Direct estimation of local wavefront attributes using deep learning

Kirill Gadylshin, Ilya Silvestrov, Andrey Bakulin

Результат исследования: Научные публикации в периодических изданияхстатья по материалам конференциирецензирование

Аннотация

Wavefront attributes, such as local dips and curvatures of seismic events, are used in different seismic data processing methods, from prestack data enhancement to migration to tomography. The attributes' estimation for prestack data is a time-consuming and computationally expensive process. We propose a new approach based on U-Net convolutional neural network that directly map prestack seismic data to the local wavefront attributes. Using a 3D real data example, we demonstrate that this deep-learning-based approach can reduce the computational time by two orders of magnitude compared to a classical coherency-based optimization technique while preserving a reasonable quality of results.

Язык оригиналаанглийский
Страницы (с-по)1596-1600
Число страниц5
ЖурналSEG Technical Program Expanded Abstracts
Том2021-September
DOI
СостояниеОпубликовано - 2021
Событие1st International Meeting for Applied Geoscience and Energy - Denver, Соединенные Штаты Америки
Продолжительность: 26 сент. 20211 окт. 2021

Предметные области OECD FOS+WOS

  • 1.05 НАУКИ О ЗЕМЛЕ И СМЕЖНЫЕ ЭКОЛОГИЧЕСКИЕ НАУКИ

Fingerprint

Подробные сведения о темах исследования «Direct estimation of local wavefront attributes using deep learning». Вместе они формируют уникальный семантический отпечаток (fingerprint).

Цитировать