Mestrado: Redes Neurais Convolucionais como Ferramenta de Interpolação de Dados Sísmicos

1- Prof. Dr. Carlos Alberto Moreno Chaves - IAG/USP

2- Prof. Dr. Joerg Dietrich Wilhelm Schleicher - UNICAMP – por videoconferência

3- Dr. Bruno Pereira Dias – Cenpes/Petrobras – por videoconferência

Redes neurais convolucionais estão com uso crescente na geofísica, destacadamente no imageamento sísmico. As aplicações variam desde classificação de fácies, segmentação, interpretação automática de falhas e horizontes a melhoria da resolução sísmica, filtragem de ruídos, reconstrução de dados, dentre outras. Neste trabalho usamos redes neurais convolucionais profundas, treinadas de forma competitiva (Generative Adversarial Networks-GANs), para fazer a interpolação de dados sísmicos migrados e empilhados, que sofriam de lacunas geradas por obstrução durante o processo de aquisição sísmica. Esse é um problema recorrente em aquisições do tipo towed streamer, que afeta dados antigos e novos e prejudica a interpretação sísmica da área afetada. Dessa forma, avaliamos modelos treinados com quatro métricas distintas, além na norma L1, que constitui parte da função objetivo da rede neural. Os dados da área afetada foram reconstruídos, mantendo a coerência entre as linhas adjacentes das imagens reconstruídas, sendo que essa análise da coerência não foi encontrada na literatura. Os resultados obtidos nesta dissertação foram melhores do que os obtidos com o método tradicional de interpolação, com funções de predição de erro (PEFs) em todas as métricas de avaliação, sendo que o coeficiente de correlação de Pearson médio entre as imagens interpoladas e as imagens originais, para uma lacuna centralizada com largura fixa de 124x256, foi de 0,65, para o nosso método, e de 0,35, para o método de PEFs. Aos compararmos a mesma métrica com resultados previamente publicados na literatura, tivemos uma correlação média de 0,68 para uma lacuna que perfazia 48,4% da imagem, enquanto que o resultado da literatura possui uma correlação média de 0,49 para uma lacuna de 30% da imagem.