Revista de Geología y Geofísica
Acceso abierto

abstracto

Alivio del sótano de una cuenca sedimentaria utilizando datos de gravedad del enfoque de red neuronal profunda

Chandra Prakash Dubey*, Madhusree Majhi, Laxmi Pandey

El hundimiento de la corteza terrestre ha permitido que los sedimentos se acumulen en la parte superior de un basamento de rocas ígneas y metamórficas en forma de cuenca sedimentaria. Estos sedimentos y fluidos asociados se transforman química y mecánicamente a través de varios eventos físicos como la compactación y el calentamiento a lo largo del tiempo. En consecuencia, se convierte en el reservorio de los recursos energéticos de petróleo, gas natural, carbón, energía geotérmica y uranio, etc. Su generación, desarrollo y desaparición están directamente relacionados con los movimientos de placas tectónicas y otros eventos geológicos importantes para comprender la historia de la evolución. Por lo tanto, es muy importante evaluar el espesor de los sedimentos en términos de relieve del basamento para resaltar la configuración de depósito y los factores de formación de la cuenca. Aquí, hemos desarrollado un enfoque de red neuronal artificial basado en MATLAB para obtener la profundidad de una cuenca sedimentaria considerando la variación de densidad con la profundidad. En este trabajo, se crea inicialmente un modelo sintético utilizando un prisma rectangular 2D y luego se perturba el modelo con un 5% de ruido blanco gaussiano. Se utiliza un proceso de aprendizaje supervisado para entrenar la red neuronal y se utiliza una técnica de retropropagación con descenso de gradiente estocástico para optimizar la salida de la red. Luego, el modelo de prisma se usa para crear una cuenca sedimentaria sintética para determinar el perfil de profundidad con un contraste de densidad conocido utilizando conjuntos de datos de gravedad calculados. Después de verificar esta optimización para varios modelos sintéticos, la técnica se utiliza en datos reales tomados de la cuenca de Sayula, México, y los resultados se comparan con profundidades de sótanos anteriores para validar su eficacia. La novedad del enfoque de red neuronal propuesto es un cómputo rápido y eficiente sin ninguna suposición inicial del modelo que pueda mapear relaciones complejas de entrada y salida de manera muy eficiente, donde faltan otros procesos de optimización en este segmento.