Banca de QUALIFICAÇÃO: ALESSANDRO JOSÉ SOARES DANTAS

Uma banca de QUALIFICAÇÃO de DOUTORADO foi cadastrada pelo programa.
DISCENTE : ALESSANDRO JOSÉ SOARES DANTAS
DATA : 20/07/2026
HORA: 09:00
LOCAL: Videoconferência
TÍTULO:

Utilização de ferramentas de IA na aplicação de técnicas de FWI a dados  sísmicos com topografia variável.

PALAVRAS-CHAVES:

FWI; WECI; GCN; Processamento sísmico

PÁGINAS: 50
RESUMO:

Dados sísmicos terrestres e dados de OBN sempre foram adquiridos em locais com topografia  variável. Fazer inversão com estes dados usando FWI (Full Waveform Inversion) sempre foi um  desafio, tendo a necessidade de fazer correção estática para tornar os dados sísmicos como se  fossem adquiridos em uma topografia plana, removendo o efeito topográfico. Então, neste trabalho,  aplicamos ferramentas de inteligência artificial, em particular a diferenciação automática  disponível no framework PyTorch, à inversão de dados sísmicos com topografia variável, sem a  necessidade de correção estática. Para tornar isso possível, aplicamos diversas técnicas de inversão,  zerando o gradiente da função-objetivo acima da topografia em cada iteração da otimização. O  método de inversão utilizado é o FWI , uma técnica avançada de processamento sísmico que  consiste em ajustar iterativamente um modelo de velocidade inicial até que o dado sintético se  assemelhe ao observado. Devido à alta não linearidade do FWI, o processo de otimização pode ficar  preso em mínimos locais, fenômeno conhecido como cycle skipping. Para mitigar esse problema,  quatro estratégias foram avaliadas e comparadas: FWI convencional, FWI com suavização do  gradiente, ECI (Envelope Correlation Inversion), GCN (Global Correlation Norm) e WECI  (Weighted Envelope-Correlation Inversion). Os experimentos foram realizados sobre o modelo de  velocidade sintético 1994 BP com topografia variável, utilizando uma wavelet Ricker de 2,5 Hz como fonte sísmica e um arranjo de 795 receptores distribuídos ao longo da superfície topográfica. O  propagador de ondas utilizado foi o DeepWave, integrado ao PyTorch, o que possibilitou o cálculo  automático do gradiente da função objetivo para a atualização do modelo de velocidade ao longo de  250 iterações. Os resultados mostram que as técnicas baseadas em envelope (ECI e WECI) e em  correlação global (GCN) apresentam menor sensibilidade ao problema de cycle skipping em  comparação com o FWI convencional, o que demonstra o potencial dessas abordagens para a  inversão sísmica em cenários com topografia complexa.

MEMBROS DA BANCA:
Presidente - 1451214 - ADERSON FARIAS DO NASCIMENTO
Externo ao Programa - 1347984 - GERMAN GARABITO CALLAPINO - nullExterno à Instituição - REYNAM DA CRUZ PESTANA - UFBA