Campo DC | Valor | Idioma |
dc.creator | Santana, Jorge Luís dos Santos | - |
dc.date.accessioned | 2022-11-01T12:07:46Z | - |
dc.date.available | 2022-11-01T12:07:46Z | - |
dc.date.issued | 2022-08-19 | - |
dc.identifier.citation | SANTANA, Jorge Luís dos Santos. Inversão da forma de onda completa com abordagem multiescala usando redes neurais recorrentes. 2022. 94 f. Dissertação (Mestrado em Geofísica) Instituto de Geociências, Universidade Federal da Bahia, Salvador, Ba, 2022. | pt_BR |
dc.identifier.uri | https://repositorio.ufba.br/handle/ri/36246 | - |
dc.description.abstract | Seen as a fundamental parameter for a reliable geological image of the subsurface, and
consequent exploratory success, seismic velocity is one of the prerequisites in the seismic
exploration chain. Such velocity relates directly to the construction quality of seismic images
through robust algorithms such as reverse time migration (RTM) or other seismic imaging
techniques. In this work, we use machine learning environments to obtain high resolution
seismic velocity through the full waveform inversion (FWI) technique.
In summary, the FWI technique aims to compare data from real observations with
calculated data obtained through seismic modeling from the solution of a specific wave
equation. The residual of this comparison is minimized and the gradient is used to update,
with an iterative optimization algorithm, the velocity model that at the end of the process
will be able to correspond to the real data. Here we will use a Recurrent Neural Network
(RNN), based on the governing physics (acoustic wave equation), to derive the real data
and the calculated data regarding the direct seismic modeling step, since we will deal with
purely synthetic data. In addition, learning environments, such as Pytorch, provide us with
tools for calculating the gradient (automatic differentiation) and the mini-batch strategy
important in terms of reduction memory and higher processing velocity.
As the FWI is based on the iterative minimization of a cost function between observed
and calculated data, in order to avoid convergence to local minima, we use the multiscale
approach of frequency. In addition, we tested the FWI response when subjected to noisy
observation data and less accurate initial models, and compared it with the inversion response
added to the multiscale approach of frequency technique, to demonstrate the performance
of this approach when it comes to mitigating these limitations.
The results obtained in three sets of data demonstrate the efficiency and applicability of
the technique used in the attempt to obtain high resolution seismic velocity fields. | pt_BR |
dc.description.sponsorship | Petróleo Brasileiro S. A (PETROBRAS) | pt_BR |
dc.language | por | pt_BR |
dc.publisher | Universidade Federal da Bahia | pt_BR |
dc.subject | Inversão geofísica | pt_BR |
dc.subject | Inversão sísmica | pt_BR |
dc.subject | Velocidade sísmica | pt_BR |
dc.subject | Redes neurais | pt_BR |
dc.subject | Inteligência artificial | pt_BR |
dc.subject.other | Geophysical inversion | pt_BR |
dc.subject.other | Seismic inversion | pt_BR |
dc.subject.other | Seismic velocity | pt_BR |
dc.subject.other | Neural network | pt_BR |
dc.subject.other | Artificial intelligence | pt_BR |
dc.title | Inversão da forma de onda completa com abordagem multiescala usando redes neurais recorrentes | pt_BR |
dc.title.alternative | Full waveform inversion with multiscale approach using recurrent neural networks | pt_BR |
dc.type | Dissertação | pt_BR |
dc.publisher.program | Pós-Graduação em Geofísica (PGEOF) | pt_BR |
dc.publisher.initials | UFBA | pt_BR |
dc.publisher.country | Brasil | pt_BR |
dc.subject.cnpq | CNPQ::CIENCIAS EXATAS E DA TERRA::GEOCIENCIAS::GEOFISICA | pt_BR |
dc.contributor.advisor1 | Pestana, Reynam da Cruz | - |
dc.contributor.advisor1ID | 0000-0002-2531-8969 | pt_BR |
dc.contributor.advisor1Lattes | http://lattes.cnpq.br/7927685281122435 | pt_BR |
dc.contributor.referee1 | Pestana, Reynam da Cruz | - |
dc.contributor.referee1ID | 0000-0002-2531-8969 | pt_BR |
dc.contributor.referee1Lattes | http://lattes.cnpq.br/7927685281122435 | pt_BR |
dc.contributor.referee2 | Cerqueira, Alexsandro Guerra | - |
dc.contributor.referee2ID | 0000-0003-3462-9336 | pt_BR |
dc.contributor.referee2Lattes | http://lattes.cnpq.br/4993793853330521 | pt_BR |
dc.contributor.referee3 | Ladino, Oscar Fabian Mojica | - |
dc.contributor.referee3ID | 0000-0003-1358-8344 | pt_BR |
dc.contributor.referee3Lattes | http://lattes.cnpq.br/0796232840554652 | pt_BR |
dc.creator.Lattes | http://lattes.cnpq.br/9940243554510324 | pt_BR |
dc.description.resumo | Vista como parâmetro fundamental para uma confiável imagem geológica da subsuperfície, e
consequente sucesso exploratório, a velocidade sísmica é um dos pré-requisitos na cadeia da
exploração sísmica. Tal velocidade tem relação direta na qualidade da construção de imagens
sísmicas através de algoritmos robustos como o da migração reversa no tempo (em inglês,
Reverse Time Migration - RTM) ou outras técnicas de imageamento sísmico. Neste trabalho,
recorremos aos ambientes de aprendizado de máquina para obtermos uma velocidade sísmica
de alta resolução por meio da técnica de inversão da forma de onda completa (em inglês,
Full Waveform Inversion - FWI).
Em síntese, a técnica FWI visa comparar dados de observações reais com dados calcu-
lados obtidos através da modelagem sísmica a partir da solução de uma equação de onda
específica. O resíduo dessa comparação é minimizado e, o gradiente, é utilizado para atu-
alizar, com um algoritmo de otimização iterativa, o modelo de velocidades que no final do
processo será capaz de corresponder aos dados reais. Aqui utilizaremos uma rede neural re-
corrente (Recurrent Neural Network - RNN), baseada na física governante (equação da onda
acústica), para derivar os dados reais e os dados calculados no que tange a etapa de mo-
delagem sísmica direta, visto que trataremos de dados puramente sintéticos. Além disso os
ambientes de aprendizagem, como o Pytorch, nos proporcionam ferramentas para o cálculo
do gradiente (diferenciação automática) e estratégia de mini-lote (em inglês, mini-batches)
importante na questão de redução de memória e maior velocidade de processamento.
Como a FWI se baseia na minizimação iterativa de uma função custo entre dados ob-
servados e calculados, no intuito de evitar a convergência a mínimos locais utilizamos a
abordagem multiescala na frequência. Além disso, testamos a resposta da FWI quando sub-
metida a dados de observações ruidosos e a modelos iniciais menos precisos e comparamos
com a resposta da inversão somada à técnica multiescala na frequência, para demonstrar a
atuação desta abordagem na mitigação destas limitações.
Os resultados obtidos em três conjuntos de dados demostram a eficiência e aplicabilidade
da técnica usada na tentativa de obter campos de velocidades sísmica de alta resolução. | pt_BR |
dc.publisher.department | Instituto de Geociências | pt_BR |
dc.type.degree | Mestrado Acadêmico | pt_BR |
Aparece nas coleções: | Dissertação (PGGEOFISICA)
|