<![CDATA[Kandungan seismik frekuensi rendah sangat berperan penting terhadap hasil inversi pada pemodelan Full Waveform Inversion(FWI). Kehilangan frekuensi rendah dari data seismik akan membuat model akhir FWI sulit untuk konvergen. Penelitian ini melakukan ekstrapolasi frekuensi rendah dengan menggunakan deep learning. Dataset diperoleh dengan melakukan pemodelan ke depan seismik akustik menggunakan finnite difference dari beberapa model P-Wave sintetis. Data seismik hasil pemodelan kemudian dipisah menggunakan filter Butterworth, sehingga diperoleh data seismik dengan frekuensi rendah < 5 Hz, dan frekuensi tinggi > 5 Hz. Data frekuensi tinggi dan frekuensi rendah masing-masing berurutan sebagai input dan output data yang akan digunakan sebagai data latih model deep learning. Model deep learning Multi-Ouput Reggresion yang digunakan dalam penelitian ini yakni Multi-Layer Perceptron(MLP) dan Convolutional Neural Networks(CNN). Evaluasi dan testing yang dilakukan terhadap model deep learning memberikan hasil akurasi yang baik. Berdasarkan hasil validasi akurasi model deep learning yang dilakukan, kedua model deep learning potensial untuk diterapakan pada ekstrapolasi frekuensi rendah data real sebelum dilakukan pemodelan Full Waveform Inversion(FWI).]]>
Copyrights © 2021
