⚡ electrical engineering

Physics-guided Fully Convolutional Network using attenuation information for viscoacoustic velocity model prediction

Este estudio propone una Red Totalmente Convolucional guiada por la física que incorpora información de atenuación como una entrada auxiliar para mejorar significativamente la precisión y robustez de la reconstrucción del modelo de velocidad viscoacústica en comparación con los enfoques convencionales basados en datos, demostrando también la sensibilidad del método a la precisión de los datos de atenuación.

Autores originales: Nelson Ricardo Coelho Flores Zuniga, Viatcheslav Ivanovich Priimenko

Publicado 2026-09-15

📖 6 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Nelson Ricardo Coelho Flores Zuniga, Viatcheslav Ivanovich Priimenko

Artículo original bajo licencia CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Bajo la superficie de la Tierra, ocultas de la vista directa, yacen las complejas estructuras que contienen petróleo, gas y agua. Para encontrar estos recursos, los geocientíficos envían ondas sonoras al suelo y escuchan los ecos que rebotan de vuelta. Estos ecos portan un mapa del mundo subterráneo, pero leer ese mapa es notoriamente difícil. Las rocas y los fluidos a través de los cuales pasan no solo reflejan el sonido, sino que también absorben energía, haciendo que las ondas se debiliten y camban de forma a medida que viajan. Este debilitamiento, conocido como atenuación, es una pista física sobre el material por el que pasó la onda, de forma muy similar a cómo una voz suena diferente cuando se habla a través de una cortina gruesa en comparación con una lámina de vidrio delgada. Durante décadas, los científicos han intentado usar estos ecos para construir imágenes precisas de la velocidad subterránea, lo cual es esencial para localizar reservorios, pero el proceso suele verse obstaculizado por la complejidad misma de las rocas.

Un equipo de investigadores ha desarrollado una nueva forma de ayudar a las computadoras a resolver este rompecabezas. Crearon un sistema de inteligencia artificial especializado diseñado para observar datos sísmicos y predecir la velocidad del sonido bajo tierra con mayor precisión. La clave de la innovación en su trabajo es enseñar a la computadora a prestar atención no solo a la forma de las ondas sonoras, sino también a la información sobre cuánta energía perdieron esas ondas en su trayecto. Al alimentar al sistema con esta capa adicional de detalle físico, descubrieron que podía reconstruir el mapa subterráneo de manera más fiel que los sistemas que solo observaban las formas de las ondas. Este enfoque ofrece un camino prometedor hacia imágenes más claras del interior de la Tierra, lo que potencialmente podría hacer que la búsqueda de recursos energéticos sea más eficiente y confiable.

Los investigadores se centraron en un tipo específico de red informática llamada Red Completamente Convolucional, la cual es excelente reconociendo patrones en imágenes y datos. En su estudio, entrenaron esta red utilizando una biblioteca masiva de diez mil modelos sintéticos subterráneos. Estos modelos eran versiones generadas por computadora de un famoso sitio de prueba geológica conocido como Marmousi II, que contiene capas complejas de roca, fallas y bolsas llenas de fluidos. Para cada modelo, el equipo simuló cómo se verían los datos sísmicos si instrumentos reales estuvieran grabando en la superficie. Luego dividieron la tarea en dos grupos. El primer grupo entrenó una red estándar utilizando únicamente las formas de onda sísmicas. El segundo grupo, el experimental, recibió las mismas formas de onda pero con un ingrediente añadido: un mapa de la pérdida de energía, o atenuación, asociada con cada onda. Este mapa adicional se derivó de la física de cómo el sonido viaja a través de las rocas específicas en la simulación.

Los resultados mostraron que darle a la computadora esta información física adicional marcó una diferencia mensurable. Cuando los investigadores probaron las redes en modelos nuevos y no vistos, la versión que utilizó los datos de atenuación produjo una imagen más precisa de la velocidad subterránea. El error en su predicción disminuyó casi un catorce por ciento en comparación con la versión estándar. Este mejoramiento no fue uniforme en todo el mapa; fue más dramático en áreas específicas, como las bolsas de arena llenas de gas y los canales de agua, donde la reducción del error alcanzó casi el cincuenta por ciento en algunos puntos. Los investigadores también compararon su mejor red con un método tradicional basado en la física llamado Inversión de Onda Completa, que es una técnica estándar pero computacionalmente pesada. En estas simulaciones específicas, la nueva red produjo un resultado más claro que el método tradicional, aunque los autores advierten que esta comparación depende fuertemente de cómo se configuró el método tradicional y no significa que el nuevo enfoque sea universalmente superior en todos los escenarios del mundo real.

Sin embargo, el estudio también reveló que esta ventaja viene con una condición. La información adicional solo es útil si es precisa. Cuando los investigadores introdujeron deliberadamente errores en los datos de atenuación —simulando una situación donde la pérdida de energía se estimó incorrectamente— el rendimiento de la red mejorada comenzó a degradarse. Con un error del diez por ciento en los datos adicionales, el beneficio se redujo, y con un error del veinte por ciento, la red funcionó en realidad peor que la versión estándar que ignoraba los datos adicionales por completo. Este hallazgo resalta una realidad crítica: el nuevo método depende de la calidad de las pistas físicas que se le proporcionan. No es una solución mágica que funciona independientemente de la calidad de la entrada, sino más bien una herramienta que amplifica la precisión cuando los datos físicos subyacentes son confiables.

Los investigadores también probaron qué tan bien se mantenía el sistema cuando los datos sísmicos mismos presentaban ruido, simulando las condiciones desordenadas que se encuentran a menudo en las grabaciones de campo reales. Incluso cuando los datos estaban contaminados con ruido, la red que utilizaba la información de atenuación seguía superando a la estándar, aunque el margen de mejora se estrechaba a medida que el ruido aumentaba. Además, realizaron el proceso de entrenamiento múltiples veces con diferentes puntos de partida aleatorios para asegurar que los resultados fueran consistentes y no solo un accidente de suerte. El rendimiento mejorado se mantuvo estable a través de todos estos ensayos, confirmando que el beneficio de la información física adicional era real y repetible. El costo de esta mejora fue modesto, añadiendo solo cerca de un siete por ciento al tiempo requerido para entrenar a la computadora, mientras que el proceso de realizar una predicción seguía siendo rápido, tomando solo unos pocos segundos por modelo.

En última instancia, este trabajo demuestra que combinar el aprendizaje basado en datos con conocimiento físico específico puede conducir a mejores resultados en la imagen geofísica. El estudio no pretende haber resuelto el problema de la imagen subterránea para cada posible entorno geológico, ya que las pruebas se realizaron en modelos generados por computadora basados en una sola familia geológica. Los autores señalan que el trabajo futuro deberá probar este enfoque en diferentes tipos de formaciones rocosas y datos de campo del mundo real para ver si los beneficios se trasladan más allá del entorno controlado de la simulación. No obstante, los hallazgos ofrecen una clara prueba de concepto: al guiar a la inteligencia artificial con las leyes de la física —específicamente cómo la energía se disipa a través de la Tierra— los científicos pueden construir mapas más precisos del mundo oculto bajo nuestros pies.

Resumen Técnico: Red Convolucional Total Guiada por la Física utilizando Información de Atenuación para la Predicción del Modelo de Velocidad Viscoacústica

Planteamiento del Problema
La reconstrucción precisa de modelos de velocidad sísmica en medios con atenuación sigue siendo un desafío significativo. Los enfoques convencionales basados en datos suelen inferir las propiedades del subsuelo a partir de las formas de onda sísmicas sin explotar explícitamente la información relacionada con la disipación de la energía sísmica. En entornos geológicos complejos, esta omisión limita la capacidad de las redes neuronales para resolver estructuras donde la atenuación proporciona información física complementaria crítica. Si bien estudios recientes de aprendizaje profundo se han centrado en estimar el factor de calidad ( $Q$ ) en sí mismo, existe una brecha en la utilización de la información relacionada con la atenuación como una entrada auxiliar para mejorar la tarea primaria de la predicción del modelo de velocidad.

Metodología
Los autores proponen una Red Convolcional Total (FCN) guiada por la física que incorpora información de atenuación sísmica como una característica de entrada auxiliar para asistir en la reconstrucción del modelo de velocidad viscoacústica.

Arquitectura: El estudio emplea una arquitectura de codificador-decodificador de tipo U-Net basada en FCN. La red utiliza núcleos convolucionales de 3×3, expansión progresiva de canales de características (64 a 1024), max-pooling y convoluciones transpuestas para el upsampling. Las conexiones de salto (skip connections) preservan la información espacial de alta resolución.
Formulación de la Entrada: Se comparan dos configuraciones en un experimento de ablación controlada:
1. FCN Base (Baseline): Toma únicamente los datos sísmicos ( $D_n$ ) como entrada.
2. FCN Informada por la Atenuación: Toma los datos sísmicos ( $D_n$ ) concatenados con una matriz relacionada con la atenuación ( $A_n$ ) derivada de la formulación viscoacústica de $Q$ constante (Kjartansson, 1979).
  Crucialmente, la salida de la red en ambos casos es el modelo de velocidad del subsuelo; el $Q$ no es un objetivo de predicción, sino una característica física auxiliar.
Conjunto de Datos: El conjunto de datos de entrenamiento consiste en 10,000 modelos de velocidad derivados del modelo Marmousi II, aumentados con giros horizontales y estructuras tipo falla. Cada modelo está asociado con cinco colectas de disparos (shot gathers) generadas por diferencias finitas (100 receptores, 5 fuentes) y las matrices de parámetros de atenuación correspondientes.
Entrenamiento y Optimización: La red se entrena utilizando el optimizador Adam con una tasa de aprendizaje de $1.0 \times 10^{-3}$ , regularización L2 y parada temprana (early stopping) basada en la pérdida de validación. La función de pérdida es el Error Cuadrático Medio (MSE) entre los modelos de velocidad predichos y los de referencia.
Evaluación: El desempeño se mide utilizando el Error Cuadrático Medio (RMSE) en un conjunto de prueba independiente de 250 modelos. El estudio incluye un resultado de Inversión de Onda Completa (FWI) como una referencia basada en la física (no como un competidor directo). La robustez se prueba mediante ruido sísmico (SNR de 20 dB y 10 dB), la sensibilidad se prueba mediante perturbaciones en la entrada de atenuación (10% y 20%), y la repetibilidad se evalúa a través de cinco ejecuciones de entrenamiento independientes con validación estadística (prueba de Wilcoxon signed-rank).

Contribuciones Clave

Integración de Características Físicas Auxiliares: El estudio introduce la información relacionada con la atenuación no como un objetivo de predicción, sino como una característica física complementaria para mejorar la reconstrucción de la velocidad mediante FCN.
Ablación Controlada: Al mantener la arquitectura, el conjunto de datos y la estrategia de optimización idénticos entre la configuración base y la propuesta, el estudio aisla la contribución específica de la información de atenuación a la predicción de la velocidad.
Análisis Exhaustivo de Robustez: El trabajo evalúa la sensibilidad del método al ruido sísmico, la incertidumbre en la entrada auxiliar de atenuación y la variabilidad en la inicialización de la red, proporcionando una visión matizada de la fiabilidad del método.
Caracterización del Desempeño Regional: El análisis va más allá de las métricas globales para evaluar la precisión de la reconstrucción en regiones geológicas específicas (por ejemplo, arenas de gas, canales de agua, arenas de petróleo).

Resultados

Precisión Global: La incorporación de la información de atenuación redujo el RMSE global de 0.0237 (Base) a 0.0204 (Propuesta), una reducción del 13.9%. La FCN informada por la atenuación también superó a la referencia de FWI (RMSE 0.0249) bajo estas condiciones sintéticas específicas.
Variabilidad Regional: La mejora no fue uniforme. Las mayores reducciones de RMSE ocurrieron en Arena de Gas 1 (GS1, ~48.8% de reducción) y Canales de Arena Húmedos (WWSC, ~34.9% de reducción). Se observaron mejoras menores pero consistentes en otras regiones (por ejemplo, ~8.5% en Arena de Petróleo 2).
Robustez al Ruido: El método propuesto mantuvo errores más bajos que la base bajo condiciones ruidosas, aunque el beneficio relativo disminuyó a medida que aumentaba el ruido (reducción del 10.9% a 20 dB SNR; 6.8% a 10 dB SNR).
Sensibilidad a la Incertidumbre de la Entrada: El método es sensible a la precisión de la entrada auxiliar. Una perturbación del 10% en la matriz de atenuación aumentó el RMSE a 0.0226, y una perturbación del 20% lo aumentó a 0.0259 (superando el error de la base). Esto indica que una estimación inexacta de la atenuación puede anular los beneficios del enfoque.
Repetibilidad y Convergencia: Cinco ejecuciones de entrenamiento independientes confirmaron la significancia estadística de la mejora ( $p < 0.05$ ). La FCN informada por la atenuación convergió de manera estable, alcanzando una pérdida de validación mínima menor con solo un aumento marginal en los épocas de entrenamiento en comparación con la base.
Costo Computacional: El tiempo de entrenamiento aumentó aproximadamente un 6.94% (unas 1.87 horas adicionales) debido a los canales de entrada adicionales. El tiempo de inferencia se mantuvo eficiente a ~11 segundos por caso.

Significancia y Reivindicaciones
El artículo sostiene que la información relacionada con la atenuación sirve como una valiosa restricción física complementaria para la reconstrucción de la velocidad mediante FCN en medios viscoacústicos. El estudio demuestra que proporcionar explícitamente la información de disipación de energía permite a la red mapear mejor los campos de onda sísmica hacia estructuras de velocidad, particularmente en entornos de reservorio complejos como arenas de gas y canales de agua.

Sin embargo, los autores mantienen un alcance modesto respecto a sus afirmaciones:

Los resultados están restringidos a la familia de modelos derivados de Marmousi II y no reclaman una generalización universal a todos los entornos geológicos sin mayor validación.
El método no se presenta como una estrategia de inversión universalmente robusta; su eficacia depende de la precisión de la entrada auxiliar de atluación. Si la información de atenuación es significativamente inexacta, el desempeño se degrada.
La comparación con FWI está destinada a ser una referencia de magnitud de error basada en la física, más que una prueba definitiva de superioridad, dado que las estrategias de inversión son fundamentalmente diferentes (mapeo iterativo vs. aprendido).

En conclusión, el marco propuesto ofrece una base para investigaciones posteriores utilizando modelos geológicos independientes y datos de campo, resaltando que, si bien la información de atenuación mejora la reconstrucción, su utilidad está limitada por la calidad de las observaciones sísmicas y la fiabilidad de las estimaciones de atenuación.

Más como este