Identificação de falhas geológicas em sísmicas usando Redes Neurais Convolucionais
| Orientador(a) (dc.contributor.advisor) | Rigo, Sandro José | |
| Lattes Orientador(a) (dc.contributor.advisorLattes) | http://lattes.cnpq.br/3914159735707328 | pt_BR |
| Autor(a) (dc.contributor.author) | Alves, Lucas Gabriel Ferreira | |
| Autor(a) Lattes (dc.contributor.authorLattes) | http://lattes.cnpq.br/0752964572726781 | pt_BR |
| Data de Disponibilização (dc.date.accessioned) | 2023-06-01T12:41:53Z | |
| dc.date.available (dc.date.available) | 2023-06-01T12:41:53Z | |
| Data da defesa / Data do evento (dc.date.issued) | 2022-12-01 | |
| Abstract (dc.description.abstract) | Approaches using machine learning are being used to support activities in Geoscience. Among the possible applications, some are aimed at interpreting seismic data in tasks such as identifying features or identifying faults. In particular, this work assists the seismic interpretation and can bring gains by reducing manual work and the time spent studying the geological area. This dissertation describes how a tool capable of selecting points representing geometric sequences in seismic and discontinuities in these sequences can be developed. Thus, in this work, a study of types of deep neural networks in seismic geological data was done. From these works, we have the identification of 2D faults or fractures. Experiments with deep neural network training in seismic were also carried out to serve as the basis for the proposed work. With this study and these experiments, a new network architecture of the encoder-decoder type was proposed and evaluated, making image segmentation identify faults. This architecture is based on DNFS, StNet, and FaultNet networks. The work also generated contributions in producing and annotating a dataset with annotated seismic fault data available for access and used in experiments. Our future steps include fostering solutions to identify faults or critically stressed fractures according to the tension field. | en |
| Resumo (dc.description.resumo) | 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. | pt_BR |
| Agência de fomento (dc.description.sponsorship) | CAPES - Coordenação de Aperfeiçoamento de Pessoal de Nível Superior | pt_BR |
| URI (dc.identifier.uri) | http://www.repositorio.jesuita.org.br/handle/UNISINOS/12441 | |
| Idioma (dc.language) | pt_BR | pt_BR |
| Nome da instituição (dc.publisher) | Universidade do Vale do Rio dos Sinos | pt_BR |
| País da Instituição (dc.publisher.country) | Brasil | pt_BR |
| Departamento (dc.publisher.department) | Escola Politécnica | pt_BR |
| Sigla da Instituição (dc.publisher.initials) | Unisinos | pt_BR |
| Programa (dc.publisher.program) | Programa de Pós-Graduação em Computação Aplicada | pt_BR |
| Direitos de acesso ao documento (dc.rights) | openAccess | pt_BR |
| Assunto (dc.subject) | Falhas geológicas | pt_BR |
| Assunto (dc.subject) | Rede neural convolucional | pt_BR |
| Assunto (dc.subject) | Geociências | pt_BR |
| Assunto (dc.subject) | Geology faults | en |
| Assunto (dc.subject) | Convolutional neural network | en |
| Assunto (dc.subject) | Geosciences | en |
| Tema (CNPq) (dc.subject.cnpq) | ACCNPQ::Ciências Exatas e da Terra::Ciência da Computação | pt_BR |
| Título (dc.title) | Identificação de falhas geológicas em sísmicas usando Redes Neurais Convolucionais | pt_BR |
| Tipo de arquivo (dc.type) | Dissertação | pt_BR |
Arquivos
Pacote original
1 - 1 de 1
Carregando...
- Nome:
- Lucas Gabriel Ferreira Alves_.pdf
- Tamanho:
- 16.37 MB
- Formato:
- Adobe Portable Document Format
- Descrição:
- identificacao_falhas
Licença do pacote
1 - 1 de 1
Carregando...
- Nome:
- license.txt
- Tamanho:
- 2.12 KB
- Formato:
- Item-specific license agreed upon to submission
- Descrição: