint Sparsity-Promotion Method,” IEEE Geoscience and Remote Sensing Letters, vol. 19, pp. 1–5, 2022, doi: https://doi.org/10.1109/LGRS.2021.3072356
- W. Liu, S. Cao, G. Li, Y. He, “Reconstruction of seismic data with missing traces based on local random sampling and curvelet transform,” J. Appl. Geophys., vol. 115, pp. 129–139, 2015, doi: https://doi.org/10.1016/j.jappgeo.2015.02.009
- P. Yang, J. Gao, W. Chen, “Curvelet-based POCS interpolation of nonuniformly sampled seismic records,” J. Appl. Geophys., vol. 79, pp. 90–99, 2012, doi: https://doi.org/10.1016/j.jappgeo.2011.12.004
- F. Kong, F. Picetti, V. Lipari, P. Bestagini, X. Tang, S. Tubaro, “Deep Prior-Based Unsupervised Reconstruction of Irregularly Sampled Seismic Data,” IEEE Geosci. Remote Sens. Lett., vol. 19, pp. 1–5, 2022, doi: https://doi.org/10.1109/LGRS.2020.3044455
- Q. Liu, L. Fu, M. Zhang, “Deep-seismic-prior-based reconstruction of seismic data using convolutional neural networks,” Geophysics, vol. 86, no. 2, pp. V131–V142, Mar. 2021, doi: https://doi.org/10.1190/geo2019-0570.1
- N. Kazemi, E. Bongajum, M. D. Sacchi, “Surface-Consistent Sparse Multichannel Blind Deconvolution of Seismic Signals,” IEEE Trans. Geosci. Remote Sens., vol. 54, no. 6, pp. 3200–3207, 2016, doi: https://doi.org/10.1109/TGRS.2015.2513417
- O. Villarreal, K. León-López, D. Espinosa, W. Agudelo, H. Arguello, “Seismic source reconstruction in an orthogonal geometry based on local and non-local information in the time slice domain,” J. Appl. Geophys., vol. 170, p. 103846, 2019, doi: https://doi.org/10.1016/j.jappgeo.2019.103846
- K. L. Lopez, J. M. Ramirez, W. Agudelo, H. Arguello Fuentes, “Regular Multi-Shot Subsampling and Reconstruction on 3D Orthogonal Symmetric Seismic Grids via Compressive Sensing,” in 2019 XXII Symposium on Image, Signal Processing and Artificial Vision (STSIVA), 2019, pp. 1–5. doi: https://doi.org/10.1109/STSIVA.2019.8730279
- X. Chai, G. Tang, S. Wang, K. Lin, and R. Peng, “Deep Learning for Irregularly and Regularly Missing 3-D Data Reconstruction,” IEEE Trans. Geosci. Remote Sens., vol. 59, no. 7, pp. 6244–6265, 2021, doi: https://doi.org/10.1109/TGRS.2020.3016343
- S. Mandelli, F. Borra, V. Lipari, P. Bestagini, A. Sarti, S. Tubaro, “Seismic data interpolation through convolutional autoencoder,” in SEG Technical Program Expanded Abstracts 2018, Aug. 2018, no. October, pp. 4101–4105. doi: https://doi.org/10.1190/segam2018-2995428.1
- S. Mandelli, V. Lipari, P. Bestagini, S. Tubaro, “Interpolation and Denoising of Seismic Data using Convolutional Neural Networks,” arXiv.org, pp. 1–17, Jan. 2019, doi: https://doi.org/10.48550/arXiv.1901.07927
- D. Kuijpers, I. Vasconcelos, and P. Putzky, “Reconstructing missing seismic data using Deep Learning,” arXiv.org, Jan. 2021, doi: https://doi.org/10.48550/arXiv.2101.09554
- J. D. Kelleher, “Deep learning,” Mit Press Essential Knowledge Series, vol. 1, 2019.
- D. Ulyanov, A. Vedaldi, V. Lempitsky, “Deep Image Prior,” Proceedings of the IEEE conference on computer vision and pattern recognition, 2018, pp. 9446 – 9454, doi: https://doi.org/10.1109/CVPR.2018.00984
- B. Wang, W. Lu, “Accurate and efficient seismic data interpolation in the principal frequency wavenumber domain,” J. Geophys. Eng., vol. 14, no. 6, pp. 1475–1483, 2017, doi: https://doi.org/10.1088/1742-2140/aa82dc
- W. Xiongwen, W. Huazhong, Z. Xiaopeng, “High dimensional seismic data interpolation with weighted matching pursuit based on compressed sensing,” J. Geophys. Eng., vol. 11, no. 6, p. 065003, 2014, doi: https://doi.org/10.1088/1742-2132/11/6/065003
- Q. Wang, Y. Shen, L. Fu, H. Li, “Seismic data interpolation using deep internal learning,” Exploration Geophysics, vol. 51, no. 6, pp. 683–697, 2020, doi: https://doi.org/10.1080/08123985.2020.1748496
- P. Goyes-Penafiel, E. Vargas, C. V. Correa, W. Agudelo, B. Wohlberg, H. Arguello, “A Consensus Equilibrium Approach for 3-D Land Seismic Shots Recovery,” IEEE Geosci. Remote Sens. Lett., vol. 19, pp. 1–5, 2022, doi: https://doi.org/10.1109/LGRS.2021.3082421
- F. Luporini et al., “Architecture and Performance of Devito, a System for Automated Stencil Computation,” ACM Trans. Math. Softw., vol. 46, no. 1, pp. 1–28, 2020, doi: https://doi.org/10.1145/3374916
- R. Versteeg, “The Marmousi experience: Velocity model determination on a synthetic complex data set,” Lead. Edge, vol. 13, no. 9, pp. 927–936, 1994, doi: https://doi.org/10.1190/1.1437051
- Robert G. Keys and Douglas J. Foster, “Mobil AVO viking graben line 12,” 2023. [Online]. Available: https://wiki.seg.org/wiki/Mobil_AVO_viking_graben_line_12
- G. B. Madiba, G. A. McMechan, “Processing, inversion, and interpretation of a 2D seismic data set from the North Viking Graben, North Sea,” Geophysics, vol. 68, no. 3, pp. 837–848, May 2003, doi: https://doi.org/10.1190/1.1581036
- P. Goyes-Peñafiel et al., “Coordinate-Based Seismic Interpolation in Irregular Land Survey: A Deep Internal Learning Approach,” IEEE Trans. Geosci. Remote Sens., vol. 61, pp. 1–12, 2023, doi: https://doi.org/10.1109/TGRS.2023.3290468
- D. P. Kingma, J. Ba, “Adam: A Method for stochastic optimization,” arXiv preprint arXiv:1412.6980, pp. arXiv–1412, 2017. [Online]. Available: https://arxiv.org/abs/1412.6980