XINFORMAÇÕES SOBRE DIREITOS AUTORAIS
As obras disponibilizadas nesta Biblioteca Digital foram publicadas sob expressa autorização dos respectivos autores, em conformidade com a Lei 9610/98.
A consulta aos textos, permitida por seus respectivos autores, é livre, bem como a impressão de trechos ou de um exemplar completo exclusivamente para uso próprio. Não são permitidas a impressão e a reprodução de obras completas com qualquer outra finalidade que não o uso próprio de quem imprime.
A reprodução de pequenos trechos, na forma de citações em trabalhos de terceiros que não o próprio autor do texto consultado,é permitida, na medida justificada para a compreeensão da citação e mediante a informação, junto à citação, do nome do autor do texto original, bem como da fonte da pesquisa.
A violação de direitos autorais é passível de sanções civis e penais.
As obras disponibilizadas nesta Biblioteca Digital foram publicadas sob expressa autorização dos respectivos autores, em conformidade com a Lei 9610/98.
A consulta aos textos, permitida por seus respectivos autores, é livre, bem como a impressão de trechos ou de um exemplar completo exclusivamente para uso próprio. Não são permitidas a impressão e a reprodução de obras completas com qualquer outra finalidade que não o uso próprio de quem imprime.
A reprodução de pequenos trechos, na forma de citações em trabalhos de terceiros que não o próprio autor do texto consultado,é permitida, na medida justificada para a compreeensão da citação e mediante a informação, junto à citação, do nome do autor do texto original, bem como da fonte da pesquisa.
A violação de direitos autorais é passível de sanções civis e penais.
Coleção Digital
Título: CONVOLUTIONAL NEURAL NETWORK FOR SEISMIC HORIZONS IDENTIFICATION Autor: MAYARA GOMES SILVA
Instituição: PONTIFÍCIA UNIVERSIDADE CATÓLICA DO RIO DE JANEIRO - PUC-RIO
Colaborador(es):
MARCELO GATTASS - ADVISOR
Nº do Conteudo: 61112
Catalogação: 07/11/2022 Idioma(s): PORTUGUESE - BRAZIL
Tipo: TEXT Subtipo: THESIS
Natureza: SCHOLARLY PUBLICATION
Nota: Todos os dados constantes dos documentos são de inteira responsabilidade de seus autores. Os dados utilizados nas descrições dos documentos estão em conformidade com os sistemas da administração da PUC-Rio.
Referência [pt]: https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=61112@1
Referência [en]: https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=61112@2
Referência DOI: https://doi.org/10.17771/PUCRio.acad.61112
Resumo:
Título: CONVOLUTIONAL NEURAL NETWORK FOR SEISMIC HORIZONS IDENTIFICATION Autor: MAYARA GOMES SILVA
Nº do Conteudo: 61112
Catalogação: 07/11/2022 Idioma(s): PORTUGUESE - BRAZIL
Tipo: TEXT Subtipo: THESIS
Natureza: SCHOLARLY PUBLICATION
Nota: Todos os dados constantes dos documentos são de inteira responsabilidade de seus autores. Os dados utilizados nas descrições dos documentos estão em conformidade com os sistemas da administração da PUC-Rio.
Referência [pt]: https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=61112@1
Referência [en]: https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=61112@2
Referência DOI: https://doi.org/10.17771/PUCRio.acad.61112
Resumo:
Oil and gas are important in the world economy, used as raw materials in
various products. For the extraction of these products, it is necessary to carry
out the characterization of the hydrocarbon reservoirs. This characterization
extracts a volume with seismic data from the region of interest. These data
are interpreted to identify various features, such as the classification of seismic facies, horizons, faults, and gas. A large amount of seismic volume data
makes manual interpretation increasingly challenging. Many researchers in the
field of seismic interpretation have invested in methods using neural networks.
Convolutional Neural Networks (CNN) are widely used in computer vision
problems and get great results in many situations with 2D data. The present
work aimed to apply convolutional neural networks in the supervised mapping
of seismic horizons. We evaluated our proposal using the F3 block with seismic
facies annotations. The data representation in the input layer are patches of
sections. In the horizon forecast, we evaluate the architectures of ResUnet and
DC-Unet. We use the Generalized Dice and the Focal Tversky loss functions
for the loss function. The method delivered promising results with the ResUnet
and Focal Tversky loss function on data based on 128x128 patches, reaching approximately 56 percent on the Dice metric. The full implementation and the trained
networks are available at https://github.com/mayaragomys/seismic_horizons.
Descrição | Arquivo |
COMPLETE |