1. Pantheon
  2. Trabalhos Acadêmicos e Técnicos
  3. Trabalhos de Conclusão de Curso de Graduação
  4. Geologia
Por favor, use este identificador para citar o enlazar este ítem: http://hdl.handle.net/11422/22332
Registro completo de metadatos
Campo DC Valor Lengua/Idioma
dc.contributor.advisorAlmeida, Leonardo Fonseca Borghi de-
dc.contributor.authorAleixo, Sarah Beatriz de Oliveira-
dc.date.accessioned2024-01-18T14:43:05Z-
dc.date.available2024-01-20T03:00:16Z-
dc.date.issued2023-
dc.identifier.urihttp://hdl.handle.net/11422/22332-
dc.languageporpt_BR
dc.publisherUniversidade Federal do Rio de Janeiropt_BR
dc.rightsAcesso Abertopt_BR
dc.subjectPerfis de poçospt_BR
dc.subjectClassificação de fáciespt_BR
dc.subjectBacia de Santospt_BR
dc.titleAprendizado de máquina aplicado à classificação de fácies através de perfis de poços convencionais e perfis de imagem do Campo de Atapu, Bacia de Santospt_BR
dc.typeTrabalho de conclusão de graduaçãopt_BR
dc.contributor.advisorCo1Oliveira, Lucas Abreu Blanes de-
dc.contributor.referee1Braga , Marco Antonio da Silva-
dc.contributor.referee2Santana, Vinicius Carneiro-
dc.description.resumoAtualmente, o aprendizado de máquina é amplamente empregado no setor de óleo e gás para classificação de fácies. No entanto, essa tarefa é geralmente realizada utilizando os perfis convencionais como variáveis de entrada, os quais nem sempre fornecerão informações úteis no processo de classificação, uma vez que respondem principalmente a variações composicionais das rochas, não abrangendo suas variações texturais e estruturais. Partindo deste princípio, o trabalho teve como objetivo avaliar a qualidade dos modelos de aprendizado de máquina treinados com variáveis de entrada provenientes de perfis convencionais, perfis de imagem e ambos, dentro de um intervalo pré-sal da Bacia de Santos. Para isso, foram utilizados dois algoritmos de aprendizado de máquina (Self Organizing Maps – SOM e CatBoost) a fim de garantir que os diferentes resultados obtidos nas análises estivessem relacionados aos dados de entrada (perfis convencionais e de imagem). Tanto os perfis convencionais (raios gama, densidade, fator fotoelétrico, nêutrons, geoquímico, sônico e ressonância magnética nuclear) quanto os perfis de imagem (acústica e resistiva) foram disponibilizados pela Agência Nacional do Petróleo, Gás Natural e Biocombustíveis (ANP) e implementados no software Interactive Petrophysics (IP) para serem analisados através do SOM e da Análise Textural de Fácies. A metodologia adotada foi dividida em três etapas principais: (1) classificação das fácies sedimentares utilizando apenas os perfis convencionais de forma não supervisionada (SOM) e supervisionada (SOM e CatBoost); (2) classificação das fácies com base apenas nos perfis de imagem através da Análise Textural de Fácies; (3) análise integrada dos perfis convencionais juntamente com as informações texturais extraídas dos perfis de imagem. Essa última etapa foi realizada exclusivamente de forma supervisionada através do CatBoost. Visando garantir o controle de classificação, todas as etapas levaram em consideração dados de testemunho de rocha descritos por especialistas e cada modelo foi avaliado através de matrizes de confusão a fim de comparar as fácies descritas com as fácies preditas. Como resultado, foram obtidos (a) mapas auto-organizados para as análises supervisionadas e não supervisionadas utilizando o SOM; (b) matrizes de confusão para todas as análises supervisionadas (SOM e CatBoost); (c) perfis de fácies preditas para cada análise. Em geral, as análises supervisionadas através do SOM e do CatBoost utilizando apenas os perfis convencionais apresentaram resultados mais satisfatórios quando comparados às análises supervisionadas e não supervisionadas dos perfis de imagem. Fica evidente, ao final do estudo, que os perfis de imagem não contribuíram significativamente com as técnicas implementadas no trabalho, confundindo o algoritmo e trazendo ruído à classificação. Apesar do aprendizado de máquina auxiliar no desempenho do processo, ainda exige abordagens de processamento mais avançadas capazes de extrair informações relevantes dos perfis de imagem, além de um conhecimento profundo de especialistas.pt_BR
dc.publisher.countryBrasilpt_BR
dc.publisher.departmentInstituto de Geociênciaspt_BR
dc.publisher.initialsUFRJpt_BR
dc.subject.cnpqCNPQ::CIENCIAS EXATAS E DA TERRA::GEOCIENCIAS::GEOLOGIApt_BR
dc.embargo.termsabertopt_BR
Aparece en las colecciones: Geologia

Ficheros en este ítem:
Fichero Descripción Tamaño Formato  
ALEIXO, S.B.O.pdf3.34 MBAdobe PDFVisualizar/Abrir
Mostrar el registro sencillo del ítem Recomiende este ítem View Statistics


Los ítems de DSpace están protegidos por copyright, con todos los derechos reservados, a menos que se indique lo contrario.