Segmentação de fácies sísmicas com redes neurais

Detalhes bibliográficos
Autor(a) principal: Lima, Gefersom Cardoso
Data de Publicação: 2021
Tipo de documento: Dissertação
Idioma: por
Título da fonte: Repositório Institucional da UNISINOS (RBDU Repositório Digital da Biblioteca da Unisinos)
Texto Completo: http://www.repositorio.jesuita.org.br/handle/UNISINOS/9808
Resumo: A interpretação de dados sísmicos é importante para a caracterização da forma dos sedimentos de uma área de estudo geológico. Tradicionalmente, esse trabalho é realizado escolhendo-se visualmente pontos que representem os limites de fácies sísmicas e executando-se uma ferramenta para realizar a inferência dos outros pontos limites. Esse processo requer uma grande quantidade de trabalho manual e pode permitir que algumas fácies não sejam identificadas, tornando o trabalho resultante menos detalhado do que poderia ser. Com o aumento do uso de aprendizagem profunda focada na segmentação de imagens, a sua aplicação no auxílio à interpretação sísmica pode trazer ganhos ao diminuir o trabalho manual e o tempo gasto ao se realizar o estudo de uma área geológica. Assim, nesse trabalho fizemos um estudo da aplicação de redes neurais profundas do tipo codificador-decodificar para a identificação das linhas separatórias de sismofácies. Como resultado, criamos uma rede neural chamada DNFS, a qual é baseada na U-Net e StNet, possui menos parâmetros que estas e é voltada a segmentação binária de dados sísmicos. Esse tipo de segmentação nos permitiu segmentar um número arbitrário de fácies sísmicas somente se focando na transição entre elas. Para usar a segmentação binária utilizamos um método simples de adaptação dos conjuntos de dados sobre os quais fizemos os experimentos. Essa adaptação utiliza linhas pretas entre as interseções das fácies sísmicas e cor branca para todo o restante da imagem rotulada. Para o cálculo de perda utilizamos uma função composta pela combinação linear das funções cross-entropy e Jaccard loss. Para otimizar o coeficiente da combinação linear da função que pondera o peso de cross-entropy e Jaccard loss no valor de perda, realizamos vários experimentos tendo como resultado que se a cross-entropy contribuir com 75% e Jaccard loss com 25%, poderíamos obter predições com alta fidelidade das linhas separatórias entre as fácies sísmicas. Também realizamos uma extensa avaliação experimental e ajustes dos hiperparâmetros e comparamos os resultados com as redes bases U-Net e StNet aplicadas sobre os mesmos conjuntos de dados. Ao final, obtivemos uma rede neural que pode se treinada em aproximadamente 15 minutos e oferece um índice acima de 95% relativo à métrica IoU sobre os conjuntos de dados StData-12 e Facies-Mark.
id USIN_6ddf7c280e6b52b980851b1765c4effe
oai_identifier_str oai:www.repositorio.jesuita.org.br:UNISINOS/9808
network_acronym_str USIN
network_name_str Repositório Institucional da UNISINOS (RBDU Repositório Digital da Biblioteca da Unisinos)
repository_id_str
spelling 2021-06-08T17:02:07Z2021-06-08T17:02:07Z2021-04-07Submitted by Anna Barbara Alves Beraldine (annabarbara@unisinos.br) on 2021-06-08T17:02:07Z No. of bitstreams: 1 Gefersom Cardoso Lima_.pdf: 8878658 bytes, checksum: 108bcf5ec752c5d7f82fdf4574cacbe7 (MD5)Made available in DSpace on 2021-06-08T17:02:07Z (GMT). No. of bitstreams: 1 Gefersom Cardoso Lima_.pdf: 8878658 bytes, checksum: 108bcf5ec752c5d7f82fdf4574cacbe7 (MD5) Previous issue date: 2021-04-07A interpretação de dados sísmicos é importante para a caracterização da forma dos sedimentos de uma área de estudo geológico. Tradicionalmente, esse trabalho é realizado escolhendo-se visualmente pontos que representem os limites de fácies sísmicas e executando-se uma ferramenta para realizar a inferência dos outros pontos limites. Esse processo requer uma grande quantidade de trabalho manual e pode permitir que algumas fácies não sejam identificadas, tornando o trabalho resultante menos detalhado do que poderia ser. Com o aumento do uso de aprendizagem profunda focada na segmentação de imagens, a sua aplicação no auxílio à interpretação sísmica pode trazer ganhos ao diminuir o trabalho manual e o tempo gasto ao se realizar o estudo de uma área geológica. Assim, nesse trabalho fizemos um estudo da aplicação de redes neurais profundas do tipo codificador-decodificar para a identificação das linhas separatórias de sismofácies. Como resultado, criamos uma rede neural chamada DNFS, a qual é baseada na U-Net e StNet, possui menos parâmetros que estas e é voltada a segmentação binária de dados sísmicos. Esse tipo de segmentação nos permitiu segmentar um número arbitrário de fácies sísmicas somente se focando na transição entre elas. Para usar a segmentação binária utilizamos um método simples de adaptação dos conjuntos de dados sobre os quais fizemos os experimentos. Essa adaptação utiliza linhas pretas entre as interseções das fácies sísmicas e cor branca para todo o restante da imagem rotulada. Para o cálculo de perda utilizamos uma função composta pela combinação linear das funções cross-entropy e Jaccard loss. Para otimizar o coeficiente da combinação linear da função que pondera o peso de cross-entropy e Jaccard loss no valor de perda, realizamos vários experimentos tendo como resultado que se a cross-entropy contribuir com 75% e Jaccard loss com 25%, poderíamos obter predições com alta fidelidade das linhas separatórias entre as fácies sísmicas. Também realizamos uma extensa avaliação experimental e ajustes dos hiperparâmetros e comparamos os resultados com as redes bases U-Net e StNet aplicadas sobre os mesmos conjuntos de dados. Ao final, obtivemos uma rede neural que pode se treinada em aproximadamente 15 minutos e oferece um índice acima de 95% relativo à métrica IoU sobre os conjuntos de dados StData-12 e Facies-Mark.The interpretation of seismic data is important for the characterization of the shape of the sediments in a geological study area. Traditionally, this work is carried out by visually choosing points that represent the limits of seismic facies and executing a tool to make the inference of other limit points. This process requires a lot of manual labor and can allow some facies to go unidentified, making the resulting work less detailed than it could be. With the increase in the use of deep learning focused on image segmentation, its application in helping seismic interpretation can bring gains by decreasing manual work and the time spent when studying a geological area. Thus, in this work we made a study of the application of deep neural networks of the encoder-decode type for the identification of seismic facies separating lines. As a result, we created a neural network called DNFS, which is based on U-Net and StNet, has fewer parameters than these and is aimed at binary segmentation of seismic data. This type of segmentation allowed us to segment an arbitrary number of seismic facies just by focusing on the transition between them. To use binary segmentation we use a simple method of adapting the data sets on which we did the experiments. This adaptation uses black lines between the intersections of the seismic facies and white color for the rest of the labeled image. For the calculation of loss we use a function composed by the linear combination of the cross-entropy and Jaccard loss functions. To optimize the coefficient of the linear combination of the function that weighs the weight of cross-entropy and Jaccard loss in the loss value, we performed several experiments with the result that if the cross-entropy contributes 75 % and Jaccard loss with 25 %, we could obtain predictions with high fidelity of the separating lines between the seismic facies. We also carried out an extensive experimental evaluation and adjustments of the hyper-parameters and compared the results with the base networks U-Net and StNet applied on the same data sets. In the end, we obtained a neural network that can be trained in approximately 15 minutes and offers an index above 95% relative to the IoU metric on the StData-12 and Facies-Mark datasets.CAPES - Coordenação de Aperfeiçoamento de Pessoal de Nível SuperiorLima, Gefersom Cardosohttp://lattes.cnpq.br/5002992163558159http://lattes.cnpq.br/9281736089055094Rigo, Sandro Joséhttp://lattes.cnpq.br/3914159735707328Ramos, Gabriel de OliveiraUniversidade do Vale do Rio dos SinosPrograma de Pós-Graduação em Computação AplicadaUnisinosBrasilEscola PolitécnicaSegmentação de fácies sísmicas com redes neuraisACCNPQ::Ciências Exatas e da Terra::Ciência da ComputaçãoSísmicaInterpretaçãoSegmentaçãoRede neuralCodificador-decodificadorSeismicInterpretationSegmentationNeural networkEncoder-decoderinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesishttp://www.repositorio.jesuita.org.br/handle/UNISINOS/9808info:eu-repo/semantics/openAccessporreponame:Repositório Institucional da UNISINOS (RBDU Repositório Digital da Biblioteca da Unisinos)instname:Universidade do Vale do Rio dos Sinos (UNISINOS)instacron:UNISINOSORIGINALGefersom Cardoso Lima_.pdfGefersom Cardoso Lima_.pdfapplication/pdf8878658http://repositorio.jesuita.org.br/bitstream/UNISINOS/9808/1/Gefersom+Cardoso+Lima_.pdf108bcf5ec752c5d7f82fdf4574cacbe7MD51LICENSElicense.txtlicense.txttext/plain; charset=utf-82175http://repositorio.jesuita.org.br/bitstream/UNISINOS/9808/2/license.txt320e21f23402402ac4988605e1edd177MD52UNISINOS/98082021-06-08 14:03:10.999oai:www.repositorio.jesuita.org.br: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 Digital de Teses e Dissertaçõeshttp://www.repositorio.jesuita.org.br/oai/requestopendoar:2021-06-08T17:03:10Repositório Institucional da UNISINOS (RBDU Repositório Digital da Biblioteca da Unisinos) - Universidade do Vale do Rio dos Sinos (UNISINOS)false
dc.title.pt_BR.fl_str_mv Segmentação de fácies sísmicas com redes neurais
title Segmentação de fácies sísmicas com redes neurais
spellingShingle Segmentação de fácies sísmicas com redes neurais
Lima, Gefersom Cardoso
ACCNPQ::Ciências Exatas e da Terra::Ciência da Computação
Sísmica
Interpretação
Segmentação
Rede neural
Codificador-decodificador
Seismic
Interpretation
Segmentation
Neural network
Encoder-decoder
title_short Segmentação de fácies sísmicas com redes neurais
title_full Segmentação de fácies sísmicas com redes neurais
title_fullStr Segmentação de fácies sísmicas com redes neurais
title_full_unstemmed Segmentação de fácies sísmicas com redes neurais
title_sort Segmentação de fácies sísmicas com redes neurais
author Lima, Gefersom Cardoso
author_facet Lima, Gefersom Cardoso
author_role author
dc.contributor.authorLattes.pt_BR.fl_str_mv http://lattes.cnpq.br/5002992163558159
dc.contributor.advisorLattes.pt_BR.fl_str_mv http://lattes.cnpq.br/9281736089055094
dc.contributor.author.fl_str_mv Lima, Gefersom Cardoso
dc.contributor.advisor-co1.fl_str_mv Rigo, Sandro José
dc.contributor.advisor-co1Lattes.fl_str_mv http://lattes.cnpq.br/3914159735707328
dc.contributor.advisor1.fl_str_mv Ramos, Gabriel de Oliveira
contributor_str_mv Rigo, Sandro José
Ramos, Gabriel de Oliveira
dc.subject.cnpq.fl_str_mv ACCNPQ::Ciências Exatas e da Terra::Ciência da Computação
topic ACCNPQ::Ciências Exatas e da Terra::Ciência da Computação
Sísmica
Interpretação
Segmentação
Rede neural
Codificador-decodificador
Seismic
Interpretation
Segmentation
Neural network
Encoder-decoder
dc.subject.por.fl_str_mv Sísmica
Interpretação
Segmentação
Rede neural
Codificador-decodificador
dc.subject.eng.fl_str_mv Seismic
Interpretation
Segmentation
Neural network
Encoder-decoder
description A interpretação de dados sísmicos é importante para a caracterização da forma dos sedimentos de uma área de estudo geológico. Tradicionalmente, esse trabalho é realizado escolhendo-se visualmente pontos que representem os limites de fácies sísmicas e executando-se uma ferramenta para realizar a inferência dos outros pontos limites. Esse processo requer uma grande quantidade de trabalho manual e pode permitir que algumas fácies não sejam identificadas, tornando o trabalho resultante menos detalhado do que poderia ser. Com o aumento do uso de aprendizagem profunda focada na segmentação de imagens, a sua aplicação no auxílio à interpretação sísmica pode trazer ganhos ao diminuir o trabalho manual e o tempo gasto ao se realizar o estudo de uma área geológica. Assim, nesse trabalho fizemos um estudo da aplicação de redes neurais profundas do tipo codificador-decodificar para a identificação das linhas separatórias de sismofácies. Como resultado, criamos uma rede neural chamada DNFS, a qual é baseada na U-Net e StNet, possui menos parâmetros que estas e é voltada a segmentação binária de dados sísmicos. Esse tipo de segmentação nos permitiu segmentar um número arbitrário de fácies sísmicas somente se focando na transição entre elas. Para usar a segmentação binária utilizamos um método simples de adaptação dos conjuntos de dados sobre os quais fizemos os experimentos. Essa adaptação utiliza linhas pretas entre as interseções das fácies sísmicas e cor branca para todo o restante da imagem rotulada. Para o cálculo de perda utilizamos uma função composta pela combinação linear das funções cross-entropy e Jaccard loss. Para otimizar o coeficiente da combinação linear da função que pondera o peso de cross-entropy e Jaccard loss no valor de perda, realizamos vários experimentos tendo como resultado que se a cross-entropy contribuir com 75% e Jaccard loss com 25%, poderíamos obter predições com alta fidelidade das linhas separatórias entre as fácies sísmicas. Também realizamos uma extensa avaliação experimental e ajustes dos hiperparâmetros e comparamos os resultados com as redes bases U-Net e StNet aplicadas sobre os mesmos conjuntos de dados. Ao final, obtivemos uma rede neural que pode se treinada em aproximadamente 15 minutos e oferece um índice acima de 95% relativo à métrica IoU sobre os conjuntos de dados StData-12 e Facies-Mark.
publishDate 2021
dc.date.accessioned.fl_str_mv 2021-06-08T17:02:07Z
dc.date.available.fl_str_mv 2021-06-08T17:02:07Z
dc.date.issued.fl_str_mv 2021-04-07
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 http://www.repositorio.jesuita.org.br/handle/UNISINOS/9808
url http://www.repositorio.jesuita.org.br/handle/UNISINOS/9808
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.publisher.none.fl_str_mv Universidade do Vale do Rio dos Sinos
dc.publisher.program.fl_str_mv Programa de Pós-Graduação em Computação Aplicada
dc.publisher.initials.fl_str_mv Unisinos
dc.publisher.country.fl_str_mv Brasil
dc.publisher.department.fl_str_mv Escola Politécnica
publisher.none.fl_str_mv Universidade do Vale do Rio dos Sinos
dc.source.none.fl_str_mv reponame:Repositório Institucional da UNISINOS (RBDU Repositório Digital da Biblioteca da Unisinos)
instname:Universidade do Vale do Rio dos Sinos (UNISINOS)
instacron:UNISINOS
instname_str Universidade do Vale do Rio dos Sinos (UNISINOS)
instacron_str UNISINOS
institution UNISINOS
reponame_str Repositório Institucional da UNISINOS (RBDU Repositório Digital da Biblioteca da Unisinos)
collection Repositório Institucional da UNISINOS (RBDU Repositório Digital da Biblioteca da Unisinos)
bitstream.url.fl_str_mv http://repositorio.jesuita.org.br/bitstream/UNISINOS/9808/1/Gefersom+Cardoso+Lima_.pdf
http://repositorio.jesuita.org.br/bitstream/UNISINOS/9808/2/license.txt
bitstream.checksum.fl_str_mv 108bcf5ec752c5d7f82fdf4574cacbe7
320e21f23402402ac4988605e1edd177
bitstream.checksumAlgorithm.fl_str_mv MD5
MD5
repository.name.fl_str_mv Repositório Institucional da UNISINOS (RBDU Repositório Digital da Biblioteca da Unisinos) - Universidade do Vale do Rio dos Sinos (UNISINOS)
repository.mail.fl_str_mv
_version_ 1801845050290733056