Self-Supervised Deep Learning For Advanced Seismic Interpretation. Masters thesis, King Fahd University of Petroleum and Minerals.

PDF (Masters Thesis Report) Masters Thesis Signed.pdf - Accepted Version Restricted to Repository staff only until 14 May 2026. Download (30MB)

Arabic Abstract

يُعدّ تفسير البيانات الزلزالية بالغ الأهمية، إذ يُوفّر معلومات هيكلية وطبقية أساسية حول باطن الأرض. ويتسم تفسير البيانات الزلزالية التقليدية بالطابع الذاتي، ويتطلب جهدًا بشريًا مكثفًا، ويستغرق وقتًا طويلًا، ويعتمد على الحوسبة. ونتيجةً لذلك، ركّزت الأبحاث الحديثة على الاستفادة من التعلم العميق (DL) في تفسير البيانات الزلزالية. ومع ذلك، فإنّ فعالية التعلم العميق محدودة بسبب الحاجة إلى مجموعات بيانات تدريبية عالية الجودة، وواسعة النطاق، ومتنوعة. ومن الإنجازات المهمة في دمج التعلم العميق في تفسير البيانات الزلزالية نماذج الأساس (FMs). ومع ذلك، لم تُدمج سوى دراسات قليلة نماذج الأساس (FMs) في تفسير البيانات الزلزالية على الرغم من إمكاناتها، لا سيما على نطاق ثلاثي الأبعاد. لذلك، سعى هذا البحث إلى دراسة استخدام نماذج الأساس (FMs) المُدرّبة على تفسير البيانات الزلزالية، مُقدّمًا نهجًا واعدًا لتعزيز تحليل البيانات الزلزالية ثلاثية الأبعاد. وقد طبّقت هذه الدراسة إطار عمل للتعلم الذاتي الإشراف (SSL) مُستندًا إلى مبادئ معالجة الصور الزلزالية وتحليل السمات الزلزالية، باستخدام كلٍّ من مجموعات البيانات الميدانية والتركيبية. أدى هذا النهج إلى تطوير نموذج FM زلزالي ثلاثي الأبعاد قائم على عملية التقطير الذاتي (SeisDINO) التي يمكن ضبطها بدقة لمختلف مهام تفسير البيانات الزلزالية. يلتقط SeisDINO بفعالية السمات والخصائص الزلزالية الحرجة، مما ينتج عنه تمثيلات قوية للسمات الكامنة تُعزز تفسير البيانات الزلزالية اللاحقة. كما يُظهر قدرات تعميم مُحسّنة عبر مهام تفسير البيانات الزلزالية المختلفة، كما هو موضح من خلال مقاييس مثل متوسط ​​التقاطع على الاتحاد، ومتوسط ​​دقة البكسل، ونتائج عدم اليقين في مونت كارلو، متفوقًا بذلك على طريقة التعلم المُشرف التقليدية UNet. بشكل عام، يُؤكد هذا البحث على إمكانات SSL المُستندة إلى معالجة الصور الزلزالية ومبادئ تحليل السمات، مما يُمهد الطريق لاستمرار الابتكار من خلال تطوير نماذج FM لتفسير البيانات الزلزالية، مع إمكانية إحداث ثورة في توصيف باطن الأرض والاستكشاف الزلزالي الجيوفيزيائي.

English Abstract

Seismic interpretation is crucial as it provides essential structural and stratigraphic information about the Earth’s subsurface. Traditional seismic interpretation is subjective, labor-intensive, time-consuming, and computationally intensive. Consequently, recent research works have focused on leveraging deep learning (DL) for seismic interpretation. However, the effectiveness of DL is limited by the need for high-quality, extensive, and diverse training datasets. One significant breakthrough in integrating DL for seismic interpretation is Foundation Models (FMs). However, few studies have integrated FMs for seismic interpretation despite their potential, especially at a 3D scale. Therefore, this research sought to investigate using FMs trained for seismic interpretation, presenting a promising approach to enhancing 3D seismic analysis. This study applied a Self-Supervised Learning (SSL) framework informed by the principles of seismic image processing and seismic attribute analysis, utilizing both field and synthetic datasets. This approach led to the development of a 3D seismic FM based on a self-distillation process (SeisDINO) that can be fine-tuned for various seismic interpretation tasks. SeisDINO effectively captures critical seismic features and characteristics, producing robust latent feature representations that drive downstream seismic interpretation. It demonstrates enhanced generalization abilities across different seismic interpretation tasks, as indicated by metrics such as mean Intersection over Union, mean Pixel Accuracy, and Monte Carlo uncertainty results, outperforming the conventional supervised learning UNet method. Overall, this research emphasizes the potential of SSL informed by seismic image processing and attribute analysis principles, paving the way for continued innovation through the development of FMs for seismic interpretation, with the potential to revolutionize subsurface characterization and geophysical seismic exploration.

Item Type:	Thesis (Masters)
Subjects:	Computer Earth Sciences Math Petroleum Petroleum > Reservoir Characterization
Department:	College of Petroleum Engineering and Geosciences > Geosciences
Committee Advisor:	Waheed, Umair
Committee Members:	Koeshidayatullah, Ardiansyah and Li, Weichang
Depositing User:	GOODLUCK ARCHIBONG (g202216220)
Date Deposited:	20 May 2025 06:24
Last Modified:	20 May 2025 06:24
URI:	http://eprints.kfupm.edu.sa/id/eprint/143370