[pt] O petróleo e gás são importantes na economia mundial, utilizados
como matéria-prima em vários produtos. Para a extração desses produtos é
necessário realizar a caracterização dos reservatórios de hidrocarbonetos. A
partir dessa caracterização são extraídos um volume com dados sísmicos da
região de interesse. Esses dados são interpretados para identificação de várias
características, como a classificação de fácies sísmicas, horizontes, falhas, e gás.
A grande quantidade de dados do volume de sísmica, torna a interpretação
manual cada vez mais desafiadora. Muitos pesquisadores da área de interpretação sísmica tem investido em métodos utilizando redes neurais. As redes
neurais convolucionais (CNN) são muito utilizadas em problemas de visão
computacional, e obtém ótimos resultados em muitos problemas com dados
2D. O presente trabalho tem como objetivo a aplicação de redes neurais convolucionais no mapeamento supervisionado de horizontes sísmicos. Avaliamos
nossa proposta usando o bloco F3 com as anotações de fácies sísmicas. Os dados
foram utilizados baseados em modelo de seção e patches. Na previsão de horizonte foram avaliadas as arquiteturas da ResUnet e DC-Unet. Como função de
perda foram analisadas a Generalized Dice e a perda Focal Tversky. O método
mostrou resultados promissores com a ResUnet e função de perda Focal Tversky, nos dados baseados em patches de 128x128, alcançando aproximadamente
56 por cento na métrica Dice. A implementação completa e as redes treinadas estão
disponíveis em https://github.com/mayaragomys/seismic_horizons. / [en] Oil and gas are important in the world economy, used as raw materials in
various products. For the extraction of these products, it is necessary to carry
out the characterization of the hydrocarbon reservoirs. This characterization
extracts a volume with seismic data from the region of interest. These data
are interpreted to identify various features, such as the classification of seismic facies, horizons, faults, and gas. A large amount of seismic volume data
makes manual interpretation increasingly challenging. Many researchers in the
field of seismic interpretation have invested in methods using neural networks.
Convolutional Neural Networks (CNN) are widely used in computer vision
problems and get great results in many situations with 2D data. The present
work aimed to apply convolutional neural networks in the supervised mapping
of seismic horizons. We evaluated our proposal using the F3 block with seismic
facies annotations. The data representation in the input layer are patches of
sections. In the horizon forecast, we evaluate the architectures of ResUnet and
DC-Unet. We use the Generalized Dice and the Focal Tversky loss functions
for the loss function. The method delivered promising results with the ResUnet
and Focal Tversky loss function on data based on 128x128 patches, reaching approximately 56 percent on the Dice metric. The full implementation and the trained
networks are available at https://github.com/mayaragomys/seismic_horizons.
Identifer | oai:union.ndltd.org:puc-rio.br/oai:MAXWELL.puc-rio.br:61112 |
Date | 07 November 2022 |
Creators | MAYARA GOMES SILVA |
Contributors | MARCELO GATTASS |
Publisher | MAXWELL |
Source Sets | PUC Rio |
Language | Portuguese |
Detected Language | Portuguese |
Type | TEXTO |
Page generated in 0.0034 seconds