Please use this identifier to cite or link to this item:
http://hdl.handle.net/11422/21790
Type: | Trabalho de conclusão de graduação |
Title: | Machine-learning semi-supervisionado aplicado para predição de fácies carbonáticas da formação Barra Velha na Bacia de Santos |
Author(s)/Inventor(s): | Affonso, Pedro Vitor Abreu |
Advisor: | Mello, Claudio Limeira |
Co-advisor: | Brelaz, Luciana Castro |
Abstract: | Existe uma disponibilidade cada vez maior de dados geocientíficos de exploração disponíveis na indústria de óleo e gás. Com isso, ferramentas auxiliares baseadas em dados se tornaram importantes para otimizar o ganho de informação geocientífica a partir destes dados e permitir processos de tomada de decisão mais rápidos e confiáveis. No entanto, o desenvolvimento destas tecnologias depende da padronização da forma destes dados e de suas metodologias descritivas, que muitas vezes divergem entre os geocientistas e as diversas fontes destes dados, que recorrentemente também provêm de diferentes escalas. A complexidade de reservatórios não-convencionais, como os do Pré-sal brasileiro, elevam estas dificuldades já existentes. Neste sentido, este trabalho avalia os resultados de uma metodologia de Machine-learning semisupervisionado que foi aplicada nos calcários aptianos da Formação Barra Velha no Pré-sal da Bacia de Santos. A metodologia segue uma abordagem de PU-learning com a utilização do algoritmo Random-forest baseada em dados públicos de testemunhos geológicos, amostras laterais e perfis geofísicos de poço no intervalo correspondente a estas rochas da Formação Barra Velha. Um agrupamento de fácies carbonáticas foi fornecido por uma equipe de geocientistas e então reagrupado com base em descrições quantitativas, qualitativas e critérios deposicionais relacionados a estas amostras com o objetivo de adequar estes agrupamentos à entrada no algoritmo de Machine-learning. Para lidar com o fato de as amostras pertencerem às diferentes escalas e fontes dos dados, as amostras descritas em escala de testemunho são selecionadas como “rotuladas” e as demais são “não-rotuladas”, estabelecendo um critério de confiabilidade das descrições das amostras e que se adequa à forma semi-supervisionada de aprendizado de máquina. Métricas de avaliação do modelo gerado foram calculadas e analisadas, em paralelo a uma comparação com os resultados de um modelo tradicional supervisionado. Os resultados demonstraram um ganho expressivo de precisão geral do modelo (> 10%) em relação à metodologia supervisionada, e sugestões críticas baseadas no resultado foram propostos para execução em futuros trabalhos de pesquisa neste segmento. |
Keywords: | Bacia de Santos Barra Velha Carbonatos Machine-Learning |
Subject CNPq: | CNPQ::CIENCIAS EXATAS E DA TERRA::GEOCIENCIAS::METEOROLOGIA |
Production unit: | Instituto de Geociências |
Publisher: | Universidade Federal do Rio de Janeiro |
Issue Date: | 2022 |
Publisher country: | Brasil |
Language: | por |
Right access: | Acesso Aberto |
Appears in Collections: | Geologia |
Files in This Item:
File | Description | Size | Format | |
---|---|---|---|---|
AFFONSO, P.V.A.pdf | 1.04 MB | Adobe PDF | View/Open |
Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.