Um Arcabouço de Alto Desempenho para Análise de Fácies Sísmicas

• Julio Cesar Faracco UNICAMP
• Otávio Napoli UNICAMP https://orcid.org/0000-0001-9606-4751
• Edson Borin UNICAMP http://orcid.org/0000-0003-1783-4231

DOI: https://doi.org/10.5753/eradsp.2022.222235

Resumo

A análise de fácies sísmicas é um importante estudo geológico para obtenção de informações estruturais relevantes de dados sísmicos. Esses dados são geralmente obtidos através de mapeamento de uma região utilizando vários métodos de captura e podem ser relativamente grandes se a área analisada for da ordem de quilômetros. Além disso, com o uso cada vez maior de técnicas de aprendizagem de máquina ou aprendizado profundo nesse tipo de análise, o manuseio de dados grandes pode exigir uma quantidade maior de recursos computacionais. No contexto de análise de fácies símicas, são poucas as ferramentas e bibliotecas que se dedicam a abordar amplamente essa área de HPC. Com isso, a necessidade de ferramentas que deem suporte as mais variadas infra-estruturas de processamento são cada vez mais necessárias. Sendo assim, o objetivo deste trabalho é apresentar um arcabouço padronizado que possa ser facilmente utilizado para análise de fácies sísmicas, oferecendo o máximo possível de técnicas de aceleração em conjunto. Por fim, apresentaremos alguns resultados obtidos através do uso desse ferramental desenvolvido e como ele pode beneficiar geólogos ou geofísicos.

Palavras-chave: Aplicações de Computação de Alto Desempenho, Aprendizado de Máquina, Ciência de Dados, Computação de Alto Desempenho, Nuvem, Grade, Aglomerado e P2P

Referências

Alaudah, Y., Michalowicz, P., Alfarraj, M., and AlRegib, G. (2019). A machine-learning benchmark for facies classification. Interpretation, 7(3):SE175-SE187.

Forest, F., Lebbah, M., Azzag, H., and Lacaille, J. (2019). Deep architectures for joint clustering and visualization with self-organizing maps. In Pacific-Asia Conference on Knowledge Discovery and Data Mining, pages 105-116. Springer.

Napoli, O., Do Rosario, V., De Oliveira, J., Silva, P. E., and Borin, E. (2021). Accelerating multi-attribute unsupervised seismic facies analysis with rapids. volume 2021, pages 1-5. European Association of Geoscientists & Engineers.

Troccoli, E. B., Cerqueira, A. G., Lemos, J. B., and Holz, M. (2022). K-means clustering using principal component analysis to automate label organization in multi-attribute seismic facies analysis. Journal of Applied Geophysics, 198:104555.

Waldeland, A. U., Jensen, A. C., Gelius, L.-J., and Solberg, A. H. S. (2018). Convolutional neural networks for automated seismic interpretation. The Leading Edge, 37(7):529-537.

Wu, X., Liang, L., Shi, Y., and Fomel, S. (2019). Faultseg3d: Using synthetic data sets to train an end-to-end convolutional neural network for 3d seismic fault segmentation. Geophysics, 84(3):IM35-IM45.

Zhao, T. (2018). Seismic facies classification using different deep convolutional neural networks. In SEG Technical Program Expanded Abstracts 2018, pages 2046-2050. Society of Exploration Geophysicists.