Leveraging Self-Supervision for the Applications of Seismic Exploration. Masters thesis, King Fahd University of Petroleum and Minerals.

PDF Khalil_Thesis_Final_merged_organized.pdf Restricted to Repository staff only until 22 August 2025. Download (26MB)

Arabic Abstract

شهدت السنوات القليلة الماضية تقدما منقطع النظير في الذكاء الاصطناعي، لا سيما فيما يتعلق بطرق التعلم الجديدة كالتعلم ذاتي التوجيه. ساهم هذا التقدم في فتح آفاق جديدة لتطوير كفاءة تدريب نماذج الذكاء الاصطناعي وجعلها أكثر قدرة على التعامل مع مختلف أنواع البيانات في شتى التطبيقات، ومن ذلك تطبيقات الاكتشافات الزلزالية. تدرس هذه الرسالة بعضا من طرق استخدام التعلم ذاتي التوجيه في تطبيقين من تطبيقات الاكتشافات الزلزالية: عملية تصنيف الطبقات الجيولوجية لباطن الأرض من خلال صور المقاطع الزلزالية، وعملية القلب الموجي الكامل، كما تستقصي الرسالة تأثير التعلم ذاتي التوجيه على تقليص حجم البيانات المطلوبة لتدريب النماذج وقدرتها على التعميم. تقدم الرسالة دراسة تحليلة مقارنة للتعلم ذاتي التوجيه مع طرق التعلم التقليدية من خلال استكشاف آثاره على أنواع مختلفة من نماذج الذكاء الاصطناعي. تبين هذه الدراسة قدرة التعلم ذاتي التوجيه على تقليل حجم البيانات المطلوبة لتدريب النماذج مع المحافظة على جودة المخرجات، كما تظهر النتائج قابلية عالية للنماذج التي تم تدريبها عن طريق التعلم ذاتي التوجيه للاستخدام في تطبيقات جديدة. تشير نتائج الدراسة إلى أن استخدام التعلم ذاتي التوجيه في تطبيقات الاكتشافات الزلزالية من شأنه ترقية أداء نماذج الذكاء الاصطناعي مما يساهم في تقليل التكاليف المصاحبة لعمليات المسح الزلزالي.

English Abstract

Recent advancements in artificial intelligence, particularly in self-supervised learning (SSL), have opened new pathways for enhancing data efficiency and model robustness across various domains, including seismic exploration. This thesis explores the integration of SSL techniques in seismic exploration to mitigate the challenges associated with extensive labeled data requirements and to improve model generalization. Specifically, we investigate the application of SSL in two critical areas: facies classification and full-wave inversion. Our research utilizes a comparative analysis of SSL against traditional supervised learning methods, employing various neural network architectures to assess performance improvements. We demonstrate that SSL can significantly enhance data efficiency by reducing the dependency on labeled data without compromising prediction accuracy. Furthermore, our findings reveal that SSL models exhibit superior generalizability, adapting more effectively to different seismic datasets and conditions. The findings in this research suggest that SSL can facilitate more accurate geological assessments and potentially decrease the costs associated with seismic surveys.

Item Type:	Thesis (Masters)
Subjects:	Computer Engineering Earth Sciences Electrical
Department:	College of Engineering and Physics > Electrical Engineering
Committee Advisor:	Motaz, Alfarraj
Committee Members:	Zerguine, Azzedine and Waheed, Umair
Depositing User:	KHALIL CHIKHAOUI (g201640980)
Date Deposited:	26 Aug 2024 11:33
Last Modified:	26 Aug 2024 11:33
URI:	http://eprints.kfupm.edu.sa/id/eprint/143047