Palavras Chaves: Ruido de Rolamento,  Waveletes Adaptivos, Metodos Iterativos de Minimos Quadrados Ponderados, Produto Tensorial

A localização e identificação das jazidas de Petróleo e Gás envolvem grandes esforços e elevadíssimos custos. A sua extração e exploração com custo-beneficio otimizados constitui o cerne das atividades explorativas em hidrocarbonetos.

O sismo e a representação do interior da Terra e das suas estruturas através de um arranjo convenientemente disposto dos dados obtidos por sísmica de Reflexão [1,5,6].

Um grande problema nessa representação e a intensidade e variedade de ruídos presentes no sismograma que contaminam a informação de interesse.

Como o ruido de Rolamento Superficial que contamina os sinais relevantes e pode mascarar as informações desejadas, trazidas por ondas espalhadas em regiões mais profundas das camadas geológicas[1,5,6].

O algoritmo desenvolvido, tem em vista determinar e suprimir estes ruídos com enfase o ruido de rolamento nas imagens sísmicas obtidas em bancos de imagens sísmicas, na programação Matlab e linguagem de programação C.

As imagens sísmicas com as componentes de direção (Horizontal, Vertical e Mistas e Locais) e faixas de comprimento de onda que formam essas imagens [1,5,6].

Com a aplicação de Produto Tensorial essa informação sísmica e decomposta através de Curvas Fractais de Peano-Hilbert, os vários ruidos são determinados com a aplicação de Metodos Iterativos de Minimos Quadraticos Ponderados (Iterative Re-Weighted Least Squares (IRWLS)) [3,5,7].

As características obtidas na etapa precedente parâmetros de treinamento e aprendizagem são convenientes para a etapa subsequente o uso de redes neuronais, mais propriamente a aplicação da Transformada Adaptiva Wavelet similar [2,3,4].

REFERENCIAS:

[1] Ecco, D.: Remocao de Ruidos Sismicos Utilizando Transformada Wavelet 1D e 2D, com Software em Desenvolvimento. Dissertacao de Mestrado. UFRN-Natal, Abril 2011. (UFRN-Natal., Abril 2011).

[2] Consolo, J.G.S.: Determinacao da Parasitemia da Malaria Atraves de Imagens Usando a Transformada Wavelet e a Curva de Peano-Hilbert. Proceedings CLME2017/VCEM, 8º Congresso Luso-Mocambicano/V Congresso de Engenharia de Mocambique, Maputo 4-8 Setembro 2017, Ed: J.F. Silva Gomes et al:, Pub: INEGI/FEUP (2017).

[3] K Davis & Y. Li : Fast Solution of Geophysical Inversion Using Adaptive Mesh, Space Filling Curves and Wavelet Compression. Geophysical Journal International, July (2010) 185 pp 157-166.

[4] Szu, H., H.; Kadambe, Sh.: Neural Network Adaptive Wavelets for Signal Representation and Classification. Optical Engineering. September 1992. Vol 31, No. 9, pp 1907-1966.

[5] Soares, P., L., B.: Aplicacao de Redes Neuronais em conjunto com Wavelets na Deteccao e Atenuacao de Ruidos em Imagens Digitais Sismicas. Dissertacao de Mestrado. UERN-Mossoro-RN, 2013.

[6]. Protazio, J., M., B.: Analise Wavelet Aplicada a Sinais Geofisicos. Dissertacao de Mestrado. UNICAMP-São Paulo. 2001.

[7] Dong, L.; Zhou Jiantao; Guangtao Zhai: Efficient Image Sensor Noise Estimation via Iterative Re-Weighted Least Squares. 2017.