Geri Dön

Derin öğrenme yöntemlerini kullanarak sismik hız modellerinin ters çözümü

Seismic velocity inversion utilizing deep learning methods

PDF İndir

  1. Tez No: 942472
  2. Yazar: MOJTABA NAJAFIKHATOUNABAD
  3. Danışmanlar: PROF. DR. SELMA KADIOĞLU, DOÇ. DR. HACER YALIM KELEŞ
  4. Tez Türü: Doktora
  5. Konular: Jeofizik Mühendisliği, Geophysics Engineering
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2025
  8. Dil: Türkçe
  9. Üniversite: Ankara Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Jeofizik Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 103

Özet

Sismik arama yönteminde ölçülen verilerden yeraltı hız modelinin kestirimi doğrusal olmayan kötü durumlu ters çözüm problemidir. Bu problemin çözümü için farklı yöntemler kullanılmaktadır. Bu tez çalışmasında sismik hız modeli ters çözümüne yönelik derin öğrenme tabanlı bir yaklaşım sunulmaktadır. Bu tez çalışmasında derin model olarak önerilen sismik hız modeli ters çözüm ağı (SVInvNet) yoğun bloklarla güçlendirilmiş çok bağlantılı bir kodlayıcı- kod çözücü yapısı içeren yeni bir mimari sunmaktadır. Uçtan uca sismik atış kesitlerini yer altı hız modellerine dönüştüren SVInvNet doğrusal olmayan bu dönüşümde kritik önemi olan sismik zaman serisi verilerini etkili bir şekilde işlemek üzere ayarlanmıştır. Eğitim ve test veri kümesi olarak çok katmanlı, faylı ve tuz domu içeren çeşitli sismik hız modelleri ve her birinde hesaplanan sismik atış kesitleri hazırlanmıştır. Eğitim veri kümesi sayı olarak alt kümelere ayrılmış ve sismik verilere tutarlı ve rastgele gürültü türleri eklenmiştir. Böylece eğitim veri setinin sayısının ve farklı çevresel gürültü türlerinin eğitim süreci üzerindeki etkileri incelenmiştir. SVInvNet'in performansı ayrıca OpenFWI veri kümesi ve Marmousi hız modelinden alınan hız modelleri üzerinde de denenmiştir. Elde edilen sonuçlar temel model olarak kullanılan InversionNet derin model ve tam dalga şekli ters çözüm yöntemi (FWI) ile karşılaştırılmıştır. Karşılaştırmalı analiz, bu tezin bir sonucu olarak önerilen mimarinin etkinliğini açıkça göstermektedir.

Özet (Çeviri)

In seismic exploration, estimating the subsurface velocity model from acquisition data is a nonlinear and ill-posed inversion problem. Various methods have been used to solve this problem. In this thesis, a deep learning-based approach is presented for seismic velocity model inversion. As the deep model proposed in this thesis, the Seismic Velocity Inversion Network (SVInvNet) introduces a novel architecture that incorporates a multi-connection encoder-decoder structure enhanced with dense blocks. SVInvNet is designed to effectively process seismic time-series data, which is crucial for this nonlinear transformation, and it converts seismic shot gathers into subsurface velocity models in an end-to-end manner. For training and testing datasets, various seismic velocity models containing multi-layered, faulted, and salt dome structures are prepared, along with their corresponding seismic shot gathers. The training dataset was divided into subsets, and both coherent and random noise are added to the seismic data. This allowed for an investigation into the effects of the size of the training dataset and different types of ambient noise on the training process. The performance of SVInvNet is further evaluated using the OpenFWI dataset and models derived from the Marmousi velocity model. The obtained results are compared with InversionNet, which is used as the baseline model, and the full-waveform inversion (FWI) method. The comparative analysis clearly demonstrates the effectiveness of the proposed architecture as an outcome of this thesis.

Benzer Tezler

  1. Tez No

    886696

    Classification of knee osteoarthritis severity using deep learning with fully supervised and semi-supervised-based approaches

    Derin öğrenme ile tamamen denetimli ve yarı-denetimli yaklaşım tabanlı diz osteoartrit şiddetinin sınıflandırılması

    İLKNUR AKTEMUR

    Yüksek Lisans

    İngilizce

    İngilizce

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DOÇ. DR. İLKAY ÖKSÜZ

  2. Tez No

    695392

    Modeling of the ionosphere's disturbance using deep learning techniques

    İyonosfer bozulmaların derin öğrenme teknikleri kullanılarak modellenmesi

    RAHEM ABRI ZANGABAD

    Doktora

    İngilizce

    İngilizce

    2021

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolHacettepe Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DOÇ. DR. HARUN ARTUNER

  3. Tez No

    896775

    Evaluating the performance of CNN-based algorithms for building extraction in comparison with classical image processing methods

    CNN tabanlı algoritmaların klasik görüntü işleme yöntemleri ile kıyaslanarak bina çıkarımı performansının değerlendirilmesi

    ZEINAB BAYAT

    Yüksek Lisans

    İngilizce

    İngilizce

    2024

    İnşaat MühendisliğiHacettepe Üniversitesi

    İnşaat Mühendisliği Ana Bilim Dalı

    DOÇ. DR. BURCU GÜLDÜR ERKAL

  4. Tez No

    961226

    Deprem verilerinin zamansal ve mekansal analizi

    Temporal and spatial analysis of earthquake data

    MEHMET BARIŞ ŞEN

    Doktora

    Türkçe

    Türkçe

    2025

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolMaltepe Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DOÇ. DR. VOLKAN TUNALI

  5. Tez No

    876482

    Ön işleme tabanlı manyetik rezonans sekans karşılaştırmalı servikal lenf nodu segmentasyonu

    Preprocessing based magnetic resonance sequence comparative cervical lymph node segmentation

    ELİF AYTEN TARAKÇI

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2024

    Kulak Burun ve BoğazSağlık Bakanlığı

    Kulak Burun Boğaz Ana Bilim Dalı

    PROF. DR. METİN ÇELİKER

Geri Dön