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

Autores
Gómez, Julián Luis; Pedraza de Marchi, Ana Carolina; Ravazzoli, Claudia Leonor
Año de publicación
2024
Idioma
español castellano
Tipo de recurso
artículo
Estado
versión publicada
Descripción
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.
Fil: Gómez, Julián Luis. Consejo Nacional de Investigaciones Científicas y Técnicas; Argentina. Universidad Nacional de La Plata. Facultad de Ciencias Astronómicas y Geofísicas; Argentina. YPF - Tecnología; Argentina
Fil: Pedraza de Marchi, Ana Carolina. Consejo Nacional de Investigaciones Científicas y Técnicas. Centro Científico Tecnológico Conicet - La Plata. Centro de Investigaciones Geológicas. Universidad Nacional de La Plata. Facultad de Ciencias Naturales y Museo. Centro de Investigaciones Geológicas; Argentina. Consejo Nacional de Investigaciones Científicas y Técnicas; Argentina. Universidad Nacional de La Plata. Facultad de Ciencias Astronómicas y Geofísicas; Argentina
Fil: Ravazzoli, Claudia Leonor. Consejo Nacional de Investigaciones Científicas y Técnicas; Argentina. Universidad Nacional de La Plata. Facultad de Ciencias Astronómicas y Geofísicas; Argentina
Materia
APRENDIZAJE AUTOMÁTICO
ESTADÍSTICA
INTERPRETACIÓN
MÉTODOS POTENCIALES DE PROSPECCIÓN
Nivel de accesibilidad
acceso abierto
Condiciones de uso
https://creativecommons.org/licenses/by-nc-sa/2.5/ar/
Repositorio
CONICET Digital (CONICET)
Institución
Consejo Nacional de Investigaciones Científicas y Técnicas
OAI Identificador
oai:ri.conicet.gov.ar:11336/266046

id CONICETDig_eec65c8eabac1ed14c2bd714e7bc8624
oai_identifier_str oai:ri.conicet.gov.ar:11336/266046
network_acronym_str CONICETDig
repository_id_str 3498
network_name_str CONICET Digital (CONICET)
spelling Procesamiento de anomalías en métodos potenciales de prospección mediante el aprendizaje automático probabilísticoProcessing total field anomalies with statistically-based machine learningGómez, Julián LuisPedraza de Marchi, Ana CarolinaRavazzoli, Claudia LeonorAPRENDIZAJE AUTOMÁTICOESTADÍSTICAINTERPRETACIÓNMÉTODOS POTENCIALES DE PROSPECCIÓNhttps://purl.org/becyt/ford/1.5https://purl.org/becyt/ford/1El 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.Fil: Gómez, Julián Luis. Consejo Nacional de Investigaciones Científicas y Técnicas; Argentina. Universidad Nacional de La Plata. Facultad de Ciencias Astronómicas y Geofísicas; Argentina. YPF - Tecnología; ArgentinaFil: Pedraza de Marchi, Ana Carolina. Consejo Nacional de Investigaciones Científicas y Técnicas. Centro Científico Tecnológico Conicet - La Plata. Centro de Investigaciones Geológicas. Universidad Nacional de La Plata. Facultad de Ciencias Naturales y Museo. Centro de Investigaciones Geológicas; Argentina. Consejo Nacional de Investigaciones Científicas y Técnicas; Argentina. Universidad Nacional de La Plata. Facultad de Ciencias Astronómicas y Geofísicas; ArgentinaFil: Ravazzoli, Claudia Leonor. Consejo Nacional de Investigaciones Científicas y Técnicas; Argentina. Universidad Nacional de La Plata. Facultad de Ciencias Astronómicas y Geofísicas; ArgentinaAsociación Argentina de Geofísicos y Geodestas2024-12info:eu-repo/semantics/articleinfo:eu-repo/semantics/publishedVersionhttp://purl.org/coar/resource_type/c_6501info:ar-repo/semantics/articuloapplication/pdfapplication/pdfapplication/pdfhttp://hdl.handle.net/11336/266046Gómez, Julián Luis; Pedraza de Marchi, Ana Carolina; Ravazzoli, Claudia Leonor; Procesamiento de anomalías en métodos potenciales de prospección mediante el aprendizaje automático probabilístico; Asociación Argentina de Geofísicos y Geodestas; Geoacta; 46; 2; 12-2024; 3-171852-7744CONICET DigitalCONICETspainfo:eu-repo/semantics/altIdentifier/url/https://revistas.unlp.edu.ar/geoacta/article/view/17135info:eu-repo/semantics/openAccesshttps://creativecommons.org/licenses/by-nc-sa/2.5/ar/reponame:CONICET Digital (CONICET)instname:Consejo Nacional de Investigaciones Científicas y Técnicas2025-09-29T10:15:49Zoai:ri.conicet.gov.ar:11336/266046instacron:CONICETInstitucionalhttp://ri.conicet.gov.ar/Organismo científico-tecnológicoNo correspondehttp://ri.conicet.gov.ar/oai/requestdasensio@conicet.gov.ar; lcarlino@conicet.gov.arArgentinaNo correspondeNo correspondeNo correspondeopendoar:34982025-09-29 10:15:49.484CONICET Digital (CONICET) - Consejo Nacional de Investigaciones Científicas y Técnicasfalse
dc.title.none.fl_str_mv Procesamiento de anomalías en métodos potenciales de prospección mediante el aprendizaje automático probabilístico
Processing total field anomalies with statistically-based machine learning
title Procesamiento de anomalías en métodos potenciales de prospección mediante el aprendizaje automático probabilístico
spellingShingle Procesamiento de anomalías en métodos potenciales de prospección mediante el aprendizaje automático probabilístico
Gómez, Julián Luis
APRENDIZAJE AUTOMÁTICO
ESTADÍSTICA
INTERPRETACIÓN
MÉTODOS POTENCIALES DE PROSPECCIÓN
title_short Procesamiento de anomalías en métodos potenciales de prospección mediante el aprendizaje automático probabilístico
title_full Procesamiento de anomalías en métodos potenciales de prospección mediante el aprendizaje automático probabilístico
title_fullStr Procesamiento de anomalías en métodos potenciales de prospección mediante el aprendizaje automático probabilístico
title_full_unstemmed Procesamiento de anomalías en métodos potenciales de prospección mediante el aprendizaje automático probabilístico
title_sort Procesamiento de anomalías en métodos potenciales de prospección mediante el aprendizaje automático probabilístico
dc.creator.none.fl_str_mv Gómez, Julián Luis
Pedraza de Marchi, Ana Carolina
Ravazzoli, Claudia Leonor
author Gómez, Julián Luis
author_facet Gómez, Julián Luis
Pedraza de Marchi, Ana Carolina
Ravazzoli, Claudia Leonor
author_role author
author2 Pedraza de Marchi, Ana Carolina
Ravazzoli, Claudia Leonor
author2_role author
author
dc.subject.none.fl_str_mv APRENDIZAJE AUTOMÁTICO
ESTADÍSTICA
INTERPRETACIÓN
MÉTODOS POTENCIALES DE PROSPECCIÓN
topic APRENDIZAJE AUTOMÁTICO
ESTADÍSTICA
INTERPRETACIÓN
MÉTODOS POTENCIALES DE PROSPECCIÓN
purl_subject.fl_str_mv https://purl.org/becyt/ford/1.5
https://purl.org/becyt/ford/1
dc.description.none.fl_txt_mv 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.
Fil: Gómez, Julián Luis. Consejo Nacional de Investigaciones Científicas y Técnicas; Argentina. Universidad Nacional de La Plata. Facultad de Ciencias Astronómicas y Geofísicas; Argentina. YPF - Tecnología; Argentina
Fil: Pedraza de Marchi, Ana Carolina. Consejo Nacional de Investigaciones Científicas y Técnicas. Centro Científico Tecnológico Conicet - La Plata. Centro de Investigaciones Geológicas. Universidad Nacional de La Plata. Facultad de Ciencias Naturales y Museo. Centro de Investigaciones Geológicas; Argentina. Consejo Nacional de Investigaciones Científicas y Técnicas; Argentina. Universidad Nacional de La Plata. Facultad de Ciencias Astronómicas y Geofísicas; Argentina
Fil: Ravazzoli, Claudia Leonor. Consejo Nacional de Investigaciones Científicas y Técnicas; Argentina. Universidad Nacional de La Plata. Facultad de Ciencias Astronómicas y Geofísicas; Argentina
description 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.
publishDate 2024
dc.date.none.fl_str_mv 2024-12
dc.type.none.fl_str_mv info:eu-repo/semantics/article
info:eu-repo/semantics/publishedVersion
http://purl.org/coar/resource_type/c_6501
info:ar-repo/semantics/articulo
format article
status_str publishedVersion
dc.identifier.none.fl_str_mv http://hdl.handle.net/11336/266046
Gómez, Julián Luis; Pedraza de Marchi, Ana Carolina; Ravazzoli, Claudia Leonor; Procesamiento de anomalías en métodos potenciales de prospección mediante el aprendizaje automático probabilístico; Asociación Argentina de Geofísicos y Geodestas; Geoacta; 46; 2; 12-2024; 3-17
1852-7744
CONICET Digital
CONICET
url http://hdl.handle.net/11336/266046
identifier_str_mv Gómez, Julián Luis; Pedraza de Marchi, Ana Carolina; Ravazzoli, Claudia Leonor; Procesamiento de anomalías en métodos potenciales de prospección mediante el aprendizaje automático probabilístico; Asociación Argentina de Geofísicos y Geodestas; Geoacta; 46; 2; 12-2024; 3-17
1852-7744
CONICET Digital
CONICET
dc.language.none.fl_str_mv spa
language spa
dc.relation.none.fl_str_mv info:eu-repo/semantics/altIdentifier/url/https://revistas.unlp.edu.ar/geoacta/article/view/17135
dc.rights.none.fl_str_mv info:eu-repo/semantics/openAccess
https://creativecommons.org/licenses/by-nc-sa/2.5/ar/
eu_rights_str_mv openAccess
rights_invalid_str_mv https://creativecommons.org/licenses/by-nc-sa/2.5/ar/
dc.format.none.fl_str_mv application/pdf
application/pdf
application/pdf
dc.publisher.none.fl_str_mv Asociación Argentina de Geofísicos y Geodestas
publisher.none.fl_str_mv Asociación Argentina de Geofísicos y Geodestas
dc.source.none.fl_str_mv reponame:CONICET Digital (CONICET)
instname:Consejo Nacional de Investigaciones Científicas y Técnicas
reponame_str CONICET Digital (CONICET)
collection CONICET Digital (CONICET)
instname_str Consejo Nacional de Investigaciones Científicas y Técnicas
repository.name.fl_str_mv CONICET Digital (CONICET) - Consejo Nacional de Investigaciones Científicas y Técnicas
repository.mail.fl_str_mv dasensio@conicet.gov.ar; lcarlino@conicet.gov.ar
_version_ 1844614097554898944
score 13.070432