RDBU| Repositório Digital da Biblioteca da Unisinos
Predição de propriedades permoporosas de rochas carbonáticas utilizando redes neurais convolucionais
- RDBU
- →
- Rede Jesuíta Brasil
- →
- Unisinos
- →
- Produção Acadêmica
- →
- Escola Politécnica
- →
- Trabalhos de Conclusão de Curso
- →
- Graduação
- →
- Ciência da Computação
- →
- View Item
JavaScript is disabled for your browser. Some features of this site may not work without it.
| metadataTrad.dc.contributor.author | Pasini, Augusto; |
| metadataTrad.dc.contributor.advisor | Rigo, Sandro José; |
| metadataTrad.dc.contributor.advisorLattes | http://lattes.cnpq.br/3914159735707328; |
| metadataTrad.dc.publisher | Universidade do Vale do Rio dos Sinos; |
| metadataTrad.dc.title | Predição de propriedades permoporosas de rochas carbonáticas utilizando redes neurais convolucionais; |
| metadataTrad.dc.description.resumo | A identificação de propriedades físicas de rochas, como porosidade e permeabilidade, é muito importante para a indústria petrolífera na busca da melhor taxa de produção de petróleo, pois estas informações podem ajudar a definir a qualidade de um poço de extração. As técnicas utilizadas para identificação dessas características tendem a ser custosas, dependentes de acompanhamento por parte de especialistas e algumas podem inclusive ser destrutivas, modificando e prejudicando permanentemente as propriedades das amostras coletadas durante a perfuração do poço. Este trabalho utiliza aprendizado de máquina para propor um modelo de rede neural convolucional, sendo uma tarefa de regressão capaz de prever propriedades permoporosas das rochas diretamente a partir de imagens de forma ágil e sem depender do viés humano e de técnicas laboratoriais custosas ou destrutivas. Foram utilizadas 183 imagens de diversas amostras de rochas carbonáticas coletadas a partir da perfuração em diferentes profundidades de um único poço de um campo de petróleo localizado no pré-sal brasileiro. As 183 imagens foram então espelhadas para gerar uma maior quantidade de amostras para melhor treinamento de rede, gerando um total de 366 imagens divididas em 70% para treino, 15% para validação e 15% para teste. O modelo foi treinado em dois momentos distintos, sendo primeiramente para identificar a porosidade das rochas, e posteriormente para identificar a permeabilidade. Obteve-se um R2 de 0,8385, MAE de 0,0132, MSE de 0,0004 e RMSE de 0,0209 para a porosidade e um R2 de 0,9826, MAE de 0,0700, MSE de 0,0161 e RMSE de 0,1256 para a permeabilidade. Por fim, através das métricas obtidas e da comparação com trabalhos relacionados, concluiu-se que os resultados estão à par com o atual estado da arte. Além disso, é uma área de estudo promissora que, apesar dos bons resultados, ainda pode ser aprimorada com o estudo e aplicação de novas técnicas de inteligência artificial e através do uso de imagens mais complexas em três dimensões que representam de forma mais precisa a realidade; |
| metadataTrad.dc.subject | Aprendizado de máquina; Aprendizado profundo; Redes neurais convolucionais; Porosidade; Permeabilidade; Rochas carbonáticas; |
| metadataTrad.dc.type | TCC; |
| metadataTrad.dc.date.issued | 2021-07-01; |
| metadataTrad.dc.identifier.uri | http://www.repositorio.jesuita.org.br/handle/UNISINOS/11163; |
| metadataTrad.dc.audience.educationLevel | Graduação; |
| metadataTrad.dc.curso | Ciência da Computação; |
Files in this item
This item appears in the following Collection(s)
-
Ciência da Computação [23]
Ciência da Computação