Identificação de falhas geológicas em sísmicas usando Redes Neurais Convolucionais

Abordagens usando aprendizagem de máquina estão sendo cada vez mais utilizadas como apoio em atividades na Geociência. Dentre as aplicações possíveis, algumas são voltadas à interpretação de dados sísmicos em tarefas tais como identificação de feições ou falhas. Em particular, este trabalho auxilia na interpretação sísmica trazendo ganhos ao diminuir o trabalho manual e o tempo gasto ao se realizar o estudo da área geológica. Recursos de aprendizado supervisionado com uso de redes de aprendizado profundo têm sido identificados na literatura com bons resultados para este contexto, em atividades de segmentação. Este trabalho descreve o desenvolvimento de um estudo sobre métodos para apoio na detecção de fraturas em sísmica, a proposição de uma abordagem para esta detecção usando recursos de aprendizado supervisionado, bem como experimentos de avaliação. Com base nesse estudo e em experimentos preliminares, foi proposta e avaliada uma arquitetura de rede do tipo encoder-decoder, que atua na segmentação de imagens identificando as falhas. Esta arquitetura tem como base as redes DNFS, StNet e FaultNet. O trabalho também gerou contribuições na produção e anotação de um dataset com dados anotados de falhas em sísmica e sua disponibilização para experimentos. O estudo prevê como atividades futuras a identificação de falhas ou fraturas criticamente estressadas de acordo com o campo tensional.