Sistema basado en redes neuronales generativas adversarias (GAN) para la obtención de sismogramas acústicos a partir de sismogramas elásticos

El experimento sísmico se puede definir como el registro de la propagación de ondas sísmicas generadas de forma artificial a través de un medio, que luego pasan a ser registradas en geófonos; las ondas registradas, también conocidas como trazas sísmicas, contienen algunas características del subsuelo como densidad, velocidad, anisotropía, entre otras (Krohn, 1984). Así mismo, este experimento se puede recrear de forma sintética empleando la ecuación de onda para modelar la propagación de la perturbación generada por la fuente y su interacción con el subsuelo, hasta obtener las correspondientes trazas sísmicas (Stein y Wysession, 2009). Debido a que el subsuelo es un medio elástico, las trazas obtenidas del experimento sísmico son esencialmente el resultado de la propagación de ondas elásticas; sin embargo, en muchos casos se desea observar sólo los eventos acústicos, ya que éstos han sido la base para la interpretación de sismogramas (Yilmaz, 2001). Considerando lo anterior, este trabajo de investigación trata sobre la eliminación de algunos eventos elásticos (por ejemplo, fenómenos superficiales elásticos y ruido ground roll) presentes en ondas sísmicas generadas sintéticamente mediante una ecuación de onda elástica (traza elástica), transformándolas a su versión acústica por medio de una red neuronal. Para ello se hizo la implementación de una red neuronal generativa adversaria (GAN) 1-D, adoptando una estrategia de entrenamiento diferencial de las redes discriminadora (D) y generadora (G) G) (Goodfellow et al.,2014), con el fin de de que D sea capaz de aprender y ser selectivo con el conjunto de datos reales para que luego G pueda mejorar a través de la retropropagación del error (Gulrajani et al., 2017). El entrenamiento se hizo por lotes con el fin de optimizar el proceso de aprendizaje y se realizó una comparación del desempeño de la red en cuanto a dos formas de presentación de datos: presentación de datos de forma aleatoria y ordenada. Los criterios de selección fueron basados en la función de costo, métricas de rendimiento para la red discriminadora (D) y generadora (G), y finalmente la calidad de las trazas generadas por el generador de acuerdo a la métrica. El sistema definido está conformado por una topología de red U-Net para el modelo G, para D una red convolucional con conexiones densas que comprenden desde la salida de la ultima capa convolucional hasta la capa de salida y una arquitectura de entrenamiento condicional para el entrenamiento. El sistema propuesto tiene la capacidad de generar datos a nivel de trazas y sismogramas; a nivel de sismogramas se evidencia la reducción de algunos eventos del dominio elástico.

• Autores: Ramírez Gómez, Danilo
• Tipo de recurso: Trabajo de grado de pregrado
• Fecha de publicación: 2022
• Institución: Universidad Industrial de Santander
• Repositorio: Repositorio UIS
• Idioma: spa
• OAI Identifier: oai:noesis.uis.edu.co:20.500.14071/9804
• Acceso en línea: https://noesis.uis.edu.co/handle/20.500.14071/9804; https://noesis.uis.edu.co
• Palabra clave: Redes Neuronales; Generative Adversarial Networks (GANs); Sismogramas; Trazas Sísmicas; Neural Networks; Generative Adversarial Networks (GANs); Seismograms; Seismic Traces
• Rights: openAccess
• License: Attribution-NonCommercial 4.0 International (CC BY-NC 4.0)