Avances en la Reducción de Ruido en Datos Sísmicos

Los datos sísmicos se recogen para entender el subsuelo de la Tierra. Este proceso a menudo implica enviar ondas sonoras al suelo y grabar cómo rebotan. Sin embargo, a veces estas grabaciones pueden captar ruidos no deseados, lo que puede dificultar obtener una imagen clara de lo que hay debajo de la superficie. Este ruido puede ser causado por varios factores como maquinarias, condiciones ambientales o incluso eventos naturales.

Suprimir este ruido es crucial porque puede llevar a errores en la interpretación de los datos. Cuando hay ruido, la información que buscan los geofísicos puede verse empañada, lo que resulta en incertidumbres sobre estructuras subsuperficiales, como reservorios de petróleo y gas. Por lo tanto, encontrar formas efectivas de reducir este ruido es un gran reto en el procesamiento de datos sísmicos.

#El Papel de la Inteligencia Artificial en la Reducción de Ruido Sísmico

La Inteligencia Artificial (IA) y el aprendizaje automático se están usando cada vez más para enfrentar problemas de ruido en los datos sísmicos. Estas tecnologías pueden analizar grandes cantidades de datos y encontrar patrones que podrían pasarse por alto con métodos tradicionales. El Aprendizaje Profundo, una rama del aprendizaje automático, es especialmente efectivo para manejar conjuntos de datos complejos como grabaciones sísmicas. Puede aprender de ejemplos y mejorar con el tiempo, siendo útil para reducir el ruido en los datos sísmicos.

Un método prometedor es el Aprendizaje Auto-Supervisado, que permite a un sistema aprender de los datos mismos sin necesitar un conjunto aparte de datos limpios para comparación. Esto es particularmente útil en el procesamiento de datos sísmicos, donde puede que no siempre haya datos limpios de alta calidad disponibles para entrenar.

#Desafíos en la Reducción de Ruido Auto-Supervisada

Aunque el aprendizaje auto-supervisado muestra un gran potencial, viene con desafíos, especialmente al lidiar con ruido coherente. El ruido coherente es un tipo de ruido que tiene un patrón consistente, lo que lo hace más difícil de filtrar. Los métodos tradicionales a menudo requieren conocimiento sobre las características del ruido, que no siempre pueden ser accesibles.

Para abordar esto, los investigadores están buscando formas de usar IA para entender mejor el ruido. Aprendiendo de los datos mismos, puede ser posible crear procesos automatizados para suprimir ruido sin necesitar un amplio conocimiento previo sobre el tipo de ruido.

#IA explicable y Su Importancia

Entender cómo toma decisiones la IA es crucial, especialmente en campos como la geofísica. La IA explicable (XAI) busca hacer los procesos de toma de decisiones de los sistemas de IA más transparentes. Esto puede ayudar a los investigadores a saber qué características de los datos están influyendo en las salidas de la IA.

En el contexto de la reducción de ruido en datos sísmicos, usar XAI puede ayudar a identificar qué partes de los datos están contribuyendo al ruido. Al analizar cómo la IA procesa los datos de entrada y cómo influye en sus predicciones, los investigadores pueden optimizar el proceso de supresión de ruido y diseñar mejores estrategias para entrenar modelos de IA.

#El Flujo de Trabajo para la Reducción de Ruido

El flujo de trabajo propuesto combina técnicas de aprendizaje auto-supervisado con XAI para mejorar la supresión de ruido en datos sísmicos. Los siguientes pasos describen el proceso:

1. Reducción de Ruido Inicial: Primero, se entrena una red de denoising de puntos ciegos. En esta red, algunos píxeles en los datos se corrompen intencionalmente. La red aprende a predecir el valor de estos píxeles corruptos basado en sus píxeles vecinos. Esto enseña a la red cómo filtrar el ruido.

2. Análisis de la Matriz Jacobiana: Después del entrenamiento, se calcula la matriz jacobiana. Esta matriz ayuda a analizar cómo los cambios en los datos de entrada afectan las predicciones hechas por la red. Al examinar la matriz jacobiana, los investigadores pueden identificar qué píxeles vecinos tienen una fuerte influencia en el píxel central que se predice.

3. Creación de Máscaras: Usando la información de la matriz jacobiana, se diseñan máscaras de ruido. Estas máscaras cubren píxeles que se han identificado como contribuyentes a la reproducción del ruido. Al ocultar estos píxeles durante el entrenamiento de una nueva red, esta puede aprender a enfocarse en los datos más relevantes.

4. Entrenamiento de la Red de Máscara Ciega: Se entrena una nueva red de máscara ciega usando las máscaras de ruido. Esta red solo utiliza píxeles no enmascarados para hacer predicciones, lo que ayuda a suprimir el ruido de manera más efectiva.

5. Aplicación de Reducción de Ruido: Por último, la red de máscara ciega entrenada puede aplicarse a nuevos datos sísmicos. La red procesa los datos de entrada sin necesidad de preprocesamiento o conocimiento específico sobre el ruido presente en los datos.

#Prueba del Flujo de Trabajo con Datos Sintéticos

Para validar el método propuesto, primero se prueba con conjuntos de datos sintéticos que imitan datos sísmicos reales. Estos conjuntos de datos sintéticos incluyen varios tipos de ruido, como ruido gaussiano blanco, ruido correlacionado en el tiempo, ruido coloreado y ruido pseudo-rígido más complejo.

Durante las pruebas, la red de denoising de puntos ciegos inicial logra reducir el ruido en los conjuntos de datos sintéticos. La aplicación posterior de las máscaras de ruido creadas a partir del análisis de la matriz jacobiana mejora aún más la capacidad de la red para suprimir el ruido.

#Aplicación de Datos de Campo

Tras las pruebas exitosas en datos sintéticos, se aplica el flujo de trabajo propuesto a datos de campo reales recogidos de encuestas sísmicas. Los conjuntos de datos de campo muestran diferentes grados de ruido trazado.

El flujo de trabajo es capaz de identificar automáticamente máscaras de ruido y aplicar la red de máscara ciega a los datos de campo. Los resultados indican una efectiva supresión de ruido, ya que los datos procesados muestran un ruido residual mínimo. Esto resalta la aplicabilidad general del método propuesto a datos sísmicos del mundo real.

#Aplicación en Datos Post-Procesados

El flujo de trabajo también se extiende a datos post-procesados, que se crean después de que ya se han aplicado una serie de pasos de procesamiento a los datos sísmicos en bruto. En este caso, se utilizan los mismos métodos de aprendizaje profundo, mostrando que las técnicas desarrolladas no están limitadas al procesamiento en etapas tempranas, sino que pueden aplicarse ampliamente en diferentes etapas del procesamiento de datos sísmicos.

#Conclusión

La combinación de aprendizaje auto-supervisado e IA explicable proporciona una herramienta poderosa para mejorar la supresión de ruido en datos sísmicos. El flujo de trabajo propuesto permite una reducción efectiva de ruido sin necesidad de un amplio conocimiento previo sobre las características del ruido, haciéndolo adecuado para una amplia gama de aplicaciones sísmicas.

Al depender de los datos mismos y utilizar técnicas avanzadas de IA, los investigadores y geofísicos pueden mejorar la calidad de los datos sísmicos, lo que lleva a mejores interpretaciones y perspectivas sobre el subsuelo de la Tierra. Este enfoque automatizado no solo mejora la eficiencia del procesamiento de datos sísmicos, sino que también simplifica el flujo de trabajo para quienes trabajan en el campo.