[pt] O mapeamento manual de falhas em dados sísmicos
tridimensionais é uma tarefa que consome muito tempo do
intérprete. Uma grande quantidade de atributos sísmicos tem
sido proposta para realçar medidas de descontinuidades
associadas com as falhas. Entretanto, as falhas vistas
através desses atributos aparecem mais como tendências do
que como superfícies contínuas bem definidas, o que torna
difícil a automatização da construção de modelos de
falhas. Esta tese explora técnicas de Aprendizado
Competitivo aplicadas aos problemas de extração e
visualização de falhas em dados sísmicos. A estratégia
proposta parte de um atributo de falha previamente calculado
e consiste de três etapas. Na primeira, os dados
tridimensionais uniformemente amostrados do atributo de
falha são convertidos em um grafo com uso do algoritmo de
aprendizado competitivo Growing Neural Gas. Na segunda
etapa, o grafo sofre um processo de segmentação de forma a
extrair um conjunto de subgrafos, cada um compatível com uma
superfície de falha. Na terceira etapa, é utilizado o
algoritmo Malhas Neurais Abertas para construir uma malha
triangular para cada uma das superfícies identificadas.
Malhas Neurais Abertas é um algoritmo de Aprendizado
Competitivo que é proposto nesta tese, o qual constrói uma
malha a partir de uma função de probabilidades com topologia
de uma superfície aberta sem buracos. Exemplos com dados
bidimensionais e tridimensionais, sintéticos e
reais, são apresentados. Outra aplicação de Aprendizado
Competitivo introduzida nesta tese é a geração de malhas
geológicas, isto é, malhas que podem ser utilizadas na
simulação do comportamento de fluidos em subsuperfície. / [en] Manual fault mapping from 3D seismic data is a
time-consuming task. A plethora of seismic attributes has
been proposed to enhance the discontinuity measures
associated with faults. However, faults viewed through these
attributes appear more like trends than well-defined,
continuous surfaces, posing obstacles to the automation of
the fault modeling process. This thesis explores the use of
Competitive Learning techniques in fault extraction and
visualization. The proposed strategy starts with a
pre-computed fault attribute and consists of three
steps. In the first, the uniformly sampled 3D fault
attribute data are converted into a graph using Growing
Neural Gas, a Competitive Learning algorithm. In the
second step, the graph is submitted to a segmentation
process in order to extract a set of subgraphs, each one
compatible with a fault surface. In the third step, the
Open Neural Meshes algorithm is used to build a triangulated
mesh for each previously identified surface. Open Neural
Meshes is a Competitive Learning algorithm proposed in this
thesis, which builds a mesh from a probability function
with no-hole open surface topology. Examples with 2D and 3D,
synthetic and real data are presented. Another Competitive
Learning application introduced in this thesis is the
generation of geologic meshes. These meshes can be used to
simulate fluid flows in subsurface reservoirs.
| Identifer | oai:union.ndltd.org:puc-rio.br/oai:MAXWELL.puc-rio.br:11889 |
| Date | 10 July 2008 |
| Creators | MARCOS DE CARVALHO MACHADO |
| Contributors | MARCELO GATTASS |
| Publisher | MAXWELL |
| Source Sets | PUC Rio |
| Language | Portuguese |
| Detected Language | Portuguese |
| Type | TEXTO |
Page generated in 0.0025 seconds