Una comparación de U-Net con Redes Adversariales Generativas Condicionales y Redes Adversarias Consistentes en Ciclos para interpolación de datos reales: Campo Tupi
DOI:
https://doi.org/10.33448/rsd-v13i7.46226Palabras clave:
Interpolación sísmica; U-Net; CGAN; CycleGAN; Comparación; Datos reales.Resumen
En los últimos años, los modelos de aprendizaje profundo se han utilizado para mejorar la interpolación de trazas sísmicas. Se han implementado modelos de codificación y decodificación, como U-Net, para resolver problemas de interpolación. El éxito de U-Net en la interpolación sísmica nos ha inspirado a probar U-Net también como generador de imágenes para otros modelos de interpolación de redes generativas adversariales (GAN). En el presente artículo el objetivo es comparar el desempeño de U-Net dentro de los modelos GAN para interpolación sísmica.: solo U-Net y dos modelos GAN: GAN condicional (cGAN) y GAN de Ciclo Consistente (CycleGAN), ambos utilizando U-Net como generador dentro de su flujo de trabajo. Probamos las metodologías para dos escenarios: interpolación regular e irregular. Todas las pruebas se realizaron en un conjunto de datos reales del campo Tupi, que pertenece a la región pre-sal brasileña. Una comparación de las métricas estadísticas muestra que cGAN tiene un mejor rendimiento que CycleGAN y U-Net solo. El tiempo de entrenamiento computacional del modelo cGAN, para todos los escenarios de interpolación, es mejor que el de CycleGAN. Por último, el tiempo de entrenamiento de cGAN es comparable al entrenamiento de solo U-Net.
Citas
Boletim Mensal da Produção de Petróleo e Gás Natural. (2020). Agência Nacional do Petróleo, Gás Natural e Biocombustíveis. https://www.gov.br/anp/pt-br/centrais-de-conteudo/publicacoes/boletins-anp/boletins/boletim-mensal-da-producao-de-petroleo-e-gas-natural
Chang, D., Yang, W., Yong, X., & Li, H. (2018). Generative adversarial networks for seismic data interpolation. SEG 2018 Workshop: SEG Maximizing Asset Value Through Artificial Intelligence and Machine Learning, Beijing, China, 17–19 September 2018.
Dou, Y., Li, K., Duan, H., Li, T., Dong, L., & Huang, Z. (2023). MDA GAN: Adversarial-learning-based 3-D seismic data interpolation and reconstruction for complex missing. IEEE transactions on geoscience and remote sensing: a publication of the IEEE Geoscience and Remote Sensing Society, 61, 1–14. https://doi.org/10.1109/tgrs.2023.3249476
Fang, W., Fu, L., Zhang, M., & Li, Z. (2021). Seismic data interpolation based on U-net with texture loss. Geophysics, 86(1), V41–V54. https://doi.org/10.1190/geo2019-0615.1
Gonzalez, J. C., Da Costa, C. A. N., Pinheiro, D., Perez, K. R., Gebre, M. G., De Araújo, J. M., & Lopez, J. (2023). Seismic data interpolation with an iterative workflow and generative adversarial networks. 84th EAGE Annual Conference & Exhibition.
Goodfellow, I., Pouget-Abadie, J., Mirza, M., Xu, B., Warde-Farley, D., Ozair, S., Courville, A., & Bengio, Y. (2020). Generative adversarial networks. Communications of the ACM, 63(11), 139–144. https://doi.org/10.1145/3422622
Isola, P., Zhu, J.-Y., Zhou, T., & Efros, A. A. (2017). Image-to-image translation with conditional adversarial networks. 2017 IEEE Conference on Computer Vision and Pattern Recognition (CVPR).
Kaur, H., Pham, N., & Fomel, S. (2021). Seismic data interpolation using deep learning with generative adversarial networks. Geophysical Prospecting, 69(2), 307–326. https://doi.org/10.1111/1365-2478.13055
Ma, J. (2013). Three-dimensional irregular seismic data reconstruction via low-rank matrix completion. Geophysics, 78(5), V181–V192. https://doi.org/10.1190/geo2012-0465.1
Mirza, M., & Osindero, S. (2014). Conditional generative Adversarial Nets. En arXiv [cs.LG]. http://arxiv.org/abs/1411.1784
Oliveira, D. A. B., Ferreira, R. S., Silva, R., & Vital Brazil, E. (2018). Interpolating seismic data with conditional generative adversarial networks. IEEE geoscience and remote sensing letters: a publication of the IEEE Geoscience and Remote Sensing Society, 15(12), 1952–1956. https://doi.org/10.1109/lgrs.2018.2866199
Pereira,A. S., Shitsuka, D., Parreira, F.,Shitsuka, R. (2018).Metodologia da pesquisa científica. Retrieved from https://repositorio.ufsm.br/.
Porsani, M. J. (1999). Seismic trace interpolation using half‐step prediction filters. Geophysics, 64(5), 1461–1467. https://doi.org/10.1190/1.1444650
Ronneberger, O., Fischer, P., & Brox, T. (2015). U-Net: Convolutional Networks for Biomedical Image Segmentation. En arXiv [cs.CV]. http://arxiv.org/abs/1505.04597
Snell, J., Ridgeway, K., Liao, R., Roads, B. D., Mozer, M. C., & Zemel, R. S. (2017). Learning to generate images with perceptual similarity metrics. 2017 IEEE International Conference on Image Processing (ICIP).
Spitz, S. (1991). Seismic trace interpolation in the F-X domain. Geophysics, 56(6), 785–794. https://doi.org/10.1190/1.1443096
Wang, Z., Simoncelli, E. P., & Bovik, A. C. (2004a). Multiscale structural similarity for image quality assessment. The Thrity-Seventh Asilomar Conference on Signals, Systems & Computers, 2003.
Wang, Zhou, Bovik, A. C., Sheikh, H. R., & Simoncelli, E. P. (2004b). Image quality assessment: from error visibility to structural similarity. IEEE Transactions on Image Processing: A Publication of the IEEE Signal Processing Society, 13(4), 600–612. https://doi.org/10.1109/tip.2003.819861
Yilmaz, O. (2001). Seismic Data Analysis: Processing, inversion, and interpretation of seismic data. Society of Exploration Geophysicists.
Zhu, J.-Y., Park, T., Isola, P., & Efros, A. A. (2017). Unpaired image-to-image translation using cycle-consistent adversarial networks. En arXiv [cs.CV]. http://arxiv.org/abs/1703.10593
Descargas
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2024 Jaime Andres Collazos Gonzalez; Katerine de Jesus Rincon Perez; Tiago Barros; Gilberto Falkembach Corso; 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.
