GNGTS 2021 - Atti del 39° Convegno Nazionale

GNGTS 2021 S essione 3.3 494 UNSUPERVISED BOUNDARY ANALYSIS DEI CAMPI DI POTENZIALE: UN APPROCCIO CON IL MACHINE LEARNING C. Cutaneo 1 , A. Vitale 1 , M. Fedi 1 1 Dipartimento di Scienze della Terra, dell’Ambiente e delle Risorse, Università di Napoli “Federico II”, Napoli, Italia Introduzione Il Machine Learning (ML) è un potente strumento per l’interpretazione dei dati geofisici che sta avendo una rapida crescita negli ultimi anni. Lo stato dell’arte dell’applicazione di tecniche di Machine Learning non supervisionato, presenta lavori focalizzati sull’elaborazione e interpretazione di dati sismici. Waheed et al. (2019) propongono un metodo basato su k-means e DBSCAN per il picking automatico durante l’elaborazione di dati sismici. Molti studi sono incentrati sull’applicazione delle tecniche di Machine Learning non supervisionato applicato sugli attributi sismici, con il fine di classificare facies sismiche e agevolare l’interpretazione geologica (Chopra, et al. 2019; Coléu, et al. 2003; Roden et al. 2015; Infante-Paez e Marfurt, 2019). Per i campi di potenziale, le tecniche di Machine Learning non supervisionato sono utilizzate per svolgere una classificazione litologica. Carneiro (2012), propone una mappatura litologica semi- automatica utilizzando dati magnetici e spettri gamma-ray analizzati con la Self-Organizing Map (SOM) (Kohonen, 1997). Fraser (2012), propone una classificazione di pseudo-litologie utilizzando SOM con dati gravimetrici, magnetici ed elettromagnetici. Lo scopo di questi lavori è stato quello di ottenere una mappatura geologica in aree difficilmente accessibili, come aree densamente vegetate, o di identificare aree di interesse minerario. Bernardinetti e Bruno (2019), propongono l’uso di SOM e k-means per classificare in facies geofisiche la superficie e il sottosuolo in un contesto idrotermale utilizzando dati gravimetrici, geochimici e termici. I principali algoritmi utilizzati in questo lavoro sono stati Self-OrganizingMap (SOM) e k -means. Metodo Il metodo proposto in questo lavoro può essere riassunto con il nome di Unsupervised Boundary Analysis (UBA). Lo scopo della metodologia è quello di identificare i bordi delle sorgenti che si riferiscono a strutture geologiche (ad esempio faglie) o bordi di strutture antropiche sepolte come in archeologia. Il metodo proposto è basato sull’utilizzo combinato di due tecniche di apprendimento non supervisionato: Self-Organizing Map (SOM) e k -means. Per quanto riguarda l’input, dopo diversi test abbiamo deciso di utilizzare tre trasformazioni del campo di anomalie: Total Horizontal Derivative (THD), Total Horizontal Derivative di secondo ordine (THD2) e derivata verticale di secondo ordine (DZ2). Queste trasformazioni rappresenteranno le differenti features di ciascun input. La SOMè un tipo di rete neurale che può essere usata per l’apprendimento non supervisionato (Kohonen, 1997). Questa rete neurale è strutturata in due strati: Strato di input e strato di output. Nella maggior parte delle applicazioni lo strato di output rappresenta una struttura 2D in cui i neuroni sono disposti lungo righe e colonne formando una mappa neurale, ogni neurone della rete è totalmente connesso con gli altri neuroni e con tutti gli input. La mappa neurale consiste di iale: un approccio con il machine learning sorse, Università di Napoli “Federico II”, Napoli, verticale di secondo ordine (DZ2). Queste trasformazioni rappresenteranno le differenti features di ciascun input. La SOM è un tipo di rete neurale che può essere usata per l'apprendimento non supervisionato (Kohonen, 1997). Questa rete neurale è strutturata in due strati: Strato di input e strato di output. Nella maggior parte delle applicazioni lo strato di output rappresenta una struttura 2D in cui i neuroni sono disposti lungo ri he e colonne form ndo una mappa neurale, ogni neurone della rete è totalmente connesso c n gli altri neuroni e con tutti gli input. La mappa neural consiste di N q neuroni, ognuno dei quali è caratterizzato da un vettore pesi ( w q ): w q = { w ( q, 1 ) , w ( q, 2 ) , w ( q, 3 ) ,…, w ( q, n ) } T q = 1 , ... , N q (1) dove n è la dimensionalità del dataset di training. La fase di training della SOM consiste nell’associare tutti i uroni, ognuno dei quali è caratterizzato da un vettore pesi ( nsupervised Boundary Analysis dei campi di potenziale: un approccio con il machine learning . Cutaneo 1 , A. Vitale 1 , M. Fedi 1 Dipartimento di Scienze della Terra, dell’Ambiente e delle Risorse, Università di Napoli “Federico II”, Napoli, talia ntroduzione l Machine Learning (ML) è un potente strumento per ’interpretazione dei dati geofisici che sta avendo una apida crescita negli ultimi anni. Lo stato dell'arte ell'applicazione di tecniche di Machine Learning non upervisionato, presenta lavori focalizzati sull'elabo zione interpretazione di dati sismici. Waheed et al. (2019) ropongono un metodo basato su k-means e DBSCAN per l picking automatico durante l’elaborazione di dati sismici. olti studi sono incentrati sull’applicazione delle tecniche i Machine Learning non supervisionato applicato sugli ttrib ti sismici, con il fine di classificare facies sismiche e gevolare l’interpretazione geologica (Chopra, et al. 2019; oléu, et al. 2003; Roden et al. 2015; Infante-Paez e arfurt, 2019). Per i campi di potenziale, le tecniche di achine Learning non supervisionato sono utilizzate per volgere una classificazione litologica. Carneiro (2012), ropone una mappatura litologica semi-automatica tilizzando dati magnetici e spettri gamma-ray analizzati on la Self-Organizing Map (SOM) (Kohonen, 1997). verticale di secondo ordine (DZ2). Queste trasformazioni rappresenteranno le differenti features di ciascun input. La SOM è un tipo di rete neurale che può essere usata per l'apprendimento non supervisionato (Kohonen, 1997). Questa rete neurale è strutturata in due strati: Strato di input e strato di output. Nella maggior parte delle applicazioni lo strato di output rappresenta una struttura 2D in cui i neuroni sono disposti lungo righe e colonne formando una mappa neurale, ogni neurone della rete è totalmente connesso con gli altri neuroni e con tutti gli input. La mappa neurale consiste di N q neuroni, ognuno dei quali è caratterizzato da un vettore p w q ): w q = { w ( q, 1 ) , w ( q, 2 ) , w ( q, 3 ) ,…, w ( q, n ) } T q = 1 , ... , N q (1) dove n è la dimensionalità del dataset di training. La fase di training della SOM consiste nell’associare tutti i dati di input (i.e., x = { x 1 , x 2 , x 3 , ... , x n } T ) ai neuroni e potenziale: un approccio con il machine learning el Risorse, Università di Napoli “F d rico II”, Napoli, verticale di secondo ordine (DZ2). Queste trasformazioni rappresenteranno le differenti features di ciascun input. La SOM è un tip i r te neurale che può essere usata per l'appre dimento non supervisionato (Kohonen, 1997). Questa rete neurale è strutturata in due strati: Strato di input e strato di output. Nella maggior parte delle applicazioni lo strato di output rappresenta una struttura 2D in cui i neuroni sono disposti lungo righe e colonne formando una mappa neurale, ogni eur ne della rete è totalmente con esso con gli altri neuroni e con utti g i input. La mappa neurale cons ste di N q eu oni, ognuno dei quali è caratterizzato da u vettore pesi ( w q ): w q = { w ( q, 1 ) , w ( q, 2 ) , w ( q, 3 ) ,…, w ( q, n ) } T q = 1 , ... , N q (1) dove n è la dimensionalità del dataset di training. La fase di training della SOM consiste nell’associare tutti i dati di input (i.e., x = { x 1 , x 2 , x 3 , ... , x n } T ) ai neuroni e (1) dove n è la dimensionalità del dataset di training. La fase di training della SOM consiste nell’associare tutti i dati di input (i.e., U supervised Boun ary Analysis dei campi di potenziale: un approccio con il machine learning C. Cutaneo 1 , A. Vitale 1 , M. Fedi 1 1 Dipartimento di Scienze della Terra, dell’Ambiente e delle Risorse, Università di Napol “Federico II”, Napoli, Italia Introduzione Il Machine Learning (ML) è un potente strumento per l’interpretazione dei dati geofisici che sta avendo una rapida crescita negli ultimi anni. Lo stato dell'art dell'applicazione di tecniche di Machine Learning non supervisionato, presenta lavori focalizzati sull'elaborazione e interpretazione di ati sismici. Waheed et al. (2019) propongono un metodo basato su k-means e DBSCAN per il pick ng automatico durante l’elaborazione di dati sismici. Molti studi sono ince trati sull’applicazione delle tecniche i Machin Learning on supervisionato applicato sugli attributi sismici, con il fine i classificare facies sismiche e agevolare l’i terpretazione geologica (Chopra, et al. 2019; Coléu, et al. 2003; Roden et al. 2015; Infante-Paez e Marfurt, 2019). Per i campi di potenziale, le tecniche di Machine Learning non supervisionato sono utilizzate per svolgere una classificazione litologica. Carneiro (2012), propone una mappatura litologica semi-automatica utilizzando dati magnetici e spettri gamma-ray analizzati on la Self-Or anizing Map (SOM) (Kohonen, 1997). Fraser (2012), propone una classificazione di pseudo- lito ogie utilizz ndo SOM co dati gravimetrici, magnetici ed elettromagnetici. Lo scopo di questi lavori è stato quello verticale di secondo ordine (DZ2). Queste trasformazio rappresenteranno le differenti features di ciascun input. La SOM è u tipo di rete neurale che può essere usata pe l'apprendimento non supervisionato (Kohonen, 1997 Questa rete ne rale è strutturata in due strati: Strato di inp e str to di output. Nella maggio parte delle applicazioni l strato di output rappresenta una struttura 2D in cui i neuro sono disposti lungo righe e colonne formando una mapp neurale, ogni neurone della rete è totalmente connesso co gli altri neuroni e con tutti gli input. La mappa neural consiste di N q neuroni, ognuno dei quali è caratterizzat da un vettore pesi ( w q ): w q = { w ( q, 1 ) , w ( q, 2 ) , w ( q, 3 ) ,…, w ( q, n ) } T q = 1 , ... , N q (1) dove n è la dimensionalità del dataset di training. La fase di training della SOM consiste nell’associare tutti dati di input (i.e., x = { x 1 , x 2 , x 3 , ... , x n } T ) ai neuroni poi aggiornare i pesi. Questo processo è realizzat identificando prima un neurone vincente (chiamato Be Matching Unit, BMU) come quel neurone il cui peso è pi )