[pt] Neste trabalho apresentamos um algoritmo baseado em agrupamento de dados para o mapeamento automático de horizontes e de falhas sísmicas a partir de dados sísmicos 3D. Apresentamos uma técnica para quantizar o volume sísmico de entrada a partir dos neurônios do grafo resultante do processo de treinamento de uma instância do algoritmo Growing Neural Gas (GNG). No conjunto de amostras de entrada utilizadas pelo GNG, cada amostra representa um voxel do volume de entrada, e retém informações da vizinhança vertical desse voxel. Depois da etapa de treinamento, a partir do grafo gerado pelo GNG um novo volume quantizado é gerado, e nesse volume possíveis ambigüidades e imperfeições existentes no volume de entrada tendem a ser minimizadas. A partir do volume quantizado descrevemos uma nova técnica de extração de horizontes, desenvolvida com o objetivo de que seja possível mapear horizontes na presença de estruturas geológicas complexas, como por exemplo horizontes que possuam porções completamente desconectadas por uma ou mesmo diversas falhas sísmicas. Também iniciamos o desenvolvimento de uma abordagem de mapeamento de falhas sísmicas utilizando informações presentes no volume quantizado. Os resultados obtidos pelo processo de mapeamento de horizontes, testado em volumes diferentes, foram bastante promissores. Além disso, os resultados iniciais obtidos pelo processo de extração de falhas sugerem que a técnica pode vir a ser uma boa alternativa para a tarefa. / [en] In this work we present a clusterization-based method to map seismic horizons and faults from 3D seismic data. We describe a method used to quantize an initial seismic volume using a trained instance of the Growing Neural Gas (GNG) algorithm. To accomplish this task we create a training set where each sample corresponds to an entry volume voxel, retaining its vertical neighboring information. After the training procedure, the resulting graph is used to create a quantized version of the original volume. In this quantized volume both horizons and faults are more evidenced in the data, and we present a method that uses the created volume to map seismic horizons, even when they are completely disconnected by seismic faults. We also present another method that uses the quantized version of the volume to map the seismic faults. The horizon mapping procedure, tested in different volume date, yields good results. The preliminary results presented for the fault mapping procedure also yield good results, but needs further testing.

[pt] Ao extrair isosuperfícies de dados volumétricos massivos, em geral a superfície de saída é densa, podendo demandar muita memória para seu processamento. Além disso, dependendo do método de extração utilizado, podese também obter um resultado contendo diversos problemas geométricos e topológicos. Neste estudo, experimentamos combinações de diferentes métodos de extração de isosuperfícies juntamente com estratégias out-of-core que permitem uso inteligente do recurso computacional para sintetizar aproximações poligonais dessas superfícies, preservando a topologia original segmentada. O método implementado foi testado em um volume sísmico real para extração da superfície de domo de sal. / [en] When extracting isosurfaces from massive volumetric datasets, in general, the output surface is dense, and may require a lot of memory for processing. In addition to this, depending on the extraction method used, the result can also include several geometric and topological problems. In this study, we experimented combinations of different isosurface extraction methods along out-of-core strategies to generate polygonal approximations to these surfaces, preserving the original topology segmented in the volumetric dataset. The implemented method was tested in a real seismic volume dataset for the salt dome extraction.