Lucas Moreira Dias

Título

ANÁLISE DA REDE NEURAL CONVOLUCIONAL U-NET NA SEGMENTAÇÃO SEMÂNTICA DE IMAGENS SÍSMICAS

 

Orientador(es)

Rogério Pinto Espíndola

 

Resumo

Esta dissertação de mestrado explorou a aplicabilidade e eficiência da rede neural convolucional U-Net na segmentação semântica de imagens sísmicas para auxiliar na interpretação geológica. A pesquisa focou particularmente na viabilidade de trei-nar essa rede com um conjunto de dados sísmicos reduzidos, o que é importante na escassez de dados anotados na fase inicial da interpretação de dados sísmicos. Utilizando dados do Bloco F3 do Mar do Norte, o estudo implementou um modelo U-Net para identificar e segmentar diferentes fácies sísmicas. A rede foi treinada em diferentes cenários, com conjuntos de dados que variavam em tamanho, e os resulta-dos foram avaliados através das métricas IoU por classe e mIoU de todas as classes. Os resultados destacaram que a U-Net é capaz de segmentar as características sís-micas com alta precisão, mesmo com conjuntos reduzidos de dados, mostrando que a rede mantém um desempenho de destaque, o que implica uma maior eficiência na interpretação de dados sísmicos, e uma maior eficiência para a interpretação de grandes volumes de dados sísmicos.

 

 

Abstract

This master’s thesis explored the applicability and efficiency of the U-Net convo-lutional neural network in the semantic segmentation of seismic images to aid geo-logical interpretation. The research particularly focused on the feasibility of training this network with a reduced seismic data set, which is important in the scarcity of annotated data in the initial phase of seismic data interpretation. Using data from North Sea Block F3, the study implemented a U-Net model to identify and segment different seismic facies. The network was trained in different scenarios, with datasets that varied in size, and the results were evaluated using IoU per class and mIoU metrics for all classes. The results highlighted that U-Net is capable of segmenting seismic features with high precision, even with reduced data sets, showing that the network maintains outstanding performance, which implies greater efficiency in the interpretation of seismic data, and a greater efficiency for the interpretation of large volumes of seismic data.

 

 

Print