Browsing by Author "Djarfour, Noureddine"

Now showing 1 - 13 of 13

Acoustic impedance inversion by feedback artificial neural network
(Elsevier, 2010) Baddari, K.; Djarfour, Noureddine; Aïfa, Tahar; Ferahtia, J.
The determination of acoustic impedance distribution from the seismic data field measurement can be expressed as an ill-posed inverse problem. This work deals with the use of the Elman artificial neural network (ANN) (feedback connection) for the seismic data inversion. In the proposed structure the hidden neuron outputs from the previous time step are fed back to their inputs through time delay units; this enables them to process temporal behaviour and provide multi-step-ahead predictions. The ANN architectures and learning rules are presented to allow the best estimate of acoustic impedance from seismic data. The effects of network architectures using 5 to 60 neurons and 10 to 90 neurons in the hidden layer respectively for synthetic and real data on the rate of convergence and prediction accuracy of ANN models are discussed. The behaviour of networks observed on training data is very similar to the one observed on test data. The results obtained clearly prove the feasibility of the proposed method for seismic data inversion by feedback neural networks. Different tests indicate that the back-propagation conjugate gradient algorithm can easily train the proposed Elman ANN structure without getting stuck in local minima
Application of a radial basis function artificial neural network to seismic data inversion
(Elsevier, 2009) Baddari, Kamel; Aïfa, Tahar; Djarfour, Noureddine; Ferahtia, Jalal
Application of feedback connection artificial neural network to seismic data filtering
(Elsevier, 2008) Djarfour, Noureddine; Aïfa, Tahar; Baddari, K.; Mihoubi, A.; Ferahtia, J.
The Elman artificial neural network (ANN) (feedback connection) was used for seismic data filtering. The recurrent connection that characterizes this network offers the advantage of storing values from the previous time step to be used in the current time step. The proposed structure has the advantage of training simplicity by a back-propagation algorithm (steepest descent). Several trials were addressed on synthetic (with 10% and 50% of random and Gaussian noise) and real seismic data using respectively 10 to 30 neurons and a minimum of 60 neurons in the hidden layer. Both an iteration number up to 4000 and arrest criteria were used to obtain satisfactory performances. Application of such networks on real data shows that the filtered seismic section was efficient. Adequate cross-validation test is done to ensure the performance of network on new data sets
Application of signal dependent rank-order mean filter to the removal of noise spikes from 2D electrical resistivity imaging data
(2009) Ferahtia, J.; Djarfour, Noureddine; Baddari, K.; Guérin, R.
It is well-known that when inverting two-dimensional (2D) electrical resistivity data, a major source of errors is the presence of noise and in particular noise spikes. The popular median filter is often applied to the removal of single spikes. However, when the signal is highly corrupted with successive spikes, the median filter performance is poor. This paper deals with the use of the signal dependent rank-order mean filter for the detection and removal of noise spikes from highly corrupted 2D electrical resistivity imaging data. In addition to its computational simplicity, this filter is shown to be extremely robust, even in the presence of very strong noise, especially when it is applied recursively. The signal dependent rank-order mean filter was tested on 2D synthetic resistivity data contaminated by near-surface inhomogeneities and the results confirmed efficient removal of the disturbances normally associated with near-surface inhomogeneities. The signal dependent rank-order mean filter was also applied to field data and demonstrated its ability to significantly improve the accuracy of the inversion process and to produce good visual results in the inverted electrical sections
A fuzzy logic-based filter for the removal of spike noise from 2D electrical resistivity data
(Elsevier, 2012) Ferahtia, J.; Djarfour, Noureddine; Baddari, K.; Kheldoun, Aissa
In this paper, a filter based on fuzzy logic is proposed to remove spike noise from 2 dimensional electrical resistivity data. The noise detection used in this paper is based on differentiating noisy samples from the central sample inside a moving window. These fuzzy derivatives are used by the fuzzy inference system to detect corrupted samples. To assess the performance of the proposed filter for the removal of spike noise, the root-mean squared error as well as the signal-to-noise ratio were used as an objective criterion. It has been demonstrated by synthetic and real examples that the proposed filter achieves quite good results compared to the standard median filter as well as to the very effective SD-ROM filter
Image-based processing techniques applied to seismic data filtering
(Elsevier, 2013) Ferahtia, J.; Aïfa, Tahar; Baddari, K.; Djarfour, Noureddine; Eladj, S.
Impulse noise reduction in 2D electrical resistivity imaging data based on fuzzy logic
(IEEE, 2011) Ferahtia, J.; Djarfour, Noureddine; Baddari, Kamel; Khaldoun, Asmae
Incorporation of a non-linear image filtering technique for noise reduction in seismic data
(Springer, 2010) Ferahtia, Jalal; Baddari, Kamel; Djarfour, Noureddine; Kassouri, Abdel Kader
Inversion des données sismiques par les réseaux de neurones artificiels : application du réseau à fonction de base radiale et du réseau récurrent d'elman
(2008) Djarfour, Noureddine
L’appréhension de la structure interne de la Terre à partir de données collectées en surface demeure sans doute le souci constant de la plupart des géophysiciens. C’est dans ce contexte typique que s’est initialement développée la théorie du problème inverse, visant à interpréter, voire caractériser au mieux les problèmes géophysiques ainsi posés. Au cours de ces dernières années, plusieurs techniques ont été élaborées pour la résolution du problème inverse. La plupart de ces techniques cherchent à traiter son caractère mal posé qui pose en lui-même de sérieux problèmes de stabilité et de convergence. Dans cette thèse, notre contribution s’inscrit justement au cœur de cette problématique. En effet, nous ne prétendons pas apporter des solutions clefs à tous les problèmes posés, mais nous avons examiné l’application des réseaux de neurones artificiels (RNA) à la résolution du problème inverse. Sont considérées le long de ce travail les deux principales classes suivantes la tomographie sismique et l’inversion stratigraphique. Soulignons tout d’abord que les RNA font partie des systèmes adaptatifs non linéaires, qui sont constitués d’un grand nombre d’unités élémentaires (appelées aussi cellules ou agents). Ils traitent l’information d’une manière parallèle et distribuée. De telles propriétés leur confèrent bien la qualité de robustesse vis-à-vis des données incomplètes, incertaines et bruitées. Chose qui motive leur utilisation dans le cadre du problème inverse. En vu de justifier l’applicabilité des RNA, une étude comparative a été réalisée. Pour ce faire, les réseaux de neurones à Base Radiale (FBR) et de type Elman sont utilisés comme outils d’inversion et comparés à des techniques classiques (ART, SIRT, et GC) sur la base d’exemples synthétiques, puis sur des données réelles. Dans le cadre de la tomographie, les résultats obtenus ont monté que les RNA de type FBR sont les plus performants en terme d’amélioration de la reconstruction d’images sismiques très complexes, viennent ensuite les méthodes GC et ART avec un niveau de reconstruction assez acceptable. La méthode SIRT, quant à elle, s’est révélée moins performante. D’autre part, il est important de noter que le réseau de type Elman s’avère assez conservatif en raison des difficultés liées à la procédure d'apprentissage. Le test de reconstruction en présence de bruit montre la capacité de la structure FBR à retrouver avec une précision largement acceptable la répartition de vitesse à partir du temps de trajet, tandis que les autres méthodes ont donné des images altérées présentant des artefacts. Ci qui est principalement dû à la présence de bruits et à l’instabilité de la solution obtenue. Quant à l’inversion stratigraphique, nous avons pu obtenir un apprentissage simple et facile pour les deux structures proposées (FBR et Elman) à l’aide de l’algorithme de rétro-propagation du gradient conjugué. Notons qu’en présence de bruits, le RNA de type Elman conduit bien à des résultats intéressants en termes d’inversion, alors que la performance préalablement discutée du réseau FBR se dégrade de plus en plus au cours du processus d’inversion. Une autre constatation qu’on puisse également faire réside dans le fait que l’utilisation d’une seule couche cachée simplifie davantage la structure des réseaux et permet, par voie de conséquence, de rendre aisée l’estimation des paramètres acoustiques à partir des données sismiques. Sur la base de l’ensemble des considérations examinées le long de cette thèse, il ne deviendra guère difficile d’affirmer que les RNA offrent bien les outils nécessaires à l’amélioration de la caractérisation de la structure interne de la Terre, ce qui se traduit par un net allègement de la tâche de l’interprétation
Seismic attributes combination to enhance detection of bright spot associated with hydrocarbons
(Taylor & Francis, 2012) Farfour, M.; Yoon, W.J.; Ferahtia, J.; Djarfour, Noureddine
Seismic noise attenuation by means of an anisotropic non-linear diffusion filter
(Elsevier, 2011) Baddari, Kamel; Ferahtia, Jalal; Aïfa, Tahar; Djarfour, Noureddine
Seismic noise filtering based on Generalized Regression Neural Networks
(Elsevier, 2015) Djarfour, Noureddine; Ferahtia, Jalal; Babaia, Foudel; Baddari, Kamel; Said, El-adj
This paper deals with the application of Generalized Regression Neural Networks to the seismic data filtering. The proposed system is a class of neural networks widely used for the continuous function mapping. They are based on the well known nonparametric kernel statistical estimators. The main advantages of this neural network include adaptability, simplicity and rapid training. Several synthetic tests are performed in order to highlight the merit of the proposed topology of neural network. In this work, the filtering strategy has been applied to remove random noises as well as source-related noises from real seismic data extracted from a field in the South of Algeria. The obtained results are very promising and indicate the high performance of the proposed filter in comparison to the well known frequency–wavenumber filter
Tomographic velocity images by artificial neural networks
(2007) Djarfour, Noureddine; Ferahtia, J.; Baddari, K.
The present study deals with the use of Elman artificial neural network (feedback connexion) to reconstruct the velocity image from a traveltime in the seismic tomography experiment. This recurrent connection provides the advantage to store values from the previous time step, which can be used in the actual time step. The backpropagation algorithm has been used to learn the suggested neural network. Efficiency of these networks has been tested in training and generalization phases. A comparative reconstruction with two classical methods was performed using backprojection and Algebraic Reconstruction Techniques (ART). The obtained results clearly show improvements of the quality of the reconstruction obtained by artificial neural networks