Aprendizaje automático para análisis y procesamiento de datos sísmicos
Palabras clave:
exploración sísmica, velocdades, redes neuronalesResumen
El aprendizaje automático está marcando el ritmo del avance del análisis de datos en muchos campos de la ciencia, la tecnología y la industria. En este contexto, el procesamiento y la inversión de datos sísmicos se abordan mediante estrategias que extraen la información relevante de los datos de forma casi automática. El “dictionary learning” y las Redes Neuronales son dos ejemplos comunes de algoritmos capaces de capturar las estructuras y patrones complejos incrustados en los datos e inferir o predecir cierta información de interés a partir de ellos. Utilizamos la técnica de “residual dictionary denoising” para atenuar la huella de adquisición en los datos sísmicos 3D. Además, demostramos algunos avances en el uso de una red neuronal profunda para invertir el tensor de momento sísmico en escenarios de monitorización de pozos. El aprendizaje automático también incluye técnicas de optimización global, como el recocido simulado y la evolución diferencial. Exploramos cómo estos dos algoritmos pueden automatizar procesos en la exploración sísmica, como el análisis de la velocidad y el “well-tying” que convencionalmente se hacen a mano y, por lo tanto, son susceptibles de la subjetividad y la experiencia del usuario.
Descargas
Citas
Abassi, Mostafa, and Ali Gholami. 2018. “Automatic Nonhyperbolic Velocity Analyis by Polynomial Chaos Expansion.” Geophysics 86 (6): no. 6, U79–U88.
Abbad, Brahim, Bjørn Ursin, and Didier Rappin. 2009. “Automatic Nonhyperbolic Velocity Analysis.” Geophysics 74 (2): no. 2, U1–U12.
Alali, Abdulmohsen, Gabriel Machado, and Kurt J. Marfurt. 2018. “Attribute-Assisted Footprint Suppression Using a 2D Continuous Wavelet Transform.” Interpretation 6 (2): T457–T470. https://doi.org/10.1190/INT-2017-0175.1
Baig, Adam, and Ted Urbancic. 2010. “Microseismic moment tensors: A path to understanding frac growth.” The Leading Edge 29 (3): 320–24.
Beckouche, Simon, and Jianwei Ma. 2014. “Simultaneous Dictionary Learning and Denoising for Seismic Data.” Geophysics 79 (3): no. 3, A27–A31. https://doi.org/10.1190/geo2013-0382.1
Bennett, James, Stan Lanning, and others. 2007. “The Netflix Prize.” In Proceedings of Kdd Cup and Workshop, 2007:35. New York, NY, USA.
Binder, Gary. 2018. “Neural Networks for Moment-Tensor Inversion of Surface Microseismic Data.” In SEG Technical Program Expanded Abstracts 2018, 2917–21. Society of Exploration Geophysicists.
Bougher, Benjamin Bryan. 2016. “Machine Learning Applications to Geophysical Data Analysis.” PhD thesis, University of British Columbia.
Brunini, Germán I., Danilo R. Velis, and Juan I. Sabbione. 2021. “Seismic Moment Tensor Inversion in Anisotropy Media Using Deep Neural Networks.” In Anales, 5 pages. San Juan, Argentina.
Chen, Yangkang. 2018. “Automatic Velocity Analysis Using High-Resolution Hyperbolic Radon Transform.” Geophysics 83 (4): no. 4, A53–A57.
Chopra, Satinder, and Glen Larsen. 2000. “Acquisition Footprint–Its Detection and Removal.” CSEG Recorder 25 (8): 16–20.
Davis, L., ed. 1987. Genetic Algorithms and Simulated Annealing. Los Altos, CA: Morgan Kaufmann Publishers.
Drummond, J. M., Arthur J. L. Budd, and James W. Ryan. 2000. “Adapting to Noisy 3D Data - Attenuating the Acquisition Footprint.” SEG Technical Program Expanded Abstracts, 9–12. https://doi.org/10.1190/1.1816247
Elad, Michael. 2010. Sparse and Redundant Representations: From Theory to Applications in Signal and Image Processing. Springer Science & Business Media.
Falconer, Scott, and Kurt J. Marfurt. 2008. “Attribute-Driven Footprint Suppression.” SEG Technical Program Expanded Abstracts, 2667–71. https://doi.org/10.1190/1.3063897
Fortini, Carlo, Davide Maggi, Vincenzo Lipari, and Maurizio Ferla. 2013. “Particle Swarm Optimization for Seismic Velocity Analysis.” In Expanded Abstracts, 4864–8. SEG.
Garabito, German. 2018. “Global Optimization Strategies for Implementing 3D Common-Reflection-Surface Stack Using the Very Fast Simulated Annealing Algorithm: Application to Real Land Data.” Geophysics 83 (4): no. 4, V253–V261.
Gelpi, Gabriel, Daniel O. Pérez, and Danilo R. Velis. 2020. “Automatic Well Tying and Wavelet Phases Estimation with No Waveform Stretching or Squeezing.” Geophysics 85 (3): D83–D91.
Goldberg, D. E., ed. 1989. Genetics Algorithms in Search, Optimization, and Machine Learning. Addisson-Wesley Publishing Company, Inc.
Gómez, Julián L., and Danilo R. Velis. 2020. “Footprint Removal from Seismic Data with Residual Dictionary Learning.” Geophysics 85 (4): V355–V365. https://doi.org/10.1190/geo2019-0482.1
Goodfellow, Ian, Yoshua Bengio, and Aaron Courville. 2016. Deep Learning. MIT press.
Grechka, Vladimir. 2015. “On the Feasibility of Inversion of Single-Well Microseismic Data for Full Moment Tensor.” Geophysics 80 (4): KS41–KS49.
Grechka, Vladimir, and Werner M. Heigl. 2017. Microseismic Monitoring. Society of Exploration Geophysicists, Tulsa, OK. https://doi.org/10.1190/1.9781560803485
Grechka, Vladimir I. 2015. “Moment Tensor Inversion of Single-Well Microseismic Data: Is It Feasible?” In SEG Technical Program Expanded Abstracts 2015, 2506–11. Society of Exploration Geophysicists.
Gülünay, Necati. 1999. “Acquisition Geometry Footprints Removal.” SEG Technical Program Expanded Abstracts, 637–40. https://doi.org/10.1190/1.1821103
Gülünay, Necati, F. Martin, and R. Martinez. 1994. “3D Data Acquisition Artifacts Removal by Spot Editing in the Spatial-Temporal Frequency Domain.” 56th Annual International Conference and Exhibition, EAGE, Extended Abstracts, H049.
Herrera, H., S. Fomel, and M. van der Baan. 2014. “Automatic Approaches for Seismic to Well Tying.” Interpretation 2 (2): SD101–SD109.
Herron, D. 2011. First Steps in Seismic Interpretation. Society of Exploration Geophysicists. https://doi.org/10.1190/1.9781560802938
Ingber, L. 1989. “Very Fast Simulated Re-Annealing.” Journal of Mathematical Computation and Modelling 12: 967–73.
Kirkpatrick, S., C. D. Jr. Gellat, and M. P. Vecchi. 1983. “Optimization by Simulated Annealing.” Science 220: 671–80.
Laarhoven, P. I. M. van, and E. H. L. Aarts. 1988. Simulated Annealing: Theory and Applications. Dordrecht: D. Riedel.
Li, Chengbo, Yu Zhang, and Charles C. Mosher. 2019. “A Hybrid Learning-Based Framework for Seismic Denoising.” The Leading Edge 38 (7): 542–49. https://doi.org/10.1190/tle38070542.1
Mallat, Stephane. 1999. A Wavelet Tour of Signal Processing: The Sparse Way. 3rd ed. Academic Press.
Marfurt, Kurt J., Ronald M. Scheet, John A. Sharp, and Mark G. Harper. 1998. “Suppression of the Acquisition Footprint for Seismic Sequence Attribute Mapping.” Geophysics 63 (3): 1024–35. https://doi.org/10.1190/1.1444380
Muñoz, A., and D. Hale. 2015. “Automatic Simultaneous Multiple Well Ties.” Geophysics 80 (8): IM45–IM51.
Newrick, R. 2012. Well Tie Perfection - 52 Things You Should Know About Geophysics. Agile Libre.
Ovcharenko, Oleg, Jubran Akram, and Daniel Peter. 2018. “Feasibility of Moment Tensor Inversion from a Single Borehole Data Using Artificial Neural Networks.” Search and Discovery.
Park, Min Jun, and Mauricio D. Sacchi. 2020. “Automatic Velocity Analysis Using Convolutional Neural Network and Transfer Learning.” Geophysics 85 (1): no. 1, V33–V43. https://doi.org/10.1190/geo2018-0870.1
Qadrouh, AN, JM Carcione, M Alajmi, and MM Alyousif. 2019. “A Tutorial on Machine Learning with Geophysical Applications.” Bollettino Di Geofisica Teorica Ed Applicata 60 (3).
Sahai, Surinder K, and Khalid A Soofi. 2006. “Use of Simple 2-D Filters to Reduce Footprint Noise in Seismic Data.” Geohorizons 7: 14–17.
Samuel, Arthur L. 1959. “Some Studies in Machine Learning Using the Game of Checkers.” IBM Journal of Research and Development 3 (3): 210–29.
Simm, R., and M. Bacon. 2014. “Seismic Amplitude: An Interpreter’s Handbook.” In. Cambridge University Press.
Soubaras, Robert. 2002. “Attenuation of Acquisition Footprint for Non-Orthogonal 3D Geometries.” SEG Technical Program Expanded Abstracts, 2142–5. https://doi.org/10.1190/1.1817129
Sripanich, Yanadet, Sergey Fomel, Jeannot Trampert, William Burnett, and Thomas Hess. 2020. “Probabilistic Moveout Analysis by Time Warping.” Geophysics 85 (1): no. 1, U1–U20.
Storn, R., and K. Price. 1997. “Differential Evolution – a Simple and Efficient Heuristic for Global Optimization over Continuous Spaces.” Journal of Global Optimization 11: 341–59.
Tošić, Ivana, and Pascal Frossard. 2011. “Dictionary Learning: What Is the Right Representation for My Signal?” IEEE Signal Processing Magazine 28 (2): 27–38.
Turquais, Pierre, Endrias G. Asgedom, and Walter Söllner. 2017a. “A Method of Combining Coherence-Constrained Sparse Coding and Dictionary Learning for Denoising.” Geophysics 82 (3): V137–V148. https://doi.org/10.1190/geo2016-0164.1
———. 2017b. “Coherent Noise Suppression by Learning and Analyzing the Morphology of the Data.” Geophysics 82 (6): V397–V411. https://doi.org/10.1190/geo2017-0092.1
Vavryčuk, Václav, and Daniela Kühn. 2012. “Moment Tensor Inversion of Waveforms: A Two-Step Time-Frequency Approach.” Geophysical Journal International 190 (3): 1761–76.
Velis, Danilo R. 2021. “Simulated Annealing Velocity Analysis: Automating the Picking Process.” Geophysics 86 (6).
Walden, A. T., and R. E. White. 1984. “On Errors of Fit and Accuracy in Matching Synthetic Seismograms and Seismic Traces.” Geophysical Prospecting 32: 871–91.
Wamriew, Daniel Stephen, Marwan Charara, Evgenii Maltsev, and others. 2020. “Deep Neural Network for Real-Time Location and Moment Tensor Inversion of Borehole Microseismic Events Induced by Hydraulic Fracturing.” In SPE Russian Petroleum Technology Conference. Society of Petroleum Engineers.
White, R., and R. Simm. 2003. “Tutorial: Good Practice in Well Ties.” EAGE First Break 21: 75–83.
Yilmaz, Özdoân. 2001. Seismic Data Analysis: Processing, Inversion, and Interpretation of Seismic Data. Investigations in Geophysics. SEG.
Ziolkowski, A., J. R. Underhill, and R. G. K. Johnston. 1998. “Wavelets, Well Ties, and the Search for Subtle Stratigraphic Traps.” Geophysics 63 (1): P297–P313.
Zu, Shaohuan, Hui Zhou, Rushan Wu, Maocai Jiang, and Yangkang Chen. 2019. “Dictionary Learning Based on Dip Patch Selection Training for Random Noise Attenuation.” Geophysics 84 (3): V1–V15. https://doi.org/10.1190/geo2018-0596.1
Descargas
Publicado
Cómo citar
Número
Sección
Licencia
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.
A partir de 2022 (Vol. 43 número 2) los artículos se publicarán en la revista bajo una licencia Creative Commons Atribución- NoComercial-CompartirIgual 4.0 Internacional (CC BY-NC-SA 4.0)
Acorde a estos términos, el material se puede compartir (copiar y redistribuir en cualquier medio o formato) y adaptar (remezclar, transformar y crear a partir del material otra obra), siempre que a) se cite la autoría y la fuente original de su publicación (revista y URL de la obra), b) no se use para fines comerciales y c) se mantengan los mismos términos de la licencia.
Previo a esta fecha los artículos se publicaron en la revista bajo una licencia Creative Commons Atribución (CC BY)
En ambos casos, la aceptación de los originales por parte de la revista implica la cesión no exclusiva de los derechos patrimoniales de los/as autores/as en favor del editor, quien permite la reutilización, luego de su edición (posprint), bajo la licencia que corresponda según la edición.
Tal cesión supone, por un lado, que luego de su edición (posprint) en Revista GEOACTA de la Asociación de Geofísicos y Geodestas las/os autoras/es pueden publicar su trabajo en cualquier idioma, medio y formato (en tales casos, se solicita que se consigne que el material fue publicado originalmente en esta revista); por otro, la autorización de los/as autores/as para que el trabajo sea cosechado por SEDICI, el repositorio institucional de la Universidad Nacional de La Plata, y sea difundido en las bases de datos que el equipo editorial considere adecuadas para incrementar la visibilidad de la publicación y de sus autores/as.
Asimismo, la revista incentiva a las/os autoras/es para que luego de su publicación en Revista de la Asociación de Geofísicos y Geodestas depositen sus producciones en otros repositorios institucionales y temáticos, bajo el principio de que ofrecer a la sociedad la producción científica y académica sin restricciones contribuye a un mayor intercambio del conocimiento global.
