Machine learning for seismic data analysis and processing

• Autores: Danilo R. Velis, Julián L. Gómez, Gabriel R. Gelpi, Germán I. Brunini, Daniel O. Pérez, Juan I. Sabbione
• Localización: Geoacta, ISSN-e 1852-7744, ISSN 0326-7237, Vol. 43, Nº. 2, 2022, págs. 7-29
• Idioma: inglés
• Títulos paralelos:
  • Trabajos científicos Aprendizaje automático para análisis y procesamiento de datos sísmicos
• Enlaces
  • Texto completo
• Resumen
  • español

    El aprendizaje automático está marcando el ritmo del avance del análisis de datos en muchos campos de la ciencia, la tecnología y la industria. En este contexto, el procesamiento y la inversión de datos sísmicos se abordan mediante estrategias que extraen la información relevante de los datos de forma casi automática. El “dictionary learning”y las Redes Neuronales son dos ejemplos comunes de algoritmos capaces de capturar las estructuras y patrones complejos incrustados en los datos e inferir o predecir cierta información de interés apartir de ellos. Utilizamos latécnica de“residual dictionary denoising”para atenuar la huella de adquisición en los datos sísmicos 3D. Además, demostramos algunos avances en el uso de una red neuronal profunda para invertirel tensor de momento sísmico en escenarios de monitorización de pozos. El aprendizaje automático también incluye técnicas de optimización global, como el recocido simulado y la evolución diferencial. Exploramos cómo estos dos algoritmos pueden automatizarprocesos en la exploración sísmica, como el análisis de la velocidad y el“well-tying”que convencionalmente se hacen a mano y, por lo tanto, son susceptibles de la subjetividad y la experiencia del usuario.

  • English

    Machine learning is setting the pace in the advancement of data analysis in many fields of science, technology, and industry. In this context, seismic data processing and inversion are approached by strategies that extract the relevant information from the data almost automatically. Dictionary learning and neural networks are two common examples of algorithms capable of capturing the complex structures and patterns embedded in data and inferring or predicting certaininformation of interest from them. We use a residual dictionary denoising technique to attenuate the acquisition footprint in 3D seismic data. Besides, we demonstrate some progress in using a deep neural network to invert the seismic moment tensor in well-monitoring scenarios. Machine learning also includes global optimization techniques, such as simulated annealing and differential evolution. We explore how these two algorithms can automate processes in seismic exploration such as velocity analysis and well-tying, which are conventionally done by hand and are thus susceptible to user subjectivity and experience.