Compressing and Denoising Seismic Data Using Hidden State of Generative Models. Masters thesis, King Fahd University of Petroleum and Minerals.

PDF green_title_letter-merged.pdf - Submitted Version Restricted to Repository staff only until 24 January 2025. Download (17MB)

Arabic Abstract

الكمية العالية من البيانات التي تم التقاطها خلال المسح الزلزالي غير قابلة للتفاوض. يمكن أن تسبب هذه الكمية العالية من البيانات بعض الإزعاجات في نقلها من الميدان إلى المختبر حيث يتم الحاجة إليها. من هذا المنطلق، يعتبر ضغط البيانات الزلزالية ضروريًا في معالجة البيانات الزلزالية. ينقسم هذا المشروع إلى جزأين. ركز الجزء الأول من المشروع على ضغط المسارات الزلزالية 1D. الهندسة المعمارية المستخدمة لهذا النموذج هي التشفير التلقائي. مع العلم أن الضمان لإعادة البناء الأمثل هو الكمية من المعلومات في الطبقة المخفية أو التمثيل المضغوط في ناتج التشفير، استخدمت الطريقة الأولى مكدسًا من الطبقات المتبقية عن طريق اختيار أفضل تكوين بشكل استراتيجي لإعطاء أقل خطأ في إعادة البناء. وجدت هذه الطريقة نتائج محسنة عندما تم تضمين الميزات المتبقية في النموذج محققة PSNR بقيمة 30.9031 و SSIM بقيمة 0.5682 بنسبة ضغط 16. على الرغم من أن الطريقة حققت PSNR بقيمة 0.5682 بمعدل ضغط 32، فإن الشريحة 2D الناتجة عند التكديس تحتوي على الكثير من الضوضاء التي يمكن أن تنتج عن عدم الانتباه إلى السعات المجاورة الأخرى. أدى هذا العيب إلى استكشاف طريقة أخرى. تحدت الطريقة الثانية المقترحة في هذه الأطروحة الطريقة الحالية في ضغط البيانات الزلزالية 2D. لتحقيق هذا، استخدمت الطريقة العمود الفقري للنافذة المنقولة (Swin) Transformer في التشفير التلقائي. من خلال التجربة، استطاع النموذج المقترح ضغط البيانات الزلزالية 2D محققًا نتائج PSNR مثيرة للإعجاب بقيمة 27.8564، و 26.6339 بمعدل ضغط 85، و 102 على التوالي. للتأكد من إمكانات النموذج في سيناريوهات متنوعة، تم استخدام حجم زلزالي آخر يحتوي على بعد مختلف عن مجموعة البيانات التدريبية والتحقق على النموذج. حقق PSNR بقيمة 27.7506، و 26.2927 بمعدل ضغط 85، و 102 على التوالي.

English Abstract

The high amount of data captured during the seismic survey is non-negotiable. This high amount of data can cause some inconveniences in their transfer from the field to the laboratory where they are needed. It is with this mindset that seismic data compression is imperative in seismic data processing. This project is divided into two parts. The first part of the project focused on the compression of 1D seismic traces. The architecture used for this model is the autoencoder. Knowing that the guarantee for optimum reconstruction is the amount of information at the hidden layer or compressed representation at the output of an encoder, the first method used a stack of residual layers by strategically selecting the best configuration to give the least reconstruction error. This method found improved results when residual features were included in the model achieving a PSNR of 30.9031 and an SSIM of 0.5682 at a compression ratio of 16. Although the method achieved a PSNR of 0.5682 at a compression rate of 32, the resulting 2D slice when stacked contains a lot of noise which could result from not paying attention to other neighboring amplitudes. This drawback led to exploring another method. The second method proposed in this thesis challenged the current method in compressing 2D seismic data. To achieve this, the method made use of a Shifted Window (Swin) Transformer backbone in an autoencoder. Through experimentation, the proposed model could compress 2D seismic data achieving impressionable PSNR results of 27.8564, and 26.6339 at a compression rate of 85, and 102 respectively. To ascertain the model’s potential in diverse scenarios, another seismic volume having a different dimension to the training and validation dataset was used on the model. It achieved PSNR of 27.7506, and 26.2927 at a compression rate of 85, and 102 respectively.

Item Type:	Thesis (Masters)
Subjects:	Research Research > Information Technology Research > Remote Sensing Electrical
Department:	College of Engineering and Physics > Electrical Engineering
Committee Advisor:	Liu, Bo
Committee Members:	Balghonaim, Adil S. and Al-Shaikhi, Ali and Liu, Xu
Depositing User:	DAMILOLA OLAWOYIN-YUSSUF (g202110610)
Date Deposited:	25 Jan 2024 10:08
Last Modified:	25 Jan 2024 10:08
URI:	http://eprints.kfupm.edu.sa/id/eprint/142801