Um estudo comparativo entre diferentes modelos de redes neurais de aprendizado profundo aplicados ao problema da inversão sísmica

Abstract

A utilização de redes neurais para a resolução de problemas de inversão sísmica é realizada desde os anos 1990. Recentemente, a utilização de modelos de aprendizado profundo (deep learning ou DL) tem se mostrado promissora, com bons resultados em problemas de inversão sísmica. No entanto, ao proporem um novo modelo aplicado a este problema, os pesquisadores utilizam conjuntos de dados e métricas de avaliação diferentes, o que torna difícil a avaliação dos pontos fortes e fracos de cada proposta. Dependendo de características do sistema geológico e dos dados disponíveis, um modelo pode se sair melhor do que os outros, assim, a escolha de uma implementação que atenda às características do problema é crucial. Deste modo, um estudo de benchmarking se torna necessário para uma melhor seleção de um modelo em detrimento dos demais. Neste trabalho, apresentamos e discutimos alguns dos modelos DL utilizados na literatura para a resolução do problema de inversão sísmica e quais métricas foram utilizadas pelos respectivos autores para mensurar o desempenho. Assim, selecionamos implementações DL para serem aplicadas em dois modelos de dados reais. Apresentamos os experimentos realizados e analisamos o desempenho de cada modelo através de uma série de métricas uniformizadas.

Abstract: Neural networks have been applied to seismic inversion problems since the 1990s. More recently, many publications have reported the use of Deep Learning (DL) neural networks capable of performing seismic inversion with promising results. However, when proposing a new model applied to this problem, researchers use different datasets and evaluation metrics, which makes it difficult to observe the advantages and disadvantages of each model. Depending on the characteristics of the geological system and the available data, one model may perform better than the others, thus, the choice of an implementation that meets the characteristics of the problem is crucial. This way, a benchmark study becomes necessary for a better selection of one model over the others. In this work, we show and discuss some proposed DL models to solve seismic inversion problems and what metrics were chosen by each author to measure the performance. This way, we selected DL implementations to be applied to two real datasets. We show the experiments and we analyze the performance of each DL model through a series of uniform evaluations.