Banca de QUALIFICAÇÃO: JAIME ANDRES COLLAZOS GONZALEZ

Uma banca de QUALIFICAÇÃO de DOUTORADO foi cadastrada pelo programa.
DISCENTE : JAIME ANDRES COLLAZOS GONZALEZ
DATA : 18/05/2023
HORA: 09:00
LOCAL: Online
TÍTULO:

 Predição de processamento sísmico com uma Rede Generativa Adversarial (GAN)

PALAVRAS-CHAVES:

Procesamiento sísmico, denoise, interpolação, deep learning, U-Net, Redes Adversárias Gerativas

PÁGINAS: 62
RESUMO:

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 pelas siglas em inglês 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 às 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.

MEMBROS DA BANCA:
Externo à Instituição - EDWIN HUMBERTO FAGUA DUARTE - UFRN
Interno - 1379465 - GILBERTO CORSO
Presidente - 2492756 - JOAO MEDEIROS DE ARAUJO