Migração reversa no tempo por filtros mínimos quadrados de única iteração com uso de redes neurais convolucionais no domínio da transformada Curvelet

Detalhes bibliográficos
Ano de defesa: 2022
Autor(a) principal: Soares, Átila Saraiva Quintela lattes
Orientador(a): Pestana, Reynam da Cruz lattes
Banca de defesa: Pestana, Reynam da Cruz lattes, Ladino, Oscar Fabian Mojica lattes, Pacheco, Diego Fernando Barrera lattes
Tipo de documento: Dissertação
Tipo de acesso: Acesso aberto
Idioma: por
Instituição de defesa: Universidade Federal da Bahia
Programa de Pós-Graduação: Pós-Graduação em Geofísica (PGEOF) 
Departamento: Instituto de Geociências
País: Brasil
Palavras-chave em Português:
Área do conhecimento CNPq:
Link de acesso: https://repositorio.ufba.br/handle/ri/35322
Resumo: O conceito de filtros de focalização é uma nova abordagem para a migração de mínimos quadrados, tentando obter resultados semelhantes, mas com apenas uma iteração, sem recorrer a métodos iterativos computacionalmente caros. Nos últimos anos, vários estudos propuseram diferentes soluções para esse problema, como o uso de transformações baseadas em Fourier e redes neurais. No final, todos tentam alcançar algum tipo de reparametrização e focalização da imagem usando esses novos parâmetros, aproximando-se da inversa da Hessiana. Essa técnica não é nova, sendo empregada em câmeras digitais para filtrar o borrado inerente ao equipamento, usando um conceito similar. Neste trabalho estudamos o uso da topologia de rede neural U-Net, aplicada tanto no domínio de transformada de curvelet quanto para janelas no domínio espacial. A U-Net é um tipo específico de rede neural convolucional (CNN) que possui blocos de codificação e decodificação, o que aumenta sua capacidade de reconhecer características em diferentes escalas. Ao aplicá-lo ao domínio da transformada curvelet, que é separado por escala, ângulo e localização, tem a oportunidade de compreender melhor aspectos diferentes das mesmas feições espaciais. A ideia é treinar a rede como um filtro de correspondência entre o par de imagens remigradas e migradas e, em seguida, aplicá-lo à imagem migrada. Nossos estudos mostram que o treinamento do modelo de aprendizagem profunda (\textit{deep learning}) U-Net no domínio curvelet pode melhorar as regiões mais profundas da seção sísmica migrada. Este é um dos poucos estudos recentes tentando usar redes neurais no domínio da transformada de curvelet, e muita pesquisa ainda é necessária para compreender plenamente quais são as possibilidades de usar tal técnica. O filtro baseado na rede U-Net foi testado em dois conjuntos de dados sintéticos (Marmousi e Sigsbee), apresentados resultados encorajadores, mostrando que a aplicação da rede após o processo de treinamento produziu uma imagem sísmica com melhor resolução do que o resultado da seção migrada convencionalmente.