Aprendizaje de máquinas: Caracterización geológica a partir de datos sísmicos de pre-apilamiento
Las técnicas sísmicas convencionales para la detección de características geológicas del subsuelo están limitadas por la cobertura de datos, la ineficiencia computacional y factores humanos subjetivos.
En este artículo se desarrolla un novedoso enfoque de caracterización geológica en base a mediciones sísmicas de pre-apilamiento.
Nuestro método de caracterización emplea un método de aprendizaje de máquinas eficiente y preciso para extraer automáticamente características geológicas útiles del subsuelo.
Específicamente, se utiliza la regresión de arista del kernel para tener en cuenta la relación no lineal entre los datos sísmicos y las características geológicas.
Además, se emplearon artificios al kernel para evitar la asignación explícita no lineal y la dimensión infinita del espacio de caracterización.
Sin embargo, la regresión de arista del kernel convencional puede ser computacionalmente prohibitivo debido al gran volumen de mediciones sísmicas.
Se empleó una técnica de reducción de datos en combinación con el método convencional de regresión de arista del kernel para mejorar la eficiencia computacional y reducir el uso de memoria.
En particular, se utilizó una técnica de álgebra lineal numérica aleatoria, denominada método Nyström, para reducir efectivamente la dimensionalidad del espacio de caracterización sin comprometer el contenido de información requerido para una caracterización precisa.
Se proporciona un análisis de costos computacional minucioso para mostrar la eficiencia de los nuevos métodos de caracterización geológica.
Se validó el rendimiento del método para caracterizar zonas de fallas geológicas debido a que las fallas juegan un papel importante en varias aplicaciones de subsuelo.
Los ejemplos numéricos demuestran que este nuevo método de caracterización mejora significativamente la eficiencia computacional al mismo tiempo que mantiene una precisión considerable.
Curiosamente, se mostró que el método produce una relación de aceleración del orden de aproximadamente 102 a 103 en un entorno computacional de múltiples núcleos.
Youzuo Lin. Efficient Data-Driven Geologic Feature Characterization from Pre-stack Seismic Measurements using Randomized Machine-Learning Algorithm. Geophysical Journal International. https://doi.org/10.1093/gji/ggy385
 |
| Diagrama del procedimiento basado en datos para aprender características geológicas a partir de datos sísmicos. Mediciones sísmicas simuladas se utilizan como conjuntos de datos de entrenamiento, que se incorporan al modelo. Una función de mapeo, f*(x'), es el resultado de los algoritmos de entrenamiento. La función, f*(x'), es la función de caracterización, que crea un enlace de las mediciones sísmicas a las características geológicas correspondientes. Créditos: Youzuo Lin |
En este artículo se desarrolla un novedoso enfoque de caracterización geológica en base a mediciones sísmicas de pre-apilamiento.
Nuestro método de caracterización emplea un método de aprendizaje de máquinas eficiente y preciso para extraer automáticamente características geológicas útiles del subsuelo.
Específicamente, se utiliza la regresión de arista del kernel para tener en cuenta la relación no lineal entre los datos sísmicos y las características geológicas.
Además, se emplearon artificios al kernel para evitar la asignación explícita no lineal y la dimensión infinita del espacio de caracterización.
Sin embargo, la regresión de arista del kernel convencional puede ser computacionalmente prohibitivo debido al gran volumen de mediciones sísmicas.
Se empleó una técnica de reducción de datos en combinación con el método convencional de regresión de arista del kernel para mejorar la eficiencia computacional y reducir el uso de memoria.
En particular, se utilizó una técnica de álgebra lineal numérica aleatoria, denominada método Nyström, para reducir efectivamente la dimensionalidad del espacio de caracterización sin comprometer el contenido de información requerido para una caracterización precisa.
Se proporciona un análisis de costos computacional minucioso para mostrar la eficiencia de los nuevos métodos de caracterización geológica.
Se validó el rendimiento del método para caracterizar zonas de fallas geológicas debido a que las fallas juegan un papel importante en varias aplicaciones de subsuelo.
Los ejemplos numéricos demuestran que este nuevo método de caracterización mejora significativamente la eficiencia computacional al mismo tiempo que mantiene una precisión considerable.
Curiosamente, se mostró que el método produce una relación de aceleración del orden de aproximadamente 102 a 103 en un entorno computacional de múltiples núcleos.
Youzuo Lin. Efficient Data-Driven Geologic Feature Characterization from Pre-stack Seismic Measurements using Randomized Machine-Learning Algorithm. Geophysical Journal International. https://doi.org/10.1093/gji/ggy385
