(Deep Neural Networks in Geophysics)
Esta tesis investiga las propiedades fundamentales de las redes neuronales en aplicaciones geofísicas. Incluye la reutilización de redes neuronales entrenadas, que son excelentes para identificar imágenes y aplicarlas para identificar capas de rocas y eventos geológicos en imágenes geofísicas. Esta tesis profundiza para evaluar si la teoría de incluir información específica de datos sísmicos, que se sabe que es muy beneficiosa en los enfoques clásicos en redes neuronales, mejora el rendimiento. Y muestra que las redes más pequeñas que incorporan esta información de valor complejo funcionan mejor que su equivalente de valor real, disminuyendo el costo computacional.
Además de este trabajo fundamental, esta tesis contiene dos aplicaciones de aprendizaje automático para problemas del mundo real. El primero es que los datos geofísicos sobre campos de hidrocarburos contienen una gran cantidad de información de diferentes efectos. En esta aplicación, se desarrolla una red que incorpora relaciones físicas básicas de los datos de entrada geofísicos para separar los efectos de los cambios en la presión y la saturación de agua y gas en un depósito delgado en el Mar del Norte en UK. La segunda aplicación introduce un algoritmo novedoso que evalúa un problema que generalmente se aborda en una vista unidimensional y lo extiende a un algoritmo tridimensional. Este método corrige los ligeros cambios del subsuelo con imágenes entre las encuestas. Además de extender el problema a tres dimensiones, El método proporciona valores de incertidumbre para que el geofísico los evalúe. Además, este algoritmo funciona sin supervisión, lo que significa que no se tiene que proporcionar al sistema de aprendizaje automático información sobre cómo alinear las imágenes. En su lugar se aplica una restricción matemática que garantiza que el algoritmo no cruce capas geológicas, una limitación simple pero poderosa para guiar al algoritmo a desarrollar patrones de correspondencia física y geológicamente sensibles.
Fuente del original: https://jesperdramsch.github.io/phd-thesis/
Liked this post? Follow this blog to get more.