”OPTIMIZACIÓN DE LA SEGMENTACIÓN SEMÁNTICA DE FACIES SÍSMICAS MÚLTIPLES MEDIANTE UNA U-NET HÍBRIDA CON MECANISMOS DE ATENCIÓN ESPACIAL Y DE CANAL”
La segmentación precisa de múltiples facies sísmicas es fundamental para la caracterización geológica y la exploración de hidrocarburos. Este trabajo presenta un marco robusto de aprendizaje profundo basado en una arquitectura U-Net híbrida, mejorada con mecanismos de atención espacial y de canal; específicamente el Convolutional Block Attention Module (CBAM) y Self-Attention, combinada con la fusión de atributos sísmicos. El método se aplicó al conjunto de datos F3 del Mar del Norte, ubicado en el sector holandés, integrando tres atributos clave: fase instantánea, frecuencia instantánea y envolvente.
El flujo de trabajo incluyó el preprocesamiento de secciones sísmicas a un redimensionamiento a 512×256, la normalización Z-score y técnicas de aumento de datos para mejorar la capacidad de generalización. El diseño modular de la arquitectura permite activar o desactivar los módulos de atención, lo que facilita estudios de ablación para cuantificar su contribución. Los resultados muestran que el modelo híbrido supera a una U-Net base, alcanzando un IoU medio de 0.74, un Dice Score de 0.82 y un FWIU de 0.80. El análisis cualitativo evidencia una mejor delimitación de contactos estratigráficos y bordes de canales, con una reducción de errores en zonas estructuralmente complejas.
Este estudio confirma que la integración de atención espacial y de canal, junto con una selección estratégica de atributos sísmicos, mejora tanto la precisión como la interpretabilidad de la segmentación. El enfoque propuesto es escalable a datos volumétricos 3D y aplicable a diversos entornos geológicos, ofreciendo un gran potencial para la interpretación sísmica automatizada.