Interpretação de zonas carstificadas usando redes neurais convolucionais e interpretabilidade através de Explainable AI
Autor(a) principal: | |
---|---|
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 |
Resumo: | 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. |
id |
UFRN_e8ec5fa145cdef37651d639404eeb414 |
---|---|
oai_identifier_str |
oai:https://repositorio.ufrn.br:123456789/46833 |
network_acronym_str |
UFRN |
network_name_str |
Repositório Institucional da UFRN |
repository_id_str |
|
spelling |
Jacinto, Marcos Vinícius Gomeshttp://lattes.cnpq.br/1486294340931268http://lattes.cnpq.br/6050302316049061Avansi, Michelle Chaves KurodaNascimento, Aderson Farias dohttp://lattes.cnpq.br/8600906973888297Bezerra, Francisco Hilario Rego2022-04-07T21:11:00Z2022-04-07T21:11:00Z2022-01-26JACINTO, Marcos Vinícius Gomes. Interpretação de zonas carstificadas usando redes neurais convolucionais e interpretabilidade através de Explainable AI. 2022. 60f. Dissertação (Mestrado em Geodinâmica e Geofísica) - Centro de Ciências Exatas e da Terra, Universidade Federal do Rio Grande do Norte, Natal, 2022.https://repositorio.ufrn.br/handle/123456789/46833O 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.Ground penetrating radar (GPR) is a geophysical tool that can be used to assist in mapping karstified zones in analogs for the characterization and understanding of carbonate reservoirs. With the aid of GPR, it is possible to understand the behavior of the karstification processes in carbonates and, thus, expand the knowledge to the reservoir level, as well as make parallels with analogues in the Brazilian pre-salt. In addition, Machine Learning (ML) and Deep Learning (DL) algorithms have allowed the application of computer vision techniques to identify geological structures and facies based on geophysical data, as obtained through the GPR tool, but mainly with based on seismic. In this context, and using as data eight GPR sections, and five attributes generated from them (energy, similarity, instantaneous phase, instantaneous frequency, and the ratio between the Hilbert trace and the similarity), this study seeks to apply DL models based on convolutional neural networks using the U-Net architecture. Moreover, Explainable Artificial Intelligence (XAI) techniques using SHapley additive exPlanation (SHAP) values are applied to improve the interpretability and explainability of the generated models. These techniques were employed in order to assess the rules found by the models, the modeling quality and the presence of biases in the model. Moreover, distinct settings with regard to background SHAP values were tested and compared to assess how they influence model explainability. As demonstrated in the results, the U-Net architecture developed was able to perform image segmentation through GPR data and, consequently, map and differentiate karstified from non-karstified zones. Furthermore, the SHAP values show that the energy attribute was the feature that provided more information in the modeling and consequently provided a greater weight in the model rules while the other features presented less relevant contributions. Furthermore, the type of sampling used to define the reference values for the SHAP values resulted in different interpretations of the contributions of the features. Finally, the present work generated models capable of assisting in the mapping of karstified zones, further supported by a technique capable of promoting the understanding of complex models and allowing greater cooperation between experts in geosciences and the results generated through ML and DL techniques.Coordenação de Aperfeiçoamento de Pessoal de Nível Superior - CAPESUniversidade Federal do Rio Grande do NortePROGRAMA DE PÓS-GRADUAÇÃO EM GEODINÂMICA E GEOFÍSICAUFRNBrasilGeofísicaRadar de penetração do soloZonas carstificadasDeep LearningExplainable AIInterpretação de zonas carstificadas usando redes neurais convolucionais e interpretabilidade através de Explainable AIinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisinfo:eu-repo/semantics/openAccessporreponame:Repositório Institucional da UFRNinstname:Universidade Federal do Rio Grande do Norte (UFRN)instacron:UFRNORIGINALInterpretacaozonascarstificadas_Jacinto_2022.pdfapplication/pdf2834762https://repositorio.ufrn.br/bitstream/123456789/46833/1/Interpretacaozonascarstificadas_Jacinto_2022.pdf6134588631617e54750deeedb55072deMD51123456789/468332022-05-02 12:42:41.476oai:https://repositorio.ufrn.br:123456789/46833Repositório de PublicaçõesPUBhttp://repositorio.ufrn.br/oai/opendoar:2022-05-02T15:42:41Repositório Institucional da UFRN - Universidade Federal do Rio Grande do Norte (UFRN)false |
dc.title.pt_BR.fl_str_mv |
Interpretação de zonas carstificadas usando redes neurais convolucionais e interpretabilidade através de Explainable AI |
title |
Interpretação de zonas carstificadas usando redes neurais convolucionais e interpretabilidade através de Explainable AI |
spellingShingle |
Interpretação de zonas carstificadas usando redes neurais convolucionais e interpretabilidade através de Explainable AI Jacinto, Marcos Vinícius Gomes Geofísica Radar de penetração do solo Zonas carstificadas Deep Learning Explainable AI |
title_short |
Interpretação de zonas carstificadas usando redes neurais convolucionais e interpretabilidade através de Explainable AI |
title_full |
Interpretação de zonas carstificadas usando redes neurais convolucionais e interpretabilidade através de Explainable AI |
title_fullStr |
Interpretação de zonas carstificadas usando redes neurais convolucionais e interpretabilidade através de Explainable AI |
title_full_unstemmed |
Interpretação de zonas carstificadas usando redes neurais convolucionais e interpretabilidade através de Explainable AI |
title_sort |
Interpretação de zonas carstificadas usando redes neurais convolucionais e interpretabilidade através de Explainable AI |
author |
Jacinto, Marcos Vinícius Gomes |
author_facet |
Jacinto, Marcos Vinícius Gomes |
author_role |
author |
dc.contributor.authorLattes.pt_BR.fl_str_mv |
http://lattes.cnpq.br/1486294340931268 |
dc.contributor.advisorLattes.pt_BR.fl_str_mv |
http://lattes.cnpq.br/6050302316049061 |
dc.contributor.referees1.none.fl_str_mv |
Avansi, Michelle Chaves Kuroda |
dc.contributor.referees2.none.fl_str_mv |
Nascimento, Aderson Farias do |
dc.contributor.referees2Lattes.pt_BR.fl_str_mv |
http://lattes.cnpq.br/8600906973888297 |
dc.contributor.author.fl_str_mv |
Jacinto, Marcos Vinícius Gomes |
dc.contributor.advisor1.fl_str_mv |
Bezerra, Francisco Hilario Rego |
contributor_str_mv |
Bezerra, Francisco Hilario Rego |
dc.subject.por.fl_str_mv |
Geofísica Radar de penetração do solo Zonas carstificadas Deep Learning Explainable AI |
topic |
Geofísica Radar de penetração do solo Zonas carstificadas Deep Learning Explainable AI |
description |
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. |
publishDate |
2022 |
dc.date.accessioned.fl_str_mv |
2022-04-07T21:11:00Z |
dc.date.available.fl_str_mv |
2022-04-07T21:11:00Z |
dc.date.issued.fl_str_mv |
2022-01-26 |
dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/masterThesis |
format |
masterThesis |
status_str |
publishedVersion |
dc.identifier.citation.fl_str_mv |
JACINTO, Marcos Vinícius Gomes. Interpretação de zonas carstificadas usando redes neurais convolucionais e interpretabilidade através de Explainable AI. 2022. 60f. Dissertação (Mestrado em Geodinâmica e Geofísica) - Centro de Ciências Exatas e da Terra, Universidade Federal do Rio Grande do Norte, Natal, 2022. |
dc.identifier.uri.fl_str_mv |
https://repositorio.ufrn.br/handle/123456789/46833 |
identifier_str_mv |
JACINTO, Marcos Vinícius Gomes. Interpretação de zonas carstificadas usando redes neurais convolucionais e interpretabilidade através de Explainable AI. 2022. 60f. Dissertação (Mestrado em Geodinâmica e Geofísica) - Centro de Ciências Exatas e da Terra, Universidade Federal do Rio Grande do Norte, Natal, 2022. |
url |
https://repositorio.ufrn.br/handle/123456789/46833 |
dc.language.iso.fl_str_mv |
por |
language |
por |
dc.rights.driver.fl_str_mv |
info:eu-repo/semantics/openAccess |
eu_rights_str_mv |
openAccess |
dc.publisher.none.fl_str_mv |
Universidade Federal do Rio Grande do Norte |
dc.publisher.program.fl_str_mv |
PROGRAMA DE PÓS-GRADUAÇÃO EM GEODINÂMICA E GEOFÍSICA |
dc.publisher.initials.fl_str_mv |
UFRN |
dc.publisher.country.fl_str_mv |
Brasil |
publisher.none.fl_str_mv |
Universidade Federal do Rio Grande do Norte |
dc.source.none.fl_str_mv |
reponame:Repositório Institucional da UFRN instname:Universidade Federal do Rio Grande do Norte (UFRN) instacron:UFRN |
instname_str |
Universidade Federal do Rio Grande do Norte (UFRN) |
instacron_str |
UFRN |
institution |
UFRN |
reponame_str |
Repositório Institucional da UFRN |
collection |
Repositório Institucional da UFRN |
bitstream.url.fl_str_mv |
https://repositorio.ufrn.br/bitstream/123456789/46833/1/Interpretacaozonascarstificadas_Jacinto_2022.pdf |
bitstream.checksum.fl_str_mv |
6134588631617e54750deeedb55072de |
bitstream.checksumAlgorithm.fl_str_mv |
MD5 |
repository.name.fl_str_mv |
Repositório Institucional da UFRN - Universidade Federal do Rio Grande do Norte (UFRN) |
repository.mail.fl_str_mv |
|
_version_ |
1802117747126042624 |