SeisDiff-FNO: Seismic data enhancement using Fourier Neural Operator with Diffusion model. Masters thesis, King Fahd University of Petroleum and Minerals.

PDF Alessandro_Traversa___Thesis_report.pdf - Accepted Version Restricted to Repository staff only until 11 January 2027. Download (3MB)

Arabic Abstract

تتدهور جودة البيانات الزلزالية غالباً بسبب التلوث بالضجيج، وضيق نطاق الترددات أثناء الاكتساب، إضافة إلى العيِّنات المتباعدة أو غير المنتظمة، الأمر الذي يحدّ من موثوقية تصوير الباطن وتفسيره. وقد أسهمت التطورات الأخيرة في التعلّم العميق، بما في ذلك بنى U-Net ونماذج الانتشار، في تحسين عمليات إزالة الضوضاء وزيادة الدقة واستعادة الشرائط المفقودة، إلا أن هذه الأساليب ما تزال مقيّدة إما بحقول استقبال محلية ناتجة عن عمليات الالتفاف، أو بكلفة حسابية مرتفعة للنماذج المعتمدة على آليات الانتباه. لمعالجة هذه القيود، تقترح هذه الرسالة نموذج SeisDiff-FNO، وهو إطار انتشار شرطي يدمج طبقات المؤثر في فضاء فورييه (FNO) داخل العمود الفقري لبنية U-Net، بهدف تعزيز نمذجة الترابطات المكانية بعيدة المدى مع الحفاظ على كفاءة عالية في الحساب. جرى تدريب النموذج وتقييمه على مجموعة بيانات تركيبية مكوّنة من أزواج من المقاطع الزلزالية منخفضة وعالية الدقة مشتقة من نماذج انعكاسية ثلاثية الأبعاد ذات تعقيد جيولوجي متفاوت ومستويات مختلفة من الضوضاء. وشملت الدراسة تجارب شاملة على ثلاث مهام تحسين رئيسية: زيادة الدقة بعامل 2×، وإزالة الضوضاء تحت أنظمة ضجيج متعددة، وإعادة البناء تحت أنماط مختلفة من الشرائط المفقودة. وقد أظهرت النتائج أن SeisDiff-FNO يتفوّق باستمرار على نماذج U-Net وSeisFusion ونماذج الانتشار القياسية في المجالين المكاني والطيفي، حيث يستعيد محتوى التردد-العدد على نطاق واسع، ويحسّن استمرارية العواكس، ويقلّل من البواقي والآثار الاصطناعية. كما انخفض زمن الاستدلال بشكل ملحوظ مقارنة بالنماذج المعزَّزة بالانتباه، وأظهر النموذج قدرة عامة قوية في اختبار خارج مجال التدريب على مقطع زلزالي شبيه بالبيانات الحقلية. وتشير هذه النتائج إلى أن النماذج المعزَّزة بـFNO داخل أطر الانتشار تمثل بديلاً فعالاً وقوياً مقارنة بالأساليب التقليدية القائمة على الالتفاف أو الانتباه، كما يقدّم SeisDiff-FNO اتجاهاً واعداً نحو تطوير نماذج توليدية أكثر وعياً بالفيزياء، قادرة على تحسين عمليات التصوير الزلزالي ودعم تفسير أكثر موثوقية للباطن.

English Abstract

Seismic data quality is often degraded by noise contamination, limited acquisition bandwidth, and sparse or irregular sampling, reducing the reliability of subsurface imaging and interpretation. Recent advances in deep learning, including U-Net architectures and diffusion models, have improved denoising, super-resolution, and missing-trace reconstruction, yet these approaches remain constrained by local receptive fields or by the high computational cost of attention-based mechanisms. To address these limitations, this thesis proposes SeisDiff-FNO, a conditional diffusion framework that integrates Fourier Neural Operator (FNO) layers into the U-Net backbone to enhance long-range spatial modeling while maintaining computational efficiency. The model was trained and evaluated using a synthetic dataset composed of paired low-resolution and high-resolution seismic sections derived from 3D reflectivity models with varying geological complexity and noise levels. Comprehensive experiments were conducted across three enhancement tasks—a super-resolution factor of two , denoising under multiple noise regimes, and reconstruction under varying missing-trace patterns. Results demonstrate that SeisDiff-FNO consistently outperforms U-Net, SeisFusion, and standard diffusion models in both spatial and spectral domains, recovering broadband frequency–wavenumber information, improving reflector continuity, and reducing residual artifacts. Inference times were also substantially reduced relative to attention-augmented baselines. The model further exhibited strong generalization in a resolution-free test on an out-of-distribution field-like seismic section. These findings indicate that FNO-enhanced diffusion architectures provide a powerful and efficient alternative to traditional CNN and attention-based models for seismic data enhancement. SeisDiff-FNO offers a promising direction for future development of physics-aware generative models capable of improving seismic imaging workflows and supporting more reliable subsurface interpretation.

Item Type:	Thesis (Masters)
Subjects:	Earth Sciences
Department:	College of Petroleum Engineering and Geosciences > Geosciences
Committee Advisor:	Waheed, U.B
Committee Members:	Mahmoud, S. and AlAli, A.
Depositing User:	ALESSANDRO TRAVERSA GONZALEZ (g202393750)
Date Deposited:	12 Jan 2026 07:28
Last Modified:	12 Jan 2026 07:28
URI:	http://eprints.kfupm.edu.sa/id/eprint/144017