Procesamiento de anomalías en métodos potenciales de prospección mediante el aprendizaje automático probabilístico

Abstract

El aprendizaje automático es actualmente una herramienta disruptiva para el procesamiento de señales digitales y la toma de decisiones. En particular, el aprendizaje automático probabilístico permite aproximar la función de densidad de probabilidad bajo la cual se distribuyen las anomalías observadas. Utilizando el aprendizaje automático probabilístico, proponemos asistir al intérprete de datos de los métodos potenciales de prospección. Mediante la generación de alternativas estadísticamente consistentes con los datos de trabajo, el geocientista puede visualizar variaciones realistas del dato original que le permitan expandir su interpretación. Para ello, el intérprete ingresa al sistema la anomalía de interés. El sistema deduce a partir del dato suministrado una aproximación a su función de densidad de probabilidad. Luego, el sistema permite al usuario seleccionar una región del dato de entrada para generar en ella realizaciones distribuidas bajo la misma densidad de probabilidad de los datos observados. Evaluamos la novedad de los datos generados respecto del dato original en la región seleccionada, permitiendo al intérprete ponderar las propuestas obtenidas. Para inferir la función de densidad de probabilidad, utilizamos un método de adición y de remoción de ruido aleatorio sobre la cuadrícula suministrada. En la generación de datos, utilizamos un método de Monte Carlo basado en una cadena de Markov conocida como dinámica de Langevin. Algunos de los desafíos de la propuesta son el entrenamiento de un método de aprendizaje automático probabilístico con una sola base de datos y la limitación en el hardware y en el tiempo de cómputo que supone utilizar el método en una computadora personal. Presentamos una experiencia con datos sintéticos y en datos de campo de anomalía escalar de intensidad total magnética. Los resultados muestran que la propuesta puede asistir al intérprete en la delineación espacial de los cuerpos anómalos y la inversión de parámetros, tales como la dirección de magnetización.

Machine learning is currently a disruptive tool for digital signal processing and decision making. In particular, probabilistic machine learning makes it possible to approximate the probability density function under which the recorded signals are distributed. Using probabilistic machine learning, we propose to assist interpreters of potential field prospecting methods. By generating alternatives that are statistically consistent with the working data, the interpreter can visualize realistic variations of the original data that allow them to expand their insights. To do this, the interpreter enters the anomaly of interest into the system. The system deduces from the data provided an approximation to its probability density function. Then, the system allows the user to select a region of the input data to generate distributed realizations under the same probability density of the observed data. We evaluate the novelty of the data generated with respect to the original data in the selected region, allowing the interpreter to weigh the proposals obtained. To infer the probability density function, we use a method of adding and removing random noise on the supplied grid. In generating data, we use a Monte Carlo method based on a Markov chain known as Langevin dynamics. Some of the challenges of the proposal are the training of a probabilistic machine learning method with a single database and the limitation in hardware and computing time involved in using the method on a personal computer. We present an experience on synthetic data and magnetic total intensity scalar anomaly field data. The results show that the proposal can assist the interpreter in the spatial delineation of anomalous bodies and in the inversion of parameters, such as the magnetization direction.