Pantheon Institutional repository
Collect, preserve and disseminate digital academic production in all areas of knowledge.
Comprise the assets of the repository, in addition to theses and dissertations at UFRJ, scientific articles, electronic books, book chapters and papers presented at events for teachers, researchers, administrative staff and students of master's and doctoral degrees.
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.