Detecção de refletores sísmicos por rede neural discreta

• Main Author: FERREIRA, Alexandre Beltrão
• Other Authors: LEITE, Lourenildo Williame Barbosa
• Language: Portuguese
• Published: Universidade Federal do Pará 2014
• Subjects: CNPQ::CIENCIAS EXATAS E DA TERRA::GEOCIENCIAS::GEOFISICA::GEOFISICA APLICADA; Método de reflexão sísmica; Processamento de dados; Redes neurais (Computação)
• Online Access: http://repositorio.ufpa.br/jspui/handle/2011/5470

Submitted by Cleide Dantas ([e-mail]) on 2014-06-18T12:37:29Z No. of bitstreams: 2 license_rdf: 23898 bytes, checksum: e363e809996cf46ada20da1accfcd9c7 (MD5) Dissertacao_DeteccaoRefletoresSismicos.pdf: 19890641 bytes, checksum: 386a6dda416849e7792da409aaa75ec8 (MD5) === Rejected by Irvana Coutinho ([e-mail]), reason: Incluir assuntos on 2014-08-07T16:02:06Z (GMT) === Submitted by Cleide Dantas ([e-mail]) on 2014-08-21T13:19:11Z No. of bitstreams: 2 license_rdf: 23898 bytes, checksum: e363e809996cf46ada20da1accfcd9c7 (MD5) Dissertacao_DeteccaoRefletoresSismicos.pdf: 19890641 bytes, checksum: 386a6dda416849e7792da409aaa75ec8 (MD5) === Approved for entry into archive by Irvana Coutinho ([e-mail]) on 2014-08-22T14:02:41Z (GMT) No. of bitstreams: 2 license_rdf: 23898 bytes, checksum: e363e809996cf46ada20da1accfcd9c7 (MD5) Dissertacao_DeteccaoRefletoresSismicos.pdf: 19890641 bytes, checksum: 386a6dda416849e7792da409aaa75ec8 (MD5) === Made available in DSpace on 2014-08-22T14:02:41Z (GMT). No. of bitstreams: 2 license_rdf: 23898 bytes, checksum: e363e809996cf46ada20da1accfcd9c7 (MD5) Dissertacao_DeteccaoRefletoresSismicos.pdf: 19890641 bytes, checksum: 386a6dda416849e7792da409aaa75ec8 (MD5) Previous issue date: 1999 === CNPq - Conselho Nacional de Desenvolvimento Científico e Tecnológico === As redes neurais artificiais têm provado serem uma poderosa técnica na resolução de uma grande variedade de problemas de otimização. Nesta dissertação é desenvolvida uma nova rede neural, tipo recorrente, sem realimentação (self-feedback loops) e sem neurônios ocultos, para o processamento do sinal sísmico, para fornecer a posição temporal, a polaridade e as amplitudes estimadas dos refletores sísmicos, representadas pelos seus coeficientes de reflexão. A principal característica dessa nova rede neural consiste no tipo de função de ativação utilizada, a qual permite três possíveis estados para o neurônio. Busca-se estimar a posição dos refletores sísmicos e reproduzir as verdadeiras polaridades desses refletores. A idéia básica desse novo tipo de rede, aqui denominada rede neural discreta (RND), é relacionar uma função objeto, que descreve o problema geofísico, com a função de Liapunov, que descreve a dinâmica da rede neural. Deste modo, a dinâmica da rede leva a uma minimização local da sua função de Liapunov e consequentemente leva a uma minimização da função objeto. Assim, com uma codificação conveniente do sinal de saída da rede tem-se uma solução do problema geofísico. A avaliação operacional da arquitetura desta rede neural artificial é realizada em dados sintéticos gerados através do modelo convolucional simples e da teoria do raio. A razão é para explicar o comportamento da rede com dados contaminados por ruído, e diante de pulsos fonte de fases mínima, máxima e misturada. === The artificial neural networks have proven to be a powerful technique in solving a wide variety of optimization problems. In this work, we develop a new recurrent network, with no self-feedback loops, and no hidden neurons, for seismic signal processing, where this neural network gives the true polarity, reflectors location and magnitude estimations. The main characteristic of this neural network is the use of a type of activation function which permits three possible states of neurons, to estimate the position of the seismic reflectors in such way to reproduce its true polarities. The basic idea of this new neural network type, denominated here by discrete neural network (DNN), is to relate a cost function, that describes the geophysical problem, with the Liapunov function, that describes the neural network dynamics. In this way, the dynamics of the network leads to a local minimization of the Liapunov function, and will consequently lead to a minimization of the cost function. Thus, with a convenient output signal codification of the neural network a geophysical problem solution is obtained. The operational evaluation of this neural network architecture is performed with synthetic data obtained through the simple convolutional model and seismic ray theory, and its behavior explained with additive noise in the data with minimum, maximum and mixed phase time source pulses.