CONCURRENT SEISMIC EVENTS DETECTION USING DEEP LEARNING. Masters thesis, King Fahd University of Petroleum and Minerals.

PDF stampd=Mustaf_Alfarhan_Thesis_Final_Draft_updated-signed.pdf Restricted to Repository staff only until 20 May 2021. Download (16MB)

Arabic Abstract

تنتج المسوحات الزلزالية كميات هائلة من البيانات. تفسير هذه البيانات لتحديد البنى الجيولوجية هو مصدر اهتمام مجال التنقيب عن النفط والغاز. ولكن التأويل اليدوي يستغرق وقتًا طويلاً ويحتاج إلى عمل مكثف ويتطلب خبرة في الجيولوجيا. لذلك، طور الباحثون العديد من التقنيات القائمة على معالجة الصور ورؤية الحاسوب لأتمتة عملية التأويل أتمتة كاملة أو شبه كاملة. على الرغم من أنه يتم استخدام معظم التقنيات المقترحة للكشف عن نوع واحد من الأحداث الزلزالية بدقة عالية إلا أنها لا تظهر أداءً عاليًا عند استخدامها للكشف عن عدة أحداث في آن واحد. لكن نجاح التعلم العميق في حل العديد من المشكلات في مجال الرؤية الحاسوبية التي كانت بعيدة عن أن يتم حلها يمكن نقلها إلى مجال التأويل الزلزالي. في هذا العمل، نستغل التعلم العميق المدعوم بتحويل التعلم لاكتشاف الصدوع والقباب الملحية في آن واحد. نقوم بضبط نموذج تم تدريبه على مجموعة بيانات كتلة امج نت لاكتشاف الصدوع والقباب الملحية في كتلة هولندا اف3 في بحر الشمال بنجاح. كما نتحقق من فعالية نموذجنا باختباره على مجموعة بيانات لاندماس التي لم يطلع عليها نموذجنا أثناء عملية التدريب

English Abstract

Seismic surveys generate huge amounts of data. Interpreting the data to delineate the geologic structures is the interest of the field of oil and gas exploration. However, manual interpretation is time consuming, labor extensive and requires expertise. Therefore, researchers developed many techniques based on image processing and computer vision to semi-automate or fully automate the interpretation process. Most of the proposed techniques are used to detect one type of seismic events and do not show robust performance when used for detecting multiple events simultaneously. But the success of deep learning in solving many problems in computer vision that was far from being solved can be brought to the field of seismic interpretation. In this work, we exploit deep learning powered by transfer learning to concurrently detect faults and salt domes. We fine-tune a model that was trained on the ImageNet dataset to successfully detect the faults and salt domes in the Netherland F3 block of the North Sea. We further validate the performance of the model by testing it on unseen data from the LANDMASS dataset.

Item Type:	Thesis (Masters)
Subjects:	Engineering Electrical
Department:	College of Engineering and Physics > Electrical Engineering
Committee Advisor:	Deriche, Mohamed
Committee Co-Advisor:	Mohandes, Mohamed
Committee Members:	Zerguine, Azzedine and Balghonaim, Adil and Masood, Mudassir
Depositing User:	MUSTAFA AL-FARHAN (g201027120)
Date Deposited:	03 Jun 2020 12:26
Last Modified:	03 Jun 2020 12:26
URI:	http://eprints.kfupm.edu.sa/id/eprint/141577