UMA COMPARAÇÃO ENTRE WAVENET E XGBOOST PARA PROPAGAÇÃO DIRETA DE ONDAS TRADICIONAIS E INVERSÃO SÍSMICA USANDO MODELOS DE CAMADA HORIZONTAL
WaveNet; XGBoost; Inversão; Sísmico
A aplicação de aprendizado de máquina em geofísica aumentou vertiginosamente na última década, com a qualidade de seus resultados variando de acordo com o tipo de problema sísmico em foco e o método computacional empregado. Os métodos de aprendizagem profunda estão alcançando resultados impressionantes nesta área, mas notamos que ainda há uma falta de certeza sobre se os métodos clássicos de aprendizagem de máquina podem fornecer resultados semelhantes. No presente artigo, o objetivo foi tentar preencher parte dessa lacuna, comparando um método bem conhecido de aprendizado de máquina não DL com um método DL para a propagação direta de ondas e os problemas de inversão sísmica para modelos 2D em camadas horizontais. Ambos os métodos são avaliados em cenários diferentes, mas sob condições semelhantes, para que seja possível compreender o efeito da configuração dos parâmetros nos seus resultados finais. O conjunto de dados tem 20.000 amostras, cada uma consistindo em três vetores: um vetor de velocidade com 236 valores (representando um perfil vertical de um modelo em camadas 2D gerado aleatoriamente), um vetor reflexivo com 600 valores obtidos diretamente do vetor de velocidade e o vetor associado sismograma com 11 traços contendo 600 valores cada. Os resultados gerais mostram que o WaveNet atinge um MSE inferior entre os resultados previstos e corretos do que o resultados do XGBoost. Um desafio ainda não enfrentado é que o WaveNet consegue treinar bem em GPU, mas não conseguiu fazer o mesmo com o XGBoost, devido à quantidade de dados a serem processados.