ANÁLISE DE ARQUITETURAS DE REDES NEURAIS PARA SEGMENTAÇÃO SEMÂNTICA DE DADOS SÍSMICOS

Abstract

With technological advancements, the characterization of oil reservoirs has become more precise and complex, especially with the use of three-dimensional (3D) seismic data for the location of oil and gas reservoirs. In this dissertation, two deep neural network architectures applied to the semantic segmentation of seismic images are presented using two public databases, the Holanda F3 and Penobscot databases. The network training is performed using only 100 images to simulate a scenario with limited data availability. The proposal is to use a well-known convolutional architecture called U-Net along with a Contrast Limited Adaptive Histogram Equalization (CLAHE) filter in the architecture to improve image sharpness and, consequently, enhance its performance. This architecture is compared with another architecture called Danet-FCN3, which is well-known in the field of seismic image segmentation. However, one of its weaknesses is its high computational complexity. Therefore, research was conducted to maintain high performance while reducing the network’s complexity and training time. The results show an improvement of up to 10% in the tests conducted on both databases when compared to the version without the CLAHE filter. It also achieved an accuracy of 99.37%, surpassing the state-of-the-art obtained by the Danet-FCN3 architecture, which achieved an accuracy of 98.13%. Another point studied during this work was how the variation in the size of the tiles impact the final performance of the networks. With the mIoU (Mean Intersection Over Union) metric, 90.02% of performance was achieved. This result is close to the state-of-the-art obtained by the Danet-FCN3 architecture for this metric, which reached an accuracy of 91.41%, and our proposal uses a substantially less complex approach.Com os avanços tecnológicos, a caracterização de reservatórios de petróleo se tornou mais precisa e complexa, especialmente com a utilização de dados sísmicos tridimensionais (3D) para a localização de reservatórios de petróleo e gás. Nesta dissertação, são apresentadas duas arquiteturas de redes neurais profundas aplicadas à segmentação semântica de imagens sísmicas em 2 bancos de dados públicos, o banco de dados Holanda F3 e Penobscot. O treinamento da rede é realizado utilizando apenas 100 imagens para simular um cenário onde há pouca quantidade de dados disponíveis. A proposta é utilizar uma arquitetura convolucional amplamente conhecida, chamada U-Net junto a um filtro de Equalização de Histograma Adaptativo Limitada por Contraste (Contrast Limited Adaptive Histogram Equalization - CLAHE) na arquitetura, com o propósito de melhorar a nitidez da imagem e assim, melhorando seu desempenho. Essa arquitetura foi comparada com outra arquitetura chamada Danet-FCN3 que é uma rede bem conhecida no campo de segmentação de imagens sísmicas. Entretanto, um dos pontos fracos dessa arquitetura é sua alta complexidade computacional. Por isso, foi realizada uma pesquisa para manter o alto desempenho, reduzindo a complexidade da rede, e o tempo de treino. Os resultados mostram uma melhoraria de até 10 % nos testes realizados em ambos bancos de dados, quando comparado à sua versão sem o filtro CLAHE e também conseguiu atingir 99,37% de acurácia, superando assim o estado-da-arte obtido pela arquitetura Danet-FCN3, que atingiu uma precisão de 98,13%. Outro ponto estudado durante esse trabalho foi como a variação do tamanho dos tiles impactam o desempenho final das redes. Com a métrica de mIoU (Mean Intersection Over Union) foi alcançado 90, 02% de desempenho. Esse resultado se aproxima do estado da-arte obtido pela arquitetura Danet-FCN3 para essa métrica, que atingiu uma acurácia de 91, 41%, sendo que nossa proposta usa uma abordagem substancialmente menos complexa.