Machine-learning semi-supervisionado aplicado para predição de fácies carbonáticas da formação Barra Velha na Bacia de Santos

Affonso, Pedro Vitor Abreu

Please use this identifier to cite or link to this item: http://hdl.handle.net/11422/21790

Full metadata record

DC Field	Value	Language
dc.contributor.advisor	Mello, Claudio Limeira	-
dc.contributor.author	Affonso, Pedro Vitor Abreu	-
dc.date.accessioned	2023-10-09T14:44:41Z	-
dc.date.available	2023-12-21T03:02:04Z	-
dc.date.issued	2022	-
dc.identifier.uri	http://hdl.handle.net/11422/21790	-
dc.language	por	pt_BR
dc.publisher	Universidade Federal do Rio de Janeiro	pt_BR
dc.rights	Acesso Aberto	pt_BR
dc.subject	Bacia de Santos	pt_BR
dc.subject	Barra Velha	pt_BR
dc.subject	Carbonatos	pt_BR
dc.subject	Machine-Learning	pt_BR
dc.title	Machine-learning semi-supervisionado aplicado para predição de fácies carbonáticas da formação Barra Velha na Bacia de Santos	pt_BR
dc.type	Trabalho de conclusão de graduação	pt_BR
dc.contributor.advisorLattes	http://lattes.cnpq.br/8440044607836952	pt_BR
dc.contributor.authorLattes	http://lattes.cnpq.br/5306639507319320	pt_BR
dc.contributor.advisorCo1	Brelaz, Luciana Castro	-
dc.contributor.advisorCo1Lattes	ttp://lattes.cnpq.br/8530834136505656	pt_BR
dc.contributor.referee1	Almeida, Leonardo Fonseca Borghi de	-
dc.contributor.referee1Lattes	http://lattes.cnpq.br/5821487047888554	pt_BR
dc.contributor.referee2	Seoane, José Carlos	-
dc.contributor.referee2Lattes	http://lattes.cnpq.br/5256359048551589	pt_BR
dc.description.resumo	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.	pt_BR
dc.publisher.country	Brasil	pt_BR
dc.publisher.department	Instituto de Geociências	pt_BR
dc.publisher.initials	UFRJ	pt_BR
dc.subject.cnpq	CNPQ::CIENCIAS EXATAS E DA TERRA::GEOCIENCIAS::METEOROLOGIA	pt_BR
dc.embargo.terms	aberto	pt_BR
Appears in Collections:	Geologia

Files in This Item:

File	Description	Size	Format
AFFONSO, P.V.A.pdf		1.04 MB	Adobe PDF	View/Open

Show simple item record Recommend this item View Statistics

Pantheon Institutional repository