DSpace Repository

Clasificador de imágenes sísmicas para el reconocimiento de características geológicas aplicando inteligencia artificial

Show simple item record

dc.contributor.author Cruz Reyes, Ana Katya
dc.date.accessioned 2021-12-17T18:00:45Z
dc.date.available 2021-12-17T18:00:45Z
dc.date.created 2020-09-01
dc.date.issued 2021-12-15
dc.identifier.citation Cruz Reyes, Ana Katya. (2020). Clasificador de imágenes sísmicas para el reconocimiento de características geológicas aplicando inteligencia artificial. (Ingeniería Geofísica). Instituto Politécnico Nacional. Escuela Superior de Ingeniería y Arquitectura, Unidad Ticomán, México. es
dc.identifier.uri http://tesis.ipn.mx/handle/123456789/29996
dc.description Tesis (Ingeniería Geofísica), Instituto Politécnico Nacional, ESIA, Unidad Ticomán, 2020, 1 archivo PDF, (59 páginas). tesis.ipn.mx es
dc.description.abstract RESUMEN: Este trabajo se originó al realizar veinte pruebas con un banco de imágenes sísmicas aplicando un clasificador de imágenes de inteligencia artificial. El algoritmo se adaptó para clasificar patrones específicos en imágenes sísmicas que representan diversas estructuras geológicas. Se expondrá dos pruebas que obtuvieron el mayor porcentaje de exactitud al clasificarlas. Los datos utilizados se obtuvieron de la página Terra Nubis con fines de investigación. El cubo sísmico perteneciente al Mar del Norte contiene líneas procesadas. En ellas se observan claramente los diferentes patrones de estructuras geológicas que pueden encontrarse en imágenes de prospección sísmica. Siendo estos datos de interés para identificación y extracción de hidrocarburo o de investigación específicos en yacimientos. Se exportó con ayuda del software OpendTect en formato jpg cada imagen de las líneas sísmicas que componen al cubo sísmico. Obteniendo un total de novecientas cincuenta y cuatro imágenes de las cuales se determinaron distintas clases. Se entrenó a la red con estos archivos de entrada, con una a dos capas y variando tamaños de kernel con un valor máximo de nueve. Logrando, en la prueba número dos, un valor en porcentaje de precisión máxima de sesenta y seis por ciento. Donde identificó con unos noventa dos porcientos de precisión imágenes de fallas y con el ochenta y dos por ciento imágenes de depósitos dentro de una imagen sísmica con dimensiones de cuatrocientos cuarenta y nueve por seiscientos noventa y seis pixeles. El resultado brindó que los patrones locales como entrampamientos, fallas y graben o con dos estructuras regionales en una misma imagen resultaron con menos del treinta a cero por ciento de precisión. Esto nos brinda un camino más para realizar investigaciones subsecuentes que logren aumentar el porcentaje de exactitud con un banco de imágenes mayor y herramientas que soporten más de diez interaciones con redes neuronales convolucionales de más de tres capas. Esto para determinar patrones específicos de interés. Siendo este solo el principio de las múltiples aplicaciones que la inteligencia artificial puede ofertar. ABSTRACT: This work began with twenty tests applied to a seismic image data set using an artificial intelligence image classifier. The algorithm was adjusted to classify specific patterns representing different geological structures. It describes two tests that achieved the highest percentage of accuracy in classifying the seismic images. The data used for research purposes were obtained from the Terra Nubis website. The North Sea seismic cube contains processed lines. These lines reveal the different patterns of geological structures that can be found in seismic prospecting images. This information is useful for the identification and extraction of hydrocarbon or for specific reservoirs’ research. Each image of the seismic lines that integrate the seismic cube was exported with the help of OpendTect software in jpg format. Obtaining a total of nine hundred and two images of which different classes were determined. The network was trained with these input files, varying kernel sizes with a maximum value of nine and with one to two convolutional layers. The test number two had a maximum accuracy classification of sixty-six percent. It identified images of faults with ninety two percent of precision and images of deposits with eighty two percent. These within seismic images which dimensions are of four hundred and forty-nine by six hundred and ninety-six pixels. The result was that local patterns such as traps, faults and graven or with two different patterns of geological structures in the same image resulted in less than thirty to zero percent accuracy. This gives us the opportunity to perform subsequent investigations to increase the percentage of accuracy with a larger image data set and more powerful tools. To perform more than ten interactions of deep learning training algorithm. This being only the start of the multiple benefits that artificial intelligence could offer to the Geoscience field. es
dc.language.iso es es
dc.subject Clasificador imágenes sísmicas es
dc.subject características geológicas es
dc.subject Inteligencia artificial es
dc.title Clasificador de imágenes sísmicas para el reconocimiento de características geológicas aplicando inteligencia artificial es
dc.type TESIS es
dc.contributor.advisor Gómez Santiago, Miguel
dc.contributor.advisor Sevilla García, Hammurabi
dc.programa.academico Ingeniería Geofísica es


Files in this item

This item appears in the following Collection(s)

Show simple item record

Search DSpace


Browse

My Account