Inversão da forma de onda completa com abordagem multiescala usando redes neurais recorrentes

• Autor(a) principal: Santana, Jorge Luís dos Santos
• Data de Publicação: 2022
• Tipo de documento: Dissertação
• Idioma: por
• Título da fonte: Repositório Institucional da UFBA
• Texto Completo: https://repositorio.ufba.br/handle/ri/36246
• topic: CNPQ::CIENCIAS EXATAS E DA TERRA::GEOCIENCIAS::GEOFISICA; Inversão geofísica; Inversão sísmica; Velocidade sísmica; Redes neurais; Inteligência artificial; Geophysical inversion; Seismic inversion; Seismic velocity; Neural network; Artificial intelligence

Vista como parâmetro fundamental para uma confiável imagem geológica da subsuperfície, e consequente sucesso exploratório, a velocidade sísmica é um dos pré-requisitos na cadeia da exploração sísmica. Tal velocidade tem relação direta na qualidade da construção de imagens sísmicas através de algoritmos robustos como o da migração reversa no tempo (em inglês, Reverse Time Migration - RTM) ou outras técnicas de imageamento sísmico. Neste trabalho, recorremos aos ambientes de aprendizado de máquina para obtermos uma velocidade sísmica de alta resolução por meio da técnica de inversão da forma de onda completa (em inglês, Full Waveform Inversion - FWI). Em síntese, a técnica FWI visa comparar dados de observações reais com dados calcu- lados obtidos através da modelagem sísmica a partir da solução de uma equação de onda específica. O resíduo dessa comparação é minimizado e, o gradiente, é utilizado para atu- alizar, com um algoritmo de otimização iterativa, o modelo de velocidades que no final do processo será capaz de corresponder aos dados reais. Aqui utilizaremos uma rede neural re- corrente (Recurrent Neural Network - RNN), baseada na física governante (equação da onda acústica), para derivar os dados reais e os dados calculados no que tange a etapa de mo- delagem sísmica direta, visto que trataremos de dados puramente sintéticos. Além disso os ambientes de aprendizagem, como o Pytorch, nos proporcionam ferramentas para o cálculo do gradiente (diferenciação automática) e estratégia de mini-lote (em inglês, mini-batches) importante na questão de redução de memória e maior velocidade de processamento. Como a FWI se baseia na minizimação iterativa de uma função custo entre dados ob- servados e calculados, no intuito de evitar a convergência a mínimos locais utilizamos a abordagem multiescala na frequência. Além disso, testamos a resposta da FWI quando sub- metida a dados de observações ruidosos e a modelos iniciais menos precisos e comparamos com a resposta da inversão somada à técnica multiescala na frequência, para demonstrar a atuação desta abordagem na mitigação destas limitações. Os resultados obtidos em três conjuntos de dados demostram a eficiência e aplicabilidade da técnica usada na tentativa de obter campos de velocidades sísmica de alta resolução.