U-Net ile Uygulamalı Bilimlerde Veriye Dayalı Tuz Alanı Tahmininde Veri Arttırma Yönteminin Etkisi

Abstract

Dünya genelinde enerji girdisi olarak petrol ve doğal gaz birinci sıradadır. Diğer yeraltı kaynakları, tuz gibi, bu doğal kaynakları elde etmede ipuçları sağlamaktadır. Tuz birikim alanları, petrol ve gaz sahalarının tespiti için kullanılan yeraltı kaynaklarıdır. Jeolojik veri olan sismik görüntüler, yeraltı kaynaklarının konumunu belirlemede bilgi vermektedir. Bu görüntülerin manuel yorumu uzman bilgisi ve deneyim gerektirmektedir. Bu zaman alıcı ve zahmetli yöntemin tekrarlanamaması da sınırlı bir durum yaratmaktadır. Derin öğrenme, son yıllarda görüntü segmentasyonunda çok başarılı bir yöntemdir. Yapay zeka yöntemlerini kullanarak sismik görüntülerde yeraltı rezervlerinin tespitini otomatikleştirmek, zaman, maliyet ve iş yükü faktörlerini azaltmaktadır. Bu çalışmada, TGS Salt Identification Challenge tarafından kaggle.com'da paylaşılan tuz tanımlama zorluğu üzerine U-net mimarisi kullanılarak tuz alanlarını belirlemek amaçlanmaktadır. Ayrıca tasarlanan sisteme veri çoğaltma yöntemlerinin etkisi araştırılmıştır. Oluşturulan sistemde kullanılan veri seti, tuz kütlesinin otomatik tespiti için bir araya getirilmiş sismik görüntülerden oluşmaktadır. Çalışmada, sismik görüntülerden tuz alanlarını tespit etmek için en yüksek doğruluk ve en düşük hata oranını elde etmek hedeflenmektedir. Çalışmanın sonucunda, veri çoğaltma yöntemi kullanılmadan tasarlanan sistemin IoU değeri 0.9390, veri çoğaltma yöntemi kullanılarak tasarlanan sistemin IoU değeri ise 0.9445 olarak belirlenmiştir.Oil and natural gas rank first as energy inputs worldwide. Other subsurface resources, such as salt, provide clues to obtaining these natural resources. Salt accumulation areas are subsurface resources used to locate oil and gas fields. Seismic images, which are geological data, provide information for locating underground resources. Manual interpretation of these images requires expert knowledge and experience. This time-consuming and laborious method is also limited by the fact that it cannot be replicated. Deep learning is a very successful method for image segmentation in recent years. Automating the detection of subsurface reserves in seismic images using artificial intelligence methods reduces time, cost and workload factors. In this study, we aim to identify salt areas using U-net architecture on the salt identification challenge shared by TGS (the world’s leading geoscience data company) Salt Identification Challenge on kaggle.com. In addition, the effect of data augmentation methods on the designed system is investigated. The data set used in the system consists of seismic images that are combined together for automatic detection of salt mass. The study aims to obtain the highest accuracy and the lowest error rate to detect salt areas from seismic images. As a result of the study, the IoU (Intersection over Union) value of the system designed without data augmentation method is 0.9390, while the IoU value of the system designed using data augmentation method is 0.9445.