INVERSIÓN 3D DE DATOS GRAVIMÉTRICOS EN EL GOLFO DE MÉXICO MEDIANTE REDES NEURONALES U-NET
Se presenta la implementación de redes neuronales de arquitectura U-NET para la inversión 3D a gran escala, de datos gravimétricos de la plataforma de Yucatán. El sistema de inteligencia artificial es entrenado mediante una aproximación basada en la teoría del paseo aleatorio y función objetivo Dice. El código fue paralelizado y ejecutado en una GPU del tipo NVIDIA Geforce GTX 3060 y además se distribuyó el set de entrenamiento en lotes para optimizar los recursos computacionales. Se emplean ensayos de repetición para estimar los hiperparámetros óptimos de entrenamiento lográndose un decaimiento progresivo y estable de la función objetivo. El modelo es validado mediante su aplicación sobre datos sintéticos con niveles variables de ruido. Se estima la precisión y el error medio cuadrático mediante un algoritmo que evalúa celda a celda la diferencia entre valores predichos por la inteligencia artificial con modelos patrones. Se aplicaron correcciones básicas a datos gravimetrícos de la NOAA. Se aplicó el método de fuentes equivalentes para obtener una malla de datos adecuada para la inversión. La inversión mediante la aplicación de la inteligencia artificial proporciona los modelos de densidades tridimensionales. Las redes neuronales permiten invertir datos gravimetricos a gran escala. Las pruebas numéricas sobre datos sintéticos muestran una precisión de un 98% y un error medio cuadrático de 90.