Desenvolvimento e Avaliação de Técnicas de Aprendizagem Profunda para Processamento de Dados Sísmicos

Modelos de redes neurais em camadas têm sido extensivamente empregadas em aplicações da indústria do petróleo desde a década de 1990. Recentemente, topologias com grande número de camadas têm obtido excelentes resultados em problemas de percepção como visão computacional, reconhecimento de fala e processamento de linguagem natural entre outros.

Estes modelos, chamados de redes neurais de aprendizagem profunda (deep learning) conseguem extrair informações dos dados de entrada em diferentes níveis de abstração, por meio de camadas de processamento sequencial. O desempenho de redes neurais de aprendizagem profunda em problemas de percepção e processamento de imagens, sugere sua potencialidade para a análise e processamento de dados sísmicos.Este projeto aborda o problema de processamento sísmico com a utilização de técnicas de aprendizagem profunda (deep learning).

Modelo de autocodificadores convolucionais profundos 2D e 3D para gerar uma representação (extração de atributos) para dados sísmicos.

1. AVILA, M. R. V.; OSORIO, L. NOBRE; FERNANDES, J. C. V.; BULCÃO, A.; PEREIRA-DIAS, B.; SILVA, B. S.; BARROS, P. M.; LANDAU, L.; EVSUKOFF, A. G. Migration Deconvolution via Deep Learning. Pure And Applied Geophysics, 2021. https://doi.org/10.1007/s00024-021-02707-0