Detección automática de fallas geológicas en datos sísmicos utilizando aprendizaje profundo

Abstract

En esta tesis se aplicó un algoritmo de segmentación para detectar fallas geológicas en datos sísmicos. El algoritmo pertenece a la familia del aprendizaje automático y utiliza una red neuronal de correlación en base a la arquitectura de codificación y decodificación, U-Net. Se trata de una arquitectura de redes neuronales profundas comúnmente usada en aplicaciones de segmentación de imágenes de distintos origenes (medicina, biología, sísmica, etc.). U-Net se adaptó para analizar datos sísmicos y detectar fallas geológicas. El algoritmo se entrenó con datos sintéticos para luego usar en la detección de fallas en datos reales. El objetivo de esta tesis es probar una técnica de aprendizaje automatico en problemas geofísicos, modificar la red original y desglosarla para entender cómo funciona usando código libre (Python) y librerias como TensorFlow y Keras. En el capítulo 1 se determinaron los objetivos, el valor de las fallas para la sismica de reflexion y se hizo un raconto historico de métodos usados para detectarlas. Luego, en el capítulo 2, se describieron las operaciones básicas de estas redes y se profundizó en el concepto de U-Net. En los cápitulos siguientes 3 y 4 se mostró el proceso de entrenamiento en cubos sinteticos y detección en datos 3D reales. Por último, en el capítulo 5, se presentan conclusiónes y trabajos a futuro. Los resultados de esta tesis de grado confirman el potencial de las técnicas de aprendizaje automático para ser utilizadas en la detección de fallas geológicas en datos de campo 3D al demostrar que el algoritmo tiene un nivel de generalizacion muy alto acelerando el proceso con respecto a anteriores métodos. Pudiendo tener tambien importantes implicancias para la industria de la exploración de recursos naturales. La detección de fallas geológicas utilizando técnicas de aprendizaje automático, puede acelerar el proceso de exploración y reducir el riesgo de perforaciones fallidas. Como también puede ayudar a eliminar interpretaciones subjetivas del intérprete en fallas sutiles o poco definidas al ojo humano.