Um estudo comparativo entre diferentes modelos de redes neurais de aprendizado profundo aplicados ao problema da inversão sísmica

Detalhes bibliográficos
Autor(a) principal: Marques, Caique Rodrigues
Data de Publicação: 2022
Tipo de documento: Dissertação
Idioma: por
Título da fonte: Repositório Institucional da UFSC
Texto Completo: https://repositorio.ufsc.br/handle/123456789/247287
Resumo: Dissertação (mestrado) - Universidade Federal de Santa Catarina, Centro Tecnológico, Programa de Pós-Graduação em Ciência da Computação, Florianópolis, 2022.
id UFSC_f9baf8fbc6f8b5ac1a262507c5029505
oai_identifier_str oai:repositorio.ufsc.br:123456789/247287
network_acronym_str UFSC
network_name_str Repositório Institucional da UFSC
repository_id_str 2373
spelling Um estudo comparativo entre diferentes modelos de redes neurais de aprendizado profundo aplicados ao problema da inversão sísmicaComputaçãoAprendizado profundo (aprendizado do computador)Redes neurais (Computação)Dissertação (mestrado) - Universidade Federal de Santa Catarina, Centro Tecnológico, Programa de Pós-Graduação em Ciência da Computação, Florianópolis, 2022.A utilização de redes neurais para a resolução de problemas de inversão sísmica é realizada desde os anos 1990. Recentemente, a utilização de modelos de aprendizado profundo (deep learning ou DL) tem se mostrado promissora, com bons resultados em problemas de inversão sísmica. No entanto, ao proporem um novo modelo aplicado a este problema, os pesquisadores utilizam conjuntos de dados e métricas de avaliação diferentes, o que torna difícil a avaliação dos pontos fortes e fracos de cada proposta. Dependendo de características do sistema geológico e dos dados disponíveis, um modelo pode se sair melhor do que os outros, assim, a escolha de uma implementação que atenda às características do problema é crucial. Deste modo, um estudo de benchmarking se torna necessário para uma melhor seleção de um modelo em detrimento dos demais. Neste trabalho, apresentamos e discutimos alguns dos modelos DL utilizados na literatura para a resolução do problema de inversão sísmica e quais métricas foram utilizadas pelos respectivos autores para mensurar o desempenho. Assim, selecionamos implementações DL para serem aplicadas em dois modelos de dados reais. Apresentamos os experimentos realizados e analisamos o desempenho de cada modelo através de uma série de métricas uniformizadas.Abstract: Neural networks have been applied to seismic inversion problems since the 1990s. More recently, many publications have reported the use of Deep Learning (DL) neural networks capable of performing seismic inversion with promising results. However, when proposing a new model applied to this problem, researchers use different datasets and evaluation metrics, which makes it difficult to observe the advantages and disadvantages of each model. Depending on the characteristics of the geological system and the available data, one model may perform better than the others, thus, the choice of an implementation that meets the characteristics of the problem is crucial. This way, a benchmark study becomes necessary for a better selection of one model over the others. In this work, we show and discuss some proposed DL models to solve seismic inversion problems and what metrics were chosen by each author to measure the performance. This way, we selected DL implementations to be applied to two real datasets. We show the experiments and we analyze the performance of each DL model through a series of uniform evaluations.Roisenberg, MauroUniversidade Federal de Santa CatarinaMarques, Caique Rodrigues2023-06-28T18:24:22Z2023-06-28T18:24:22Z2022info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesis85 p.| il., gráfs.application/pdf380584https://repositorio.ufsc.br/handle/123456789/247287porreponame:Repositório Institucional da UFSCinstname:Universidade Federal de Santa Catarina (UFSC)instacron:UFSCinfo:eu-repo/semantics/openAccess2023-06-28T18:24:22Zoai:repositorio.ufsc.br:123456789/247287Repositório InstitucionalPUBhttp://150.162.242.35/oai/requestopendoar:23732023-06-28T18:24:22Repositório Institucional da UFSC - Universidade Federal de Santa Catarina (UFSC)false
dc.title.none.fl_str_mv Um estudo comparativo entre diferentes modelos de redes neurais de aprendizado profundo aplicados ao problema da inversão sísmica
title Um estudo comparativo entre diferentes modelos de redes neurais de aprendizado profundo aplicados ao problema da inversão sísmica
spellingShingle Um estudo comparativo entre diferentes modelos de redes neurais de aprendizado profundo aplicados ao problema da inversão sísmica
Marques, Caique Rodrigues
Computação
Aprendizado profundo (aprendizado do computador)
Redes neurais (Computação)
title_short Um estudo comparativo entre diferentes modelos de redes neurais de aprendizado profundo aplicados ao problema da inversão sísmica
title_full Um estudo comparativo entre diferentes modelos de redes neurais de aprendizado profundo aplicados ao problema da inversão sísmica
title_fullStr Um estudo comparativo entre diferentes modelos de redes neurais de aprendizado profundo aplicados ao problema da inversão sísmica
title_full_unstemmed Um estudo comparativo entre diferentes modelos de redes neurais de aprendizado profundo aplicados ao problema da inversão sísmica
title_sort Um estudo comparativo entre diferentes modelos de redes neurais de aprendizado profundo aplicados ao problema da inversão sísmica
author Marques, Caique Rodrigues
author_facet Marques, Caique Rodrigues
author_role author
dc.contributor.none.fl_str_mv Roisenberg, Mauro
Universidade Federal de Santa Catarina
dc.contributor.author.fl_str_mv Marques, Caique Rodrigues
dc.subject.por.fl_str_mv Computação
Aprendizado profundo (aprendizado do computador)
Redes neurais (Computação)
topic Computação
Aprendizado profundo (aprendizado do computador)
Redes neurais (Computação)
description Dissertação (mestrado) - Universidade Federal de Santa Catarina, Centro Tecnológico, Programa de Pós-Graduação em Ciência da Computação, Florianópolis, 2022.
publishDate 2022
dc.date.none.fl_str_mv 2022
2023-06-28T18:24:22Z
2023-06-28T18:24:22Z
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 380584
https://repositorio.ufsc.br/handle/123456789/247287
identifier_str_mv 380584
url https://repositorio.ufsc.br/handle/123456789/247287
dc.language.iso.fl_str_mv por
language por
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv 85 p.| il., gráfs.
application/pdf
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
repository.name.fl_str_mv Repositório Institucional da UFSC - Universidade Federal de Santa Catarina (UFSC)
repository.mail.fl_str_mv
_version_ 1808652126791925760

Registros relacionados