Busque entre los 157043 recursos disponibles en el repositorio
Mostrar el registro sencillo del ítem
dc.date.accessioned | 2023-04-14T18:56:49Z | |
dc.date.available | 2023-04-14T18:56:49Z | |
dc.date.issued | 2022 | |
dc.identifier.uri | http://sedici.unlp.edu.ar/handle/10915/151517 | |
dc.description.abstract | 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 a partir de ellos. Utilizamos la técnica 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 invertir el 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 automatizar procesos 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. | es |
dc.description.abstract | 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 certain information 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. | en |
dc.language | es | es |
dc.subject | Exploracion sismica | es |
dc.subject | Velocidades | es |
dc.subject | Redes neuronales | es |
dc.subject | Seismic exploration | es |
dc.subject | Velocities | es |
dc.subject | Neural networks | es |
dc.title | Machine learning for seismic data analysis and processing | en |
dc.type | Articulo | es |
sedici.identifier.issn | 1852-7744 | es |
sedici.creator.person | Velis, Danilo Rubén | es |
sedici.creator.person | Gómez, Julián Luis | es |
sedici.creator.person | Gelpi, Gabriel Ricardo | es |
sedici.creator.person | Brunini García, Germán Ismael | es |
sedici.creator.person | Pérez, Daniel Omar | es |
sedici.creator.person | Sabbione, Juan Ignacio | es |
sedici.subject.materias | Geofísica | es |
sedici.description.fulltext | true | es |
mods.originInfo.place | Asociación Argentina de Geofísicos y Geodestas | es |
sedici.subtype | Articulo | es |
sedici.rights.license | Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0) | |
sedici.rights.uri | http://creativecommons.org/licenses/by-nc-sa/4.0/ | |
sedici.relation.event | XIX Reunión Científica – AAGG2021 (Modalidad virtual, 2 al 10 de agosto de 2021) | es |
sedici.description.peerReview | peer-review | es |
sedici.relation.journalTitle | Geoacta | es |
sedici.relation.journalVolumeAndIssue | vol. 43, no. 1 | es |