Anisotropic orthogonal ensemble network for 3D seismic facies segmentation

Detalhes bibliográficos
Autor(a) principal: Trindade, Elton Alves
Data de Publicação: 2021
Tipo de documento: Dissertação
Idioma: eng
Título da fonte: Repositório Institucional da UFSC
Texto Completo: https://repositorio.ufsc.br/handle/123456789/227057
Resumo: Dissertação (mestrado) - Universidade Federal de Santa Catarina, Centro Tecnológico, Programa de Pós-Graduação em Ciência da Computação, Florianópolis, 2021.
id UFSC_dfc48449fbabcd05f3ad335b3e374403
oai_identifier_str oai:repositorio.ufsc.br:123456789/227057
network_acronym_str UFSC
network_name_str Repositório Institucional da UFSC
repository_id_str 2373
spelling Universidade Federal de Santa CatarinaTrindade, Elton AlvesRoisenberg, Mauro2021-08-23T14:06:58Z2021-08-23T14:06:58Z2021372455https://repositorio.ufsc.br/handle/123456789/227057Dissertação (mestrado) - Universidade Federal de Santa Catarina, Centro Tecnológico, Programa de Pós-Graduação em Ciência da Computação, Florianópolis, 2021.Os avanços tecnológicos na caracterização de reservatórios de petróleo e gás, como atributos sísmicos e sísmica 3D, enriqueceram a descrição da subsuperfície feita por especialistas. No entanto, o processo de segmentação de imagens deste enorme volume de dados tornou-se uma tarefa complexa. A fim de gerenciar de forma mais eficiente grandes dados sísmicos, este trabalho explora uma rede computacionalmente mais barata, com o uso de redes neurais convolucionais em planos ortogonais 2D redes neurais convolucionais para classificação de fácies e grupos lito-estratigráficos em cubos sísmicos 3D, guiados por uma heurística baseada nas Leis da estratigrafia, que é uma das etapas no processo de caracterização de reservatórios e exploração de óleo e gás. Foi proposta uma transferência de conhecimento de 2D para 3D, na qual dividimos as amostras de nosso dado 3D em 3 planos ortogonais entre si e a subsequente conversão dos parâmetros treinados para uma rede convolucional tri-dimensional equivalente. Cada um dos planos bi-dimensionais é convenientemente convertida em uma convolução tri-dimensional, emulando a visão de um géologo da amostra em 3 vistas ortogonais. As amostras de ambas redes (2D e 3D) foram extraídas em posições X,Y selecionadas aleatoriamente, simulando a extração de informação de poços já perfurados. A arquitetura de uma UNet foi selecionada para a rede proposta, visto que ela é uma das mais amplamente utilizadas para tarefas de segmentação de imagem. A metodologia proposta foi aplicada tanto em dados sintéticos (StanfordVI Reservoir) e dados sísmicos reais (F3-Block). Os experimentos no primeiro obtiveram excelentes resultados (96% na metrica IOU e 97,9% na métrica F1-Score), melhores que uma rede UNet 3D equivalente. Os resultados no dado F3-Block também foram superiores aos obtidos na literatura (ALAUDAH et al., 2019) e de uma rede UNet 3D, obtendo um resultado 7% maior que as demais na métrica MCA (Acurácia média por classe). Em comparação a outros modelos no mesmo benchmark, a rede proposta obteve melhores resultados a um custo computacional viável, sugerindo que essa metodologia é promissora, versátil e de fácil replicação.Abstract: Technological advances in oil and gas reservoir characterization, such as 3D seismic and seismic attributes, enriched the subsurface?s description made by specialists. Nevertheless, image segmentation process of this now huge volume of data became a complex task. In order to more efficiently manage big seismic data, this work explores a computationally cheaper network with the use of 2D orthogonal planes convolutional neural networks for 3D seismic cube facies classification and lithostratigrafic groups, supported by an heuristic based on the Laws of Stratigraphy, which is one of the steps of reservoir characterization and oil and gas exploration. We proposed a 2D to 3D Transfer learning in which we split the training samples of our 3D data as 3 orthogonal slices and convert the trained parameters to a 3D counterpart of the network, with each direction of the training planes conveniently converted to a 3D convolution, as if a geologist could see each sample through one of the orthogonal views. The samples for both 2D and 3D network were extracted in random selected X,Y locations, a sampling method that emulates the information extraction of drilled wells. Unet was selected as the backbone of the proposed network, since it it is one of the most applied architectures in image segmentation/classification tasks. Our methodology was applied in the synthetic data of the Stanford VI-E reservoir and the real seismic data of F3-block dataset. The experiments in the former obtained remarkable results (96 % in IOU and 97.9% in FWIU), even better than a 3D network using Unet. The results in the F3-block dataset were also superior to the ones obtained in the literature (ALAUDAH et al., 2019) and also a 3D Unet, with a MCA 7% above the previous mentioned networks. Compared to other models in the same benchmark, the proposed Anisotropic Orthogonal Ensemble Network classifier obtained better results than other architectures of literature at a very feasible computational cost, which suggests that such approach is a promising one and of easy replication.67 p.| il., tabs.engComputaçãoRedes neurais (Computação)Inteligência artificialAnisotropic orthogonal ensemble network for 3D seismic facies segmentationinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisreponame:Repositório Institucional da UFSCinstname:Universidade Federal de Santa Catarina (UFSC)instacron:UFSCinfo:eu-repo/semantics/openAccessORIGINALPGCC1197-D.pdfPGCC1197-D.pdfapplication/pdf25436837https://repositorio.ufsc.br/bitstream/123456789/227057/-1/PGCC1197-D.pdf97574acb31f80d309dbcf110d236e872MD5-1123456789/2270572021-08-23 11:06:58.434oai:repositorio.ufsc.br:123456789/227057Repositório de PublicaçõesPUBhttp://150.162.242.35/oai/requestopendoar:23732021-08-23T14:06:58Repositório Institucional da UFSC - Universidade Federal de Santa Catarina (UFSC)false
dc.title.none.fl_str_mv Anisotropic orthogonal ensemble network for 3D seismic facies segmentation
title Anisotropic orthogonal ensemble network for 3D seismic facies segmentation
spellingShingle Anisotropic orthogonal ensemble network for 3D seismic facies segmentation
Trindade, Elton Alves
Computação
Redes neurais (Computação)
Inteligência artificial
title_short Anisotropic orthogonal ensemble network for 3D seismic facies segmentation
title_full Anisotropic orthogonal ensemble network for 3D seismic facies segmentation
title_fullStr Anisotropic orthogonal ensemble network for 3D seismic facies segmentation
title_full_unstemmed Anisotropic orthogonal ensemble network for 3D seismic facies segmentation
title_sort Anisotropic orthogonal ensemble network for 3D seismic facies segmentation
author Trindade, Elton Alves
author_facet Trindade, Elton Alves
author_role author
dc.contributor.none.fl_str_mv Universidade Federal de Santa Catarina
dc.contributor.author.fl_str_mv Trindade, Elton Alves
dc.contributor.advisor1.fl_str_mv Roisenberg, Mauro
contributor_str_mv Roisenberg, Mauro
dc.subject.classification.none.fl_str_mv Computação
Redes neurais (Computação)
Inteligência artificial
topic Computação
Redes neurais (Computação)
Inteligência artificial
description Dissertação (mestrado) - Universidade Federal de Santa Catarina, Centro Tecnológico, Programa de Pós-Graduação em Ciência da Computação, Florianópolis, 2021.
publishDate 2021
dc.date.accessioned.fl_str_mv 2021-08-23T14:06:58Z
dc.date.available.fl_str_mv 2021-08-23T14:06:58Z
dc.date.issued.fl_str_mv 2021
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv https://repositorio.ufsc.br/handle/123456789/227057
dc.identifier.other.none.fl_str_mv 372455
identifier_str_mv 372455
url https://repositorio.ufsc.br/handle/123456789/227057
dc.language.iso.fl_str_mv eng
language eng
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv 67 p.| il., tabs.
dc.source.none.fl_str_mv reponame:Repositório Institucional da UFSC
instname:Universidade Federal de Santa Catarina (UFSC)
instacron:UFSC
instname_str Universidade Federal de Santa Catarina (UFSC)
instacron_str UFSC
institution UFSC
reponame_str Repositório Institucional da UFSC
collection Repositório Institucional da UFSC
bitstream.url.fl_str_mv https://repositorio.ufsc.br/bitstream/123456789/227057/-1/PGCC1197-D.pdf
bitstream.checksum.fl_str_mv 97574acb31f80d309dbcf110d236e872
bitstream.checksumAlgorithm.fl_str_mv MD5
repository.name.fl_str_mv Repositório Institucional da UFSC - Universidade Federal de Santa Catarina (UFSC)
repository.mail.fl_str_mv
_version_ 1766805332170899456

Registros relacionados