Resumo:
A interpretação de dados sísmicos é importante para a caracterização da forma dos sedimentos de uma área de estudo geológico. Tradicionalmente, esse trabalho é realizado escolhendo-se visualmente pontos que representem os limites de fácies sísmicas e executando-se uma ferramenta para realizar a inferência dos outros pontos limites. Esse processo requer uma grande quantidade de trabalho manual e pode permitir que algumas fácies não sejam identificadas, tornando o trabalho resultante menos detalhado do que poderia ser. Com o aumento do uso de aprendizagem profunda focada na segmentação de imagens, a sua aplicação no auxílio à interpretação sísmica pode trazer ganhos ao diminuir o trabalho manual e o tempo gasto ao se realizar o estudo de uma área geológica. Assim, nesse trabalho fizemos um estudo da aplicação de redes neurais profundas do tipo codificador-decodificar para a identificação das linhas separatórias de sismofácies. Como resultado, criamos uma rede neural chamada DNFS, a qual é baseada na U-Net e StNet, possui menos parâmetros que estas e é voltada a segmentação binária de dados sísmicos. Esse tipo de segmentação nos permitiu segmentar um número arbitrário de fácies sísmicas somente se focando na transição entre elas. Para usar a segmentação binária utilizamos um método simples de adaptação dos conjuntos de dados sobre os quais fizemos os experimentos. Essa adaptação utiliza linhas pretas entre as interseções das fácies sísmicas e cor branca para todo o restante da imagem rotulada. Para o cálculo de perda utilizamos uma função composta pela combinação linear das funções cross-entropy e Jaccard loss. Para otimizar o coeficiente da combinação linear da função que pondera o peso de cross-entropy e Jaccard loss no valor de perda, realizamos vários experimentos tendo como resultado que se a cross-entropy contribuir com 75% e Jaccard loss com 25%, poderíamos obter predições com alta fidelidade das linhas separatórias entre as fácies sísmicas. Também realizamos uma extensa avaliação experimental e ajustes dos hiperparâmetros e comparamos os resultados com as redes bases U-Net e StNet aplicadas sobre os mesmos conjuntos de dados. Ao final, obtivemos uma rede neural que pode se treinada em aproximadamente 15 minutos e oferece um índice acima de 95% relativo à métrica IoU sobre os conjuntos de dados StData-12 e Facies-Mark.