Resumen de Shot-gather Reconstruction using a Deep Data Prior-based Neural Network Approach

Luis Miguel Rodríguez López, Kareth Marcela León López, Yesid Paul Goyes Peñafiel, Laura Carolina Galvis Martínez, Henry Arguello Fuentes

• español

  Los levantamientos sísmicos usualmente se ven afectados por obstáculos o restricciones ambientales que impiden el muestreo regular en la adquisición sísmica. Por lo tanto, se han desarrollado diversos métodos para reconstruir estos datos faltantes, incluidos los métodos de aprendizaje profundo, los cuales permiten extraer características de información compleja, con la limitante de bases de datos sísmicos externos. Aunque otros trabajos se han enfocado principalmente en la reconstrucción de trazas, los disparos que no se pueden adquirir impactan directamente el flujo del procesamiento sísmico y representa un reto mayor en la regularización de datos sísmicos. En este trabajo proponemos DIPsgr, un método de reconstrucción de disparos sísmicos que usa solamente las medidas de las adquisiciones sísmicas incompletas para estimar la información faltante usando aprendizaje profundo no supervisado. Los experimentos numéricos con tres bases de datos muestran que DIPsgr recupera el conjunto completo de trazas en cada shot-gather, donde la información y los eventos sísmicos se conservan correctamente.

• English

  Seismic surveys are often affected by environmental obstacles or restrictions that prevent regular sampling in seismic acquisition. To address missing data, various methods, including deep learning techniques, have been developed to extract features from complex information, albeit with the limitation of requiring external seismic databases. While previous works have primarily focused on trace reconstruction, missing shot-gathers directly impact the seismic processing flow and represent a major challenge in seismic data regularization. In this paper, we propose DIPsgr, a seismic shot-gather reconstruction method that uses only the incomplete seismic acquisition measurements to estimate their missing information employing unsupervised deep learning. Numerical experiments on three databases demonstrate that DIPsgr recovers the complete set of traces in each shot-gather, with preserved information and seismic events.