Desarrollo de un algoritmo de tomografía sísmica para la estimación del modelo de velocidades acústicas
Cargando...
Autores
Director
Tipo de contenido
Editor
Document language:
Español
Fecha
Título de la revista
ISSN de la revista
Título del volumen
Documentos PDF
Resumen
El cálculo de velocidades sísmicas en el subsuelo constituye uno de los procesos más relevantes dentro del procesamiento sísmico, ya que permite reorganizar los elementos registrados en los datos sísmicos de modo que las reflexiones y difracciones se ubiquen correctamente en el espacio. A lo largo del tiempo, se han desarrollado múltiples metodologías y algoritmos orientados a esta tarea, destacándose tanto enfoques clásicos como técnicas modernas basadas en inteligencia artificial.
Este trabajo presenta un algoritmo de tomografía sísmica refractiva 1D y 2D basado en redes neuronales. La metodología inicia con la generación aleatoria de modelos litológicos, diseñados de forma que la velocidad de las capas aumenten progresivamente con la profundidad. Posteriormente, se discretiza el dominio espacial, representando la sección litológica como un conjunto finito de bloques y se simulan los tiempos de llegada desde la fuente hasta cada uno de los geófonos colocados en la superficie.
En este enfoque, los tiempos de arribo registrados constituyen las variables de entrada (features) de la red neuronal, mientras que los modelos de velocidades utilizados para simular dichos tiempos actúan como las variables de salida (target). Esta correspondencia directa entre tiempos y velocidades permite entrenar la red neuronal para aprender la relación implícita entre ambos, con el objetivo de estimar con precisión el modelo de velocidades a partir de nuevos registros de tiempos.
La base de datos generada se divide en tres subconjuntos: entrenamiento (train), validación (validation) y prueba (test). El conjunto de entrenamiento se utiliza para construir y ajustar la arquitectura de la red neuronal durante el proceso de aprendizaje. El conjunto de validación permite monitorear el rendimiento del modelo en datos no vistos durante el entrenamiento, facilitando la detección de sobreajuste y ayudando a optimizar los hiperparámetros. Finalmente, el conjunto de prueba se reserva para evaluar de manera objetiva el desempeño final del modelo, empleando datos completamente independientes. Las métricas empleadas sobre este conjunto permiten cuantificar la precisión del modelo en la estimación de perfiles de velocidad a partir de perfiles de reflectividad.
Los modelos generados representan estructuras hipotéticas caracterizadas por marcados contrastes de velocidad, diseñadas para emular condiciones geológicas comparables a las observadas en registros reales de pozos. Este enfoque posibilita el entrenamiento de una red neuronal capaz de estimar, con alta precisión y en tiempos significativamente reducidos, el perfil de velocidades asociado a una determinada sección de reflectividad. Asimismo, se busca minimizar la intervención del factor humano en el proceso de estimación, favoreciendo una mayor eficiencia, reproducibilidad y objetividad en los resultados obtenidos.
En este trabajo se presentan dos enfoques basados en redes neuronales profundas para estimar el modelo de velocidades sísmicas en configuraciones 1D y 2D, respectivamente. En el caso 1D, se parte de la deconvolución de la traza sísmica para aislar los eventos relevantes y se entrena la red neuronal probando distintas arquitecturas con el objetivo de reconstruir el perfil de velocidades vertical. Con esto se prueban diferentes arquitecturas y se encontró que el perceptron multicapa mostró un mejor desempeño con un MAE vDesarrollo de un algoritmo de tomografía sísmica para la estimación del modelo de velocidades acústicas que esta en el orden de 150 m/s. En el caso 2D, se incorporan técnicas de ingeniería de características a partir de los tiempos de arribo, con las cuales se crean nuevas características, entre las que se encuentran primeras y segundas derivadas del campo de tiempos, así como sus normas. Estas transformaciones fueron evaluadas individualmente y en combinación, observándose una mejora significativa en el desempeño del modelo al incorporar tanto gradientes como sus curvaturas (segundas derivadas). Las métricas obtenidas (R2 > 0,92, MAE ∼ 230 m/s) evidencian la capacidad del modelo para reconstruir con precisión las estructuras internas del medio. Como conclusión principal, se destaca que el uso conjunto de los tiempos de arribo y sus derivadas permite potenciar la precisión y robustez de la estimación tomográfica tanto en 1D como en 2D. (Texto tomado de la fuente)
Abstract
The calculation of seismic velocities in the subsurface constitutes one of the most relevant processes in seismic processing, as it enables the reorganization of recorded seismic data elements so that reflections and diffractions are properly positioned in space. Over time, numerous methodologies and algorithms have been developed for this task, featuring both classical approaches and modern techniques based on artificial intelligence.
This work presents a 1D and 2D refractive seismic tomography algorithm based on neural networks. The methodology begins with random generation of lithological models, designed such that layer velocities progressively increase with depth. Subsequently, the spatial domain is discretized, representing each lithological section as a finite set of blocks, and arrival times are simulated from the source to each surface geophone.
In this approach, recorded arrival times constitute the input variables (features) for the neural network, while the velocity models used to simulate these times act as output variables (targets). This direct correspondence between times and velocities allows the neural network to learn the implicit relationship between them, aiming to accurately estimate velocity models from new time records.
The generated database is divided into three subsets: training (train), validation (validation), and test (test). The training set builds and adjusts the neural network architecture during the learning process. The validation set monitors model performance on unseen data, facilitating overfitting detection and hyperparameter optimization. The test set evaluates final model performance using completely independent data, with metrics quantifying velocity profile estimation accuracy from reflectivity profiles.
The generated models represent hypothetical structures characterized by marked velocity contrasts, designed to emulate geological conditions comparable to real well logs. This approach enables training a neural network that can estimate velocity profiles with high precision and significantly reduced processing times. It also minimizes human intervention, enhancing efficiency, reproducibility, and result objectivity.
This work presents two deep neural network approaches for estimating seismic velocity models in 1D and 2D configurations. For 1D cases, trace deconvolution isolates relevant events, and various neural architectures are tested to reconstruct vertical velocity profiles, with multilayer perceptrons showing superior performance (MAE ∼150 m/s). For 2D cases, feature engineering techniques derive new characteristics from arrival times, including first/second derivatives and their norms. Incorporating both gradients and curvatures significantly improved model performance (R2 > 0,92, MAE ∼230 m/s), demonstrating precise subsurface structure reconstruction. The key conclusion highlights that combining arrival times with their derivatives enhances tomographic estimation precision and robustness in both 1D and 2D applications.
Descripción
ilustraciones a color, diagramas
Palabras clave propuestas
Términos Normalizados
Tomografía sísmica; Geometric tomography; Aprendizaje automático (Inteligencia Artificial); Machine learning; Aprendizaje por refuerzo (Aprendizaje automático); Reinforcement learning (Machine learning); Algoritmo (Computadores); Computer algorithms; Análisis numérico; Numerical analysis; 550 - Ciencias de la tierra; 510 - Matemáticas; 000 - Ciencias de la computación, información y obras generales::006 - Métodos especiales de computación