Geri Dön

Sismik veriler ile derin öğrenme kullanarak rezerv tahmini

Reserve estimation using deep learning with seismic data

PDF İndir

  1. Tez No: 944620
  2. Yazar: BETÜL AĞAOĞLU
  3. Danışmanlar: PROF. DR. İMAN ASKERBEYLİ
  4. Tez Türü: Doktora
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2025
  8. Dil: Türkçe
  9. Üniversite: Ankara Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 83

Özet

Enerji, modern toplumların ekonomik kalkınması ve toplumsal refah düzeyinin devam edebilmesi açısından önemli bir unsurdur. Günümüzde enerji üretiminde fosil yakıtların kullanımı oldukça fazladır. Petrol, doğalgaz ve kömür gibi fosil kaynakların yer altındaki rezerv alanlarının belirlenmesinde, sismik görüntülerden yararlanılmaktadır. Bu görüntülerde özellikle tuz kubbelerinin varlığı, fosil yakıt rezervlerinin tespit edilmesinde kullanılmaktadır. Ancak bu rezervlerin tespit süreci uzmanlar tarafından manuel olarak yürütülmekte; bu süreç hem yüksek düzeyde bilgi hem de uzun zaman ve emek gerektirmektedir. Uzmanların bilgi ve deneyimlerine dayalı yorumlarının bazı durumlarda çevresel, bilişsel ya da sistemsel etkenlerden etkilenmesi, yanlış pozisyonlanan sondaj faaliyetlerine ve buna bağlı olarak zaman ve maliyet açısından önemli kayıplara sebep olabilmektedir. Yapay zeka teknolojileri ile özellikle görüntü segmentasyonunda etkinliği kanıtlanmış olan UNet mimarisi, birçok çalışmada temel model olarak kullanılmaktadır. Bu çalışmada da UNet mimarisi esas alınarak, modelin segmentasyon başarımını artırmak amacıyla çeşitli modüller eklenerek mimarinin başarımını yükseltmek amaçlanmıştır. Eklenen modüller arasında ScSE (Spatial and Channel Squeeze-and-Excitation), ASPP (Atrous Spatial Pyramid Pooling) ve Hypercolumn yapıları yer almakta olup, her biri hem bireysel olarak hem de birlikte entegre edilerek test edilmiştir. Model eğitimi öncesinde veri setine yeniden boyutlandırma ve normalizasyon gibi ön işleme adımları uygulanmıştır. Ardından, her sistem accuracy, Intersection over Union (IoU), F1 skoru ve mean Average Precision (mAP) gibi performans metrikleri ile değerlendirilmiştir. Elde edilen sonuçların istatistiksel anlamlılığı ise McNemar testi ve Cohen's Kappa katsayısı ile analiz edilmiştir. Sonuçlar, tekil olarak en yüksek artışın ASPP modülüyle sağlandığını, tüm modüllerin birlikte entegre edildiği modelde ise en yüksek genel performansa ulaşıldığını ortaya koymuştur.

Özet (Çeviri)

Energy is an important element for the economic development and social welfare of modern societies. Today, the use of fossil fuels in energy production is quite high. Seismic images are used to determine the underground reserves of fossil resources such as oil, natural gas and coal. In these images, especially the presence of salt domes is used to identify fossil fuel reserves. However, the process of determining these reserves is carried out manually by experts; this process requires a high level of knowledge as well as a long time and labor. In some cases, experts' interpretations based on their knowledge and experience can be affected by environmental, cognitive or systemic factors, which can lead to incorrectly positioned drilling activities and consequently significant losses in terms of time and cost. The UNet architecture, which has proven its effectiveness especially in image segmentation with artificial intelligence technologies, is used as the basic model in many studies. In this study, based on the UNet architecture, various modules were added to improve the segmentation performance of the model in order to increase the performance of the architecture. The added modules include ScSE (Spatial and Channel Squeeze-and-Excitation), ASPP (Atrous Spatial Pyramid Pooling) and Hypercolumn, each of which was tested both individually and integrated together. Before model training, preprocessing steps such as resizing and normalization were applied to the dataset. Each system was then evaluated using performance metrics such as accuracy, Intersection over Union (IoU), F1 score and Mean Average Precision (mAP). The statistical significance of the results was analyzed using McNemar's test and Cohen's Kappa coefficient. The results show that the ASPP module provides the highest improvement individually, while the model in which all modules are integrated together achieves the highest overall performance.

Benzer Tezler

  1. Tez No

    942472

    Derin öğrenme yöntemlerini kullanarak sismik hız modellerinin ters çözümü

    Seismic velocity inversion utilizing deep learning methods

    MOJTABA NAJAFIKHATOUNABAD

    Doktora

    Türkçe

    Türkçe

    2025

    Jeofizik MühendisliğiAnkara Üniversitesi

    Jeofizik Mühendisliği Ana Bilim Dalı

    PROF. DR. SELMA KADIOĞLU

    DOÇ. DR. HACER YALIM KELEŞ

  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

    959200

    Application of LSTM-based deep learning models for seismic forecasting of a potential major earthquake using geophysical techniques in the marmara Sea Region, Türkiye

    Marmara Denizi Bölgesi'nde olası büyük bir depremin sismik öngörüsü için LSTM tabanlı derin öğrenme modellerinin jeofiziksel yöntemlerle uygulanması

    SHAHEEN MOHAMMED SALEH AHMED AHMED

    Doktora

    İngilizce

    İngilizce

    2025

    Jeoloji MühendisliğiÇukurova Üniversitesi

    Jeoloji Mühendisliği Ana Bilim Dalı

    PROF. DR. HAKAN GÜNEYLİ

  4. Tez No

    884300

    27 Eylül 2021 Girit depremi ve artçıları için derin öğrenmeye dayalı detaylı sismik kataloğun oluşturulması

    A deep learning-based construction of detailed seismic catalog for the 27 September 2021 Crete earthquake and its aftershocks

    ZEYNEP NİHAL BALKAYA

    Yüksek Lisans

    Türkçe

    Türkçe

    2024

    Jeofizik Mühendisliğiİstanbul Teknik Üniversitesi

    Katı Yer Bilimleri Ana Bilim Dalı

    PROF. DR. MEHMET SİNAN ÖZEREN

  5. Tez No

    911659

    Marmara Bölgesindeki sismik olayların stokastik modellerle incelenmesi

    Investigation of seismic events in the Marmara Region with stochastic models

    ÜLKÜ GÜRLEN

    Doktora

    Türkçe

    Türkçe

    2024

    İstatistikOndokuz Mayıs Üniversitesi

    İstatistik Ana Bilim Dalı

    PROF. DR. VEDAT SAĞLAM

Geri Dön