Uma comparação de U-Net com Redes Gerativas Adversariais Condicionais e Redes Adversariais com Ciclo Consistente para interpolação de dados reais: Campo Tupi
DOI:
https://doi.org/10.33448/rsd-v13i7.46226Palavras-chave:
Interpolação sísmica; U-Net; CGAN; CycleGAN; Comparação; Dados reais.Resumo
Nos últimos anos, modelos de aprendizagem profunda têm sido usados para melhorar a interpolação de traços sísmicos. Especialmente, modelos Encode-Decode, como U-Net, foram implementados para resolver problemas de interpolação. O sucesso da U-Net na interpolação sísmica nos inspirou a testar a U-net também como um gerador de imagens para outros modelos de interpolação de Rede Adversarial Gerativa (GAN). O objetivo deste artigo é comparar o desempenho da U-Net dentro dos modelos GAN para interpolação sísmica: o U-Net sozinho, e dois modelos GAN: o GAN condicional (cGAN) e o GAN de Ciclo Consistente (CycleGAN), ambos usando o U-Net como gerador dentro de seu fluxo de trabalho. Testamos as metodologias para dois cenários: interpolação regular e irregular. Todos os testes foram realizados em um conjunto de dados reais do Campo de Tupi, que pertence à região do pré-sal brasileiro. Uma comparação das métricas estatísticas mostra que o cGAN tem um desempenho melhor do que o CycleGAN e o U-Net sozinho. O tempo de treinamento computacional do modelo cGAN, para todos os cenários de interpolação, é melhor que o CycleGAN. Finalmente, o tempo de treinamento do cGAN é comparável ao treinamento apenas da U-Net.
Referências
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
Downloads
Publicado
Como Citar
Edição
Seção
Licença
Copyright (c) 2024 Jaime Andres Collazos Gonzalez; Katerine de Jesus Rincon Perez; Tiago Barros; Gilberto Falkembach Corso; 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.
