Uma comparação entre WaveNet e XGBoost para propagação direta de ondas tradicional e inversão sísmica usando modelos de camada horizontal
DOI:
https://doi.org/10.33448/rsd-v13i5.45797Palavras-chave:
WaveNet; XGBoost; Inversão; Sísmico.Resumo
A aplicação de aprendizado de máquina em geofísica aumentou vertiginosamente na última década, com a qualidade de seus resultados variando de acordo com o tipo de problema sísmico em foco e o método computacional empregado. Os métodos de aprendizagem profunda estão alcançando resultados impressionantes nesta área, mas notamos que ainda há uma falta de certeza sobre se os métodos clássicos de aprendizagem de máquina podem fornecer resultados semelhantes. No presente artigo, o objetivo foi tentar preencher parte dessa lacuna, comparando um método bem conhecido de aprendizado de máquina não DL com um método DL para a propagação direta de ondas e os problemas de inversão sísmica para modelos 2D em camadas horizontais. Ambos os métodos são avaliados em cenários diferentes, mas sob condições semelhantes, para que seja possível compreender o efeito da configuração dos parâmetros nos seus resultados finais. O conjunto de dados tem 20.000 amostras, cada uma consistindo em três vetores: um vetor de velocidade com 236 valores (representando um perfil vertical de um modelo em camadas 2D gerado aleatoriamente), um vetor reflexivo com 600 valores obtidos diretamente do vetor de velocidade e o vetor associado sismograma com 11 traços contendo 600 valores cada. Os resultados gerais mostram que o WaveNet atinge um MSE inferior entre os resultados previstos e corretos do que os resultados do XGBoost. Um desafio ainda não enfrentado é que o WaveNet consegue treinar bem em GPU, mas não conseguiu fazer o mesmo com o XGBoost, devido à quantidade de dados a serem processados.
Referências
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.
Downloads
Publicado
Como Citar
Edição
Seção
Licença
Copyright (c) 2024 Juli Sergine Tavares Teixeira Saldanha; Jaime Andres Collazos Gonzalez; Paulo Douglas Santos de Lima; Hugo Alexandre Dantas do Nascimento; João Medeiros de Araújo
Este trabalho está licenciado sob uma licença Creative Commons Attribution 4.0 International License.
Autores que publicam nesta revista concordam com os seguintes termos:
1) Autores mantém os direitos autorais e concedem à revista o direito de primeira publicação, com o trabalho simultaneamente licenciado sob a Licença Creative Commons Attribution que permite o compartilhamento do trabalho com reconhecimento da autoria e publicação inicial nesta revista.
2) Autores têm autorização para assumir contratos adicionais separadamente, para distribuição não-exclusiva da versão do trabalho publicada nesta revista (ex.: publicar em repositório institucional ou como capítulo de livro), com reconhecimento de autoria e publicação inicial nesta revista.
3) Autores têm permissão e são estimulados a publicar e distribuir seu trabalho online (ex.: em repositórios institucionais ou na sua página pessoal) a qualquer ponto antes ou durante o processo editorial, já que isso pode gerar alterações produtivas, bem como aumentar o impacto e a citação do trabalho publicado.
