Super-resolución sísmica de alta fidelidad mediante aprendizaje profundo informado por prioridades con conciencia 3D

Área de la Ciencia:

• Geofísica
• Inteligencia Artificial
• Imagen Sísmica

Sus antecedentes:

• La resolución vertical sísmica es crucial para identificar capas delgadas, pero los métodos actuales de aprendizaje profundo para la super-resolución sísmica enfrentan desafíos con resultados poco realistas y una pobre generalización.
• Los enfoques sísmicos 2D tradicionales a menudo sufren de artefactos de empalme y carecen de consistencia espacial, lo que dificulta la interpretación precisa del subsuelo.

Objetivo del estudio:

• Desarrollar un novedoso marco de aprendizaje profundo para la super-resolución sísmica que mejore la fidelidad y la generalización de los datos.
• Abordar las limitaciones de los métodos existentes en la mejora de la resolución vertical sísmica para una mejor identificación de capas delgadas.

Principales métodos:

• Generación de datos sintéticos sísmicos realistas que imitan las características de los estudios de campo.
• Implementación de una red 2D mejorada con conciencia 3D, que combina Swin-Transformer 2D y convolución 3D para una captura eficiente de características espaciales.
• Desarrollo de una estrategia de ajuste fino informada por prioridades utilizando datos de campo sin etiquetar, incorporando consistencia de datos autocontrolada y pérdidas de coincidencia espectral.

Principales resultados:

• El marco propuesto demuestra una fidelidad y generalización mejoradas en tareas de super-resolución sísmica.
• La red 2D mejorada reduce eficazmente los artefactos de empalme y mejora la consistencia espacial en comparación con los métodos 2D tradicionales.
• Los experimentos en múltiples conjuntos de datos de campo confirman la robustez y la aplicabilidad práctica del método para la mejora de la resolución sísmica.

Conclusiones:

• El novedoso marco ofrece una solución robusta y generalizable para la super-resolución sísmica, mejorando significativamente la identificación de capas delgadas.
• La combinación de generación de datos realista, una red 2D consciente y ajuste fino informado por prioridades supera los desafíos clave en la mejora sísmica basada en aprendizaje profundo.
• Este enfoque proporciona una herramienta práctica para que los geocientíficos logren una mayor resolución vertical sísmica en diversos conjuntos de datos de campo.