Modelado y procesamiento de dispersión sísmica cercana a la superficie en datos multicomponente: Un enfoque basado en el modelado de ondas elásticas y filtrado de polarización
Esta tesis presenta un conjunto de estrategias para modelar y procesar el ruido causado por la dispersión sísmica cercana a la superficie (NSS, Near-surface Seismic Scattering) en datos sísmicos multicomponente. Para lograr esto, se implementó un enfoque sistemático que incluyó el modelado numérico...
- Autores:
-
Sánchez Galvis, Iván Javier
- Tipo de recurso:
- Doctoral thesis
- Fecha de publicación:
- 2024
- Institución:
- Universidad Industrial de Santander
- Repositorio:
- Repositorio UIS
- Idioma:
- eng
- OAI Identifier:
- oai:noesis.uis.edu.co:20.500.14071/15740
- Palabra clave:
- Cercano a la super cie
Modelado de ondas elásticas
Dispersión sísmica
Datos multi- componentes
Filtro de polarización
Autoencoder
Near-Surface
Elastic Wave Modeling
Seismic Scattering
Multicomponent Data
Polarization Filter
Autoencoder
- Rights
- openAccess
- License
- Atribución-NoComercial-SinDerivadas 2.5 Colombia (CC BY-NC-ND 2.5 CO)
| Summary: | Esta tesis presenta un conjunto de estrategias para modelar y procesar el ruido causado por la dispersión sísmica cercana a la superficie (NSS, Near-surface Seismic Scattering) en datos sísmicos multicomponente. Para lograr esto, se implementó un enfoque sistemático que incluyó el modelado numérico de la propagación de ondas elásticas 3D en medios heterogéneos cercanos a la superficie con topografías irregulares que emulan escenarios del mundo real. Para mitigar las complejidades computacionales y mejorar la precisión del modelado, se desarrolló un solucionador de ondas elásticas 3D acelerado por GPU. Utilizando dicho solucionador, se introdujo una estrategia para simular la separación NSS y comprender mejor el ruido sísmico terrestre y contribuir al avance de tal ruido. Se creó un filtro de polarización multiestación para la separación de tipos de ondas, mejorando la calidad de los datos sísmicos de tres componentes (3C) submuestreados, especialmente en presencia del ruido NSS. Finalmente, se aplicaron técnicas de aprendizaje automático para la atenuación automática de NSS, lo que mejoró la calidad de los datos sísmicos. El rendimiento de estas estrategias se probó a través de varios experimentos con datos reales y sintéticos, conduciendo a un progreso significativo en la atenuación del ruido NSS en datos sísmicos terrestres. |
|---|