Predição de propriedades permoporosas de rochas carbonáticas utilizando redes neurais convolucionais
| Nível educacional (dc.audience.educationLevel) | Graduação | pt_BR |
| Orientador(a) (dc.contributor.advisor) | Rigo, Sandro José | |
| Lattes Orientador(a) (dc.contributor.advisorLattes) | http://lattes.cnpq.br/3914159735707328 | pt_BR |
| Autor(a) (dc.contributor.author) | Pasini, Augusto | |
| Curso (dc.curso) | Ciência da Computação | pt_BR |
| Data de Disponibilização (dc.date.accessioned) | 2022-04-20T17:00:57Z | |
| dc.date.available (dc.date.available) | 2022-04-20T17:00:57Z | |
| Data da defesa / Data do evento (dc.date.issued) | 2021-07-01 | |
| Resumo (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 | pt_BR |
| URI (dc.identifier.uri) | http://www.repositorio.jesuita.org.br/handle/UNISINOS/11163 | |
| Nome da instituição (dc.publisher) | Universidade do Vale do Rio dos Sinos | pt_BR |
| Assunto (dc.subject) | Aprendizado de máquina | pt_BR |
| Assunto (dc.subject) | Aprendizado profundo | pt_BR |
| Assunto (dc.subject) | Redes neurais convolucionais | pt_BR |
| Assunto (dc.subject) | Porosidade | pt_BR |
| Assunto (dc.subject) | Permeabilidade | pt_BR |
| Assunto (dc.subject) | Rochas carbonáticas | pt_BR |
| Título (dc.title) | Predição de propriedades permoporosas de rochas carbonáticas utilizando redes neurais convolucionais | pt_BR |
| Tipo de arquivo (dc.type) | TCC | pt_BR |
Arquivos
Pacote original
1 - 1 de 1
Carregando...
- Nome:
- Augusto Pasini.pdf
- Tamanho:
- 9.48 MB
- Formato:
- Adobe Portable Document Format
- Descrição:
- Predicao_de
Licença do pacote
1 - 1 de 1
Carregando...
- Nome:
- license.txt
- Tamanho:
- 2.12 KB
- Formato:
- Item-specific license agreed upon to submission
- Descrição: