Procesamiento de anomalías en métodos potenciales de prospección mediante el aprendizaje automático probabilístico
Palabras clave:
aprendizaje automático, estadística, interpretación, algoritmo, métodos potenciales de prospecciónResumen
El aprendizaje automático es actualmente una herramienta disruptiva para el procesamiento de señales digitales y la toma de decisiones. En particular, el aprendizaje automático probabilístico permite aproximar la función de densidad de probabilidad bajo la cual se distribuyen las anomalías observadas. Utilizando el aprendizaje automático probabilístico, proponemos asistir al intérprete de datos de los métodos potenciales de prospección. Mediante la generación de alternativas estadísticamente consistentes con los datos de trabajo, el geocientista puede visualizar variaciones realistas del dato original que le permitan expandir su interpretación. Para ello, el intérprete ingresa al sistema la anomalía de interés. El sistema deduce a partir del dato suministrado una aproximación a su función de densidad de probabilidad. Luego, el sistema permite al usuario seleccionar una región del dato de entrada para generar en ella realizaciones distribuidas bajo la misma densidad de probabilidad de los datos observados. Evaluamos la novedad de los datos generados respecto del dato original en la región seleccionada, permitiendo al intérprete ponderar las propuestas obtenidas. Para inferir la función de densidad de probabilidad, utilizamos un método de adición y de remoción de ruido aleatorio sobre la cuadrícula suministrada. En la generación de datos, utilizamos un método de Monte Carlo basado en una cadena de Markov conocida como dinámica de Langevin. Algunos de los desafíos de la propuesta son el entrenamiento de un método de aprendizaje automático probabilístico con una sola base de datos y la limitación en el hardware y en el tiempo de cómputo que supone utilizar el método en una computadora personal. Presentamos una experiencia con datos sintéticos y en datos de campo de anomalía escalar de intensidad total magnética. Los resultados muestran que la propuesta puede asistir al intérprete en la delineación espacial de los cuerpos anómalos y la inversión de parámetros, tales como la dirección de magnetización.
Descargas
Referencias
Bhattacharyya, B. K. (1964). Magnetic anomalies due to prism-shaped bodies with arbitrary polarization. Geophysics, 29(4), 517-531.
Blakely, R. J. (1996). Potential theory in gravity and magnetic applications. Cambridge University Press.
Burkov, A. (2019). The hundred-page machine learning book. Andriy Burkov.
Chollet, F. (2021). Deep learning with Python. Simon and Schuster.
de Lima, R. P., Suriamin, F., K. J. Marfurt y M. J. Pranter. (2019). Convolutional neural networks as aid in core lithofacies classification. Interpretation, 7, SF27-SF40. http://dx.doi.org/10.1190/int-2018-0245.1
Dutra, A.C. y Marangoni, Y. R. (2009). Gravity and magnetic 3-D inversion of Morro do Engenho complex, central Brazil. Journal of South American Earth Sciences, 28(2), 193-203.
Dutra, A. C., Marangoni, Y. y Trindade, R. I. F. (2014). Aeromagnetic and physical-chemical properties of some complexes from Goiás Alkaline Province. Brazilian Journal of Geology, 44, 361–373, https://doi.org/10.5327/Z2317-4889201400030003
Elad, M., Kawar, B. y Vaksman, G. (2023). Image denoising: The deep learning revolution and beyond - a survey paper. SIAM Journal on Imaging Sciences, 16, 1594-1654. http://dx.doi.org/10.1137/23M1545859
Fedi, M., Florio, G. y Rapolla, A. (1994). A method to estimate the total magnetization direction from a distortion analysis of magnetic anomalies. Geophysical Prospecting, 42(3), 261-274.
Flusser, V. (2023). El universo de las imágenes técnicas: elogio de la superficialidad. Caja negra Editora.
Gonzalez, R.C. y Woods, R. E. (2018). Digital image processing. (4ª ed.). Pearson.
Goodfellow, I., Bengio, Y. y Courville, A. (2016). Deep learning. MIT press.
Hu Y., Xiaolong W, Wu X., Sun J., Huang Y. y Chen J. (2024). Three-dimensional cooperative inversion of airborne magnetic and gravity gradient data using deep-learning techniques. Geophysics, 89(1), WB67-WB79. http://dx.doi.org/10.1190/geo2023-0225.1
Journel, A. G. (1989). Fundamentals of geostatistics in five lessons. (Vol. 8). American Geophysical Union.
Kingma, D. P. y Ba, J. (2014). Adam: A method for stochastic optimization (v. 1). https://doi.org/10.48550/arXiv.1412.6980
Li, P., Liu, M., Alfarraj, M., Tahmasebi, P. y Grana, D. (2024). Probabilistic physics-informed neural network for seismic petrophysical inversion. Geophysics, 8(2), M17-M32. https://doi.org/10.1190/geo2023-0214.1
Liu, Q. y Ma, J. (2024). Generative interpolation via a diffusion probabilistic model. Geophysics, 89(1), V65-V85. http://dx.doi.org/10.1190/geo2023-0182.1
McAliley, W. A. y Li, Y. (2024). Stochastic inversion of geophysical data by a conditional variational autoencoder. Geophysics, 89(1), WA219–WA232. https://doi.org/10.1190/geo2023-0147.1
Meju, M. A. (1994). Geophysical data analysis: Understanding inverse problem. Theory and Practice. Society of Exploration Geophysicists.
Mosegaard, K. y Tarantola, A. (1991). Monte Carlo analysis of geophysical inverse problems. SEG Technical Program Expanded Abstracts, 940-940. https://doi.org/10.1190/1.1888770
Murphy, K. P. (2023). Probabilistic machine learning: Advanced topics. MIT press.
Reis, A. L., Oliveira Jr, V. C. y Barbosa, V. C. (2020). Generalized positivity constraint on magnetic equivalent layers. Geophysics, 85(6), J99-J110. https://doi.org/10.1190/geo2019-0706.1
Ronneberger, O., Fischer, P. y Brox, T. (2015). U-Net: Convolutional networks for biomedical image segmentation. Medical Image Computing and Computer-Assisted Intervention, 234–241. https://doi.org/10.48550/arXiv.1505.04597
Saharia, C., Ho, J., Chan, W., Salimans, T., Fleet, D. J. y Norouzi, M. (2023). Image super–resolution via iterative refinement. IEEE Transactions on Pattern Analysis and Machine Intelligence, 45(4), 4713–4726. https://doi.org/10.1109/TPAMI.2022.3204461
Song, Y. y Ermon, S. (2019). Generative modeling by estimating gradients of the data distribution. Advances in Neural Information Processing Systems, 32. https://doi.org/10.48550/arXiv.1907.05600
Song, Y. y Ermon, S. (2020). Improved techniques for training score-based generative models. Advances in Neural Information Processing Systems, 33, 12438–12448.
Spector, A. y Grant, F. (1970). Statistical models for interpreting aeromagnetic data. Geophysics (1970), 35(2), 293–302.
https://doi.org/10.1190/1.1440092
Zhang, H., Ravat, D., Marangoni, Y. R., Chen, G. y Hu, X. (2018). Improved total magnetization direction determination by correlation of the normalized source strength derivative and the reduced-to-pole fields. Geophysics, 83(6), J75–J85. https://doi.org/10.1190/geo2017-0178.1
Zhou, H., Guo, R., Li, M., Yang, F., Xu, S. y Abubakar, A. (2024). Feature-based magnetotelluric inversion by variational autoencoder using a subdomain encoding scheme. Geophysics, 89(1), WA67–WA83. https://doi.org/10.1190/geo2022-0774.1
Descargas
Publicado
Número
Sección
Licencia
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 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.
La licencia CC BY-NC-SA comenzó a utilizarse a partir del Vol. 43 núm. 2 (2022).
Previo a esa fecha, los materiales se publicaron bajo una licencia CC BY.
