Una comparación de WaveNet y XGBoost para la propagación directa de ondas tradicional y la inversión sísmica utilizando modelos de capas horizontales
DOI:
https://doi.org/10.33448/rsd-v13i5.45797Palabras clave:
WaveNet; Xgboost; Inversión; Sísmico.Resumen
La aplicación del aprendizaje automático en geofísica ha aumentado drásticamente en la última década, y la calidad de sus resultados varía según el tipo de problema sísmico en cuestión y el método computacional empleado. Los métodos de aprendizaje profundo están logrando resultados impresionantes en esta área, pero observamos que todavía no hay certeza sobre si los métodos clásicos de aprendizaje automático podrían proporcionar resultados similares. En el presente artículo, el objetivo era intentar llenar parte de ese vacío, comparando un método de aprendizaje automático no DL bien conocido con un método DL para la propagación directa de ondas y los problemas de inversión sísmica para modelos 2D de capas horizontales. Ambos métodos se evalúan en escenarios diferentes, pero bajo condiciones similares, de modo que es posible comprender el efecto de la configuración de parámetros en sus resultados finales. El conjunto de datos tiene 20.000 muestras, cada una de las cuales consta de tres vectores: un vector de velocidad con 236 valores (que representa un perfil vertical de un modelo en capas 2D generado aleatoriamente), un vector reflectante con 600 valores obtenidos directamente del vector de velocidad y el vector de velocidad asociado. Vector de sismograma con 11 trazas que contienen 600 valores cada una. Los resultados generales muestran que WaveNet alcanza un MSE más bajo entre las salidas previstas y correctas que el resultado de XGBoost. Un desafío aún no abordado es que WaveNet puede entrenarse bien en GPU, pero no logró hacer lo mismo con XGBoost, debido a la cantidad de datos a procesar.
Citas
Chen, T., & Guestrin, C. (2016, August). XGBoost: A scalable tree boosting system. In Proceedings of the 22nd ACM SIGKDD international conference on knowledge discovery and data mining (pp. 785-794).
Junior, A. C. N., Almeida, J. D. S., Quiñones, M. P., & de Albuquerque Martins, L. S. (2019, June). Physics-based machine learning inversion of subsurface elastic properties. In 81st EAGE Conference and Exhibition 2019 (Vol. 2019, No. 1, pp. 1-5). European Association of Geoscientists & Engineers.
Krebs, J. R., Anderson, J. E., Hinkley, D., Neelamani, R., Lee, S., Baumstein, A., & Lacasse, M. D. (2009). Fast full-wavefield seismic inversion using encoded sources. Geophysics, 74(6), WCC177-WCC188.
Mitchell, R., & Frank, E. (2017). Accelerating the XGBoost algorithm using GPU computing. PeerJ Computer Science, 3, e127.
Moseley, B., Markham, A., & Nissen-Meyer, T. (2018). Fast approximate simulation of seismic waves with deep learning. arXiv preprint arXiv:1807.06873.
Moseley, B., Nissen-Meyer, T., & Markham, A. (2019). Deep learning for fast simulation of seismic waves in complex media. Solid Earth Discussions, 2019, 1-23.
Oord, A. V. D., Dieleman, S., Zen, H., Simonyan, K., Vinyals, O., Graves, A., & Kavukcuoglu, K. (2016). WaveNet: A generative model for raw audio. arXiv preprint arXiv:1609.03499.
Priezzhev, I. I., Veeken, P. C. H., Egorov, S. V., & Strecker, U. (2019). Direct prediction of petrophysical and petroelastic reservoir properties from seismic and well-log data using nonlinear machine learning algorithms. The Leading Edge, 38(12), 949-958.
She, B., Fournier, A., Wang, Y., & Hu, G. (2019). Incorporating momentum acceleration techniques applied in deep learning into traditional optimization algorithms. In SEG International Exposition and Annual Meeting (p. D043S119R003). SEG.
Wang, T., Bian, Y., Zhang, Y., & Hou, X. (2023). Classification of earthquakes, explosions and mining-induced earthquakes based on XGBoost algorithm. Computers & Geosciences, 170, 105242.
Wu, Y., Lin, Y., & Zhou, Z. (2018). InversionNet: Accurate and efficient seismic waveform inversion with convolutional neural networks. In SEG International Exposition and Annual Meeting (pp. SEG-2018). SEG.
Zhang, R., Li, B., & Jiao, B. (2019). Application of XGboost algorithm in bearing fault diagnosis. In IOP Conference Series: Materials Science and Engineering (Vol. 490, p. 072062). IOP Publishing.
Zou, C., Zhao, L., Chen, Y., & Wang, Y. (2020). Machine learning based fluids and lithofacies prediction based on the integration of well logging data and seismic inversion. In SEG 2020 Workshop: 2nd SEG Borehole Geophysics, Virtual, 26–27 November 2020 (pp. 119-120). Society of Exploration Geophysicists.
Descargas
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2024 Juli Sergine Tavares Teixeira Saldanha; Jaime Andres Collazos Gonzalez; Paulo Douglas Santos de Lima; Hugo Alexandre Dantas do Nascimento; João Medeiros de Araújo
Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.
Los autores que publican en esta revista concuerdan con los siguientes términos:
1) Los autores mantienen los derechos de autor y conceden a la revista el derecho de primera publicación, con el trabajo simultáneamente licenciado bajo la Licencia Creative Commons Attribution que permite el compartir el trabajo con reconocimiento de la autoría y publicación inicial en esta revista.
2) Los autores tienen autorización para asumir contratos adicionales por separado, para distribución no exclusiva de la versión del trabajo publicada en esta revista (por ejemplo, publicar en repositorio institucional o como capítulo de libro), con reconocimiento de autoría y publicación inicial en esta revista.
3) Los autores tienen permiso y son estimulados a publicar y distribuir su trabajo en línea (por ejemplo, en repositorios institucionales o en su página personal) a cualquier punto antes o durante el proceso editorial, ya que esto puede generar cambios productivos, así como aumentar el impacto y la cita del trabajo publicado.
