GabrielNet: Segmentação de Fácies Sísmicas com Arquitetura Multi-Decoder e Ensemble de Redes Neurais Profundas

• Juan Perri Universidade Federal do Rio de Janeiro (UFRJ)
• Lorena M. B. Universidade Federal do Rio de Janeiro (UFRJ)
• C. Miceli de Farias Universidade Federal do Rio de Janeiro (UFRJ)
• A. Jurdan Universidade Federal do Rio de Janeiro (UFRJ)

DOI: https://doi.org/10.5753/sbbd_estendido.2026.249736

Resumo

A segmentação de fácies sísmicas, entendidas como padrões de reflexão que representam diferentes unidades geológicas e características deposicionais do subsolo, enfrenta desafios significativos devido ao ruído de aquisição, à escassez de rótulos e ao severo desbalanceamento entre classes. Este artigo propõe o GabrielNet, uma arquitetura que mitiga esses problemas por meio de um ensemble multi-decoder composto pelos modelos Attention U-Net, U-Net e DeepLabV3+, conectados a um encoder convolucional compartilhado. O pipeline integra um pré-processamento físico-informado baseado em filtragem espectral via FFT e difusão anisotrópica de Perona-Malik, engenharia de atributos sísmicos utilizando a transformada de Hilbert e pós-processamento morfológico para redução de falsas predições. Avaliada sobre o volume sísmico Parihaka, a abordagem alcançou 84,24% de mean IoU e 86,50% de acurácia de pixel, demonstrando elevada coerência geológica e robustez em cenários com restrições computacionais e forte desbalanceamento de classes.

Palavras-chave: difusão anisotrópica, redes neurais convolucionais, fácies sísmicas

Referências

Atolagbe, J. and Koeshidayatullah, A. (2025). Toward user-guided seismic facies interpretation with a pre-trained large vision model. IEEE Access, 13:42965–42976.

Chen, L.-C., Zhu, Y., Papandreou, G., Schroff, F., and Adam, H. (2018). Encoder-decoder with atrous separable convolution for semantic image segmentation. In European Conference on Computer Vision (ECCV), pages 801–818.

Chevron U.S.A. Inc. (2020). Labeled geological model of Parihaka seismic data for machine learning. SEG 2020 Annual Meeting Machine Learning Interpretation Workshop. Disponibilizado sob licença CC BY-SA 4.0; dados sísmicos base fornecidos pela New Zealand Petroleum and Minerals (NZPM).

Gao, H., Wu, X., Si, X., Sheng, H., Liu, M., and Wu, H. (2026). A foundation model empowered by a multi-modal prompt engine for universal seismic geobody interpretation across surveys. Information Fusion, 125:103437.

Goodfellow, I., Bengio, Y., and Courville, A. (2016). Deep Learning. MIT Press, Cambridge, MA. [link].

Gutierrez, G., Astudillo, C., Napoli, O., Miranda, D., Souza, A., Navarro, J. P., Villas, L., and Borin, E. (2025). On the performance evaluation of deep learning models for seismic facies segmentation. Geophysical Prospecting.

Hu, E. J., Shen, Y., Wallis, P., Allen-Zhu, Z., Li, Y., Wang, S., Wang, L., and Chen, W. (2022). LoRA: Low-rank adaptation of large language models. In International Conference on Learning Representations (ICLR).

Kirillov, A., Mintun, E., Ravi, N., Mao, H., Rolland, C., Gustafson, L., Xiao, T., Whitehead, S., Berg, A. C., Lo, W.-Y., Dollár, P., and Girshick, R. (2023). Segment anything. In Proceedings of the IEEE/CVF International Conference on Computer Vision (ICCV), pages 4015–4026.

LeCun, Y., Bengio, Y., and Hinton, G. (2015). Deep learning. Nature, 521(7553):436–444.

Liu, X., Gao, P., Yu, T., Wang, F., and Yuan, R.-Y. (2025). CSWin-UNet: Transformer UNet with cross-shaped windows for medical image segmentation. Information Fusion, 113:102634.

Oktay, O., Schlemper, J., Folgoc, L. L., Lee, M., Heinrich, M., Misawa, K., Mori, K., Mc-Donagh, S., Hammerla, N. Y., Kainz, B., Glocker, B., and Rueckert, D. (2018). Attention U-Net: Learning where to look for the pancreas. arXiv preprint arXiv:1804.03999.

Perona, P. and Malik, J. (1990). Scale-space and edge detection using anisotropic diffusion. IEEE Transactions on Pattern Analysis and Machine Intelligence, 12(7):629–639.

Ronneberger, O., Fischer, P., and Brox, T. (2015). U-Net: Convolutional networks for biomedical image segmentation. In Medical Image Computing and Computer-Assisted Intervention (MICCAI), volume 9351 of LNCS, pages 234–241. Springer.

Sheng, H., Wu, X., Si, X., Li, J., Zhang, S., and Duan, X. (2025). Seismic foundation model: A next generation deep-learning model in geophysics. Geophysics, 90(2):IM59–IM79.