Interpretação de zonas carstificadas usando redes neurais convolucionais e interpretabilidade através de Explainable AI

• Autor(a) principal: Jacinto, Marcos Vinícius Gomes
• Data de Publicação: 2022
• Tipo de documento: Dissertação
• Idioma: por
• Título da fonte: Repositório Institucional da UFRN
• Texto Completo: https://repositorio.ufrn.br/handle/123456789/46833
• topic: Geofísica; Radar de penetração do solo; Zonas carstificadas; Deep Learning; Explainable AI

O radar de penetração no solo (GPR) é uma ferramenta geofísica que pode ser utilizada para auxiliar no mapeamento de zonas carstificadas em análogos para a caracterização e compreensão de reservatórios carbonáticos. Com o auxílio do GPR, é possível entender o comportamento dos processos de carstificação em carbonatos e, assim, expandir o conhecimento até o nível de reservatório, bem como realizar paralelos com análogos no présal brasleiro. Ademais, algoritmos de Machine Learning (ML) e Deep Learning (DL) vem permitindo a aplicação de técnicas de visão computacional para identificação de estruturas geológicas e fácies com base em dados geofísicos, tal qual o obtido através da ferramenta de GPR, mas principalmente com base em sísmica. Nesse contexto, e utilizando como dados oito seções de GPR, e cinco atributos gerados a partir das mesmas (energia, similaridade, fase instantânea, frequência instantânea, e a razão entre o traço de Hilbert e a similaridade), este estudo busca aplicar modelos de DL baseados em redes neurais convolucionais utilizando a arquitetura U-Net. Além disso, técnicas de Explainable Artificial Intelligence (XAI) usando valores de SHapley additive exPlanation (SHAP) são aplicadas para melhorar a interpretabilidade e explicabilidade dos modelos gerados. Essas técnicas foram empregadas com o objetivo de avaliar as regras encontradas pelos modelos, a qualidade da modelagem e a presença de vieses nos mesmos. Além disso, configurações distintas com relação aos valores de background de SHAP foram testadas e comparadas para avaliar como elas influenciam a explicabilidade do modelo. Como demonstrado nos resultados, a arquitetura da U-Net desenvolvido foi capaz de realizar segmentação de imagem através dos dados de GPR e, consequentemente, mapear e diferenciar zonas carstificadas de não carstificadas. Além disso, os valores de SHAP mostram que o atributo energia foi o que mais forneceu informações na modelagem e consequentemente proporcionou maior peso nas regras do modelo enquanto os demais dados apresentaram contribuições menos relevantes. Outrossim, o tipo de amostragem utilizado para definir os valores de referência para os valores SHAP resultou em diferentes interpretações das contribuições dos dados utilizados. Por fim, o presente trabalho gerou modelos capazes de auxiliar no mapeamento de zonas carstificadas apoiado ainda por uma técnica capaz de promover a compreensão de modelos complexos e permitir uma maior cooperação entre especialistas em geociências e os resultados gerados por meio de técnicas de ML e DL.