Estimativa de assinatura da fonte sísmica utilizando aprendizagem de máquina e wavelet sísmica generalizada

Abstract

A estimativa da wavelet da fonte a partir de dados sísmicos é uma tarefa importante no esforço de imageamento da subsuperfície. Neste estudo pretendemos testar uma abordagem de Aprendizado de Máquina (AM) para obter os parâmetros da wavelet da fonte a partir dos dados sísmicos observados. Por uma questão de simplicidade, geralmente assume-se que a wavelet de Ricker é uma boa aproximação para a forma de onda da fonte sísmica. Porém, a atenuação causada pela propagação em meios heterogêneos e fenômenos específicos da água distorcem o conteúdo de frequência da wavelet, efeito não representado adequadamente pelo Ricker. Para corrigir esse fenômeno, trabalhamos com a Wavelet Sísmica Generalizada(WSG), que é uma generalização recentemente proposta da wavelet de Ricker. A Ricker possui apenas um parâmetro, a frequência fundamental. Por outro lado, a WSG possui dois parâmetros: a mesma frequência fundamental e a ordem da derivada temporal fracionária da função gaussiana; o último controla a forma e a assimetria da wavelet no domínio do tempo. Para um valor específico deste parâmetro adicional, a WSG torna-se a wavelet de Ricker. Usando o sismograma como entrada, os modelos de aprendizado de máquina são treinados para gerar como saída os parâmetros da wavelet generalizada que melhor explicam os dados. A wavelet fonte é então estimada como a WSG cujos parâmetros são os fornecidos pelo modelo. A metodologia proposta foi testada e validada com dados sísmicos sintéticos, em que foi modelado uma aquisição marinha em águas profundas, usando um modelo de velocidade simplificado obtido do Gato do Mato, um campo de petróleo localizado na bacia de Santos, Brasil. Propagamos uma onda acústica utilizando a seguinte geometria de aquisição: uma fonte colocada na superfície e 50 receptores colocados a 2.100 m de profundidade, espaçados de 100 m entre si na direção horizontal. Realizamos mil propagações numéricas utilizando o WSG com diferentes parametrizações como forma de onda fonte. Além disso, selecionamos aleatoriamente 70% dos dados para treinamento e os outros 30% para teste. Três algoritmos de ML foram considerados para regressão: Extreme Gradient Boosting (XGBoost), Bayesian Ridge e Random Forest. Os resultados foram satisfatórios, alcançando boa precisão na estimativa dos parâmetros WSG.