Machine learning na área do petróleo: implementação de redes neurais para aprendizado de distribuições de probabilidade

Detalhes bibliográficos
Autor(a) principal: Neis, Lucas Ribeiro
Data de Publicação: 2019
Tipo de documento: Dissertação
Idioma: por
Título da fonte: Repositório Institucional da UFSC
Texto Completo: https://repositorio.ufsc.br/handle/123456789/202726
Resumo: TCC(graduação) - Universidade Federal de Santa Catarina. Centro Tecnológico. Ciências da Computação.
id UFSC_2d59dbc1c8180a2fd10a9905306ed89f
oai_identifier_str oai:repositorio.ufsc.br:123456789/202726
network_acronym_str UFSC
network_name_str Repositório Institucional da UFSC
repository_id_str 2373
spelling Machine learning na área do petróleo: implementação de redes neurais para aprendizado de distribuições de probabilidadepetróleoredes neuraisdistribuição de probabilidadeaprendizado de máquinaTCC(graduação) - Universidade Federal de Santa Catarina. Centro Tecnológico. Ciências da Computação.A exploração e produção de petróleo usa de diversos métodos para adquirir, estudar e preparar dados de um determinado local de interesse. Na procura de adquirir dados geológicos, o método de poço exploratório é usado para capturar diversos dados relevantes ao contexto de exploração. Todavia, a perfuração de poços exploratórios é cara e é comum a necessidade de diversos poços para adquirir uma quantidade útil de dados. Assim, métodos para simular esses dados foram criados para diminuir o número de poços exploratórios a serem perfurados. Usando dados obtidos em poços exploratórios, uma implementação para simulação geradora de dados de logs através do uso de Redes Neurais Artificiais se mostra possível, no entanto, os modelos de redes neurais artificiais mais tradicionais implementam modelos funcionais que tendem a representar apenas a média de um grupo de dados gerando resultados que compreendem apenas uma possível resposta para cada variável de entrada. Aplicações podem precisar de uma distribuição de de probabilidade da variável de saída que seja condicionada à uma variável de entrada. Neste trabalho, foi realizado um estudo e uma implementação de uma rede neural artificial que usa de misturas de gaussianas — proposta em meados dos anos noventa por Christopher M. Bishop — para modelar a distribuição de probabilidade para uma variável de saída. Os resultados obtidos demonstraram que o modelo foi capaz de aderir o comportamento e a distribuição de densidade dos dados originais, mesmo com o aumento da complexidade ao adicionar mais de um tipo de log na entrada.The Oil Exploration and Production field has several means to acquire, study and use data gathered from a place of interest. In the search for geologic data gathering, exploration wells are used as means to collect several useful data in the exploration context. However, well drilling is not cheap and it's commom to need for more than a single well to collect all the relevant data. As such, simulation methods have been recieving attention as a possible approach to get around the mutiple well drilling problem by lowering the total wells required. Although using Artificial Neural Networks seems promising for this field, the traditional Neural Networks are usually functional which tends to only represent a cluster of data by its mean. Since in practical terms an input conditioned probability distribution of the output might be useful, in this work a study was followed by an implementation of a Mixture Densisity Model — An Artificial Neural Network that uses Gaussian Mixtures as tool to capture the probability distribution — in the Oil E&P context for log generation simulation once it captures the probability density for an output variable. The results showed that the method is able to mantain grip on the original data behavior while also creating a proper density distribution even after increase in complexity by expansion on the number of input logs.Florianópolis, SC.Roisenberg, MauroUniversidade Federal de Santa CatarinaNeis, Lucas Ribeiro2019-12-10T22:17:29Z2019-12-10T22:17:29Z2019-11-18info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesis74application/pdfapplication/octet-streamhttps://repositorio.ufsc.br/handle/123456789/202726info:eu-repo/semantics/openAccessporreponame:Repositório Institucional da UFSCinstname:Universidade Federal de Santa Catarina (UFSC)instacron:UFSC2019-12-10T22:17:29Zoai:repositorio.ufsc.br:123456789/202726Repositório InstitucionalPUBhttp://150.162.242.35/oai/requestopendoar:23732019-12-10T22:17:29Repositório Institucional da UFSC - Universidade Federal de Santa Catarina (UFSC)false
dc.title.none.fl_str_mv Machine learning na área do petróleo: implementação de redes neurais para aprendizado de distribuições de probabilidade
title Machine learning na área do petróleo: implementação de redes neurais para aprendizado de distribuições de probabilidade
spellingShingle Machine learning na área do petróleo: implementação de redes neurais para aprendizado de distribuições de probabilidade
Neis, Lucas Ribeiro
petróleo
redes neurais
distribuição de probabilidade
aprendizado de máquina
title_short Machine learning na área do petróleo: implementação de redes neurais para aprendizado de distribuições de probabilidade
title_full Machine learning na área do petróleo: implementação de redes neurais para aprendizado de distribuições de probabilidade
title_fullStr Machine learning na área do petróleo: implementação de redes neurais para aprendizado de distribuições de probabilidade
title_full_unstemmed Machine learning na área do petróleo: implementação de redes neurais para aprendizado de distribuições de probabilidade
title_sort Machine learning na área do petróleo: implementação de redes neurais para aprendizado de distribuições de probabilidade
author Neis, Lucas Ribeiro
author_facet Neis, Lucas Ribeiro
author_role author
dc.contributor.none.fl_str_mv Roisenberg, Mauro
Universidade Federal de Santa Catarina
dc.contributor.author.fl_str_mv Neis, Lucas Ribeiro
dc.subject.por.fl_str_mv petróleo
redes neurais
distribuição de probabilidade
aprendizado de máquina
topic petróleo
redes neurais
distribuição de probabilidade
aprendizado de máquina
description TCC(graduação) - Universidade Federal de Santa Catarina. Centro Tecnológico. Ciências da Computação.
publishDate 2019
dc.date.none.fl_str_mv 2019-12-10T22:17:29Z
2019-12-10T22:17:29Z
2019-11-18
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.uri.fl_str_mv https://repositorio.ufsc.br/handle/123456789/202726
url https://repositorio.ufsc.br/handle/123456789/202726
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.format.none.fl_str_mv 74
application/pdf
application/octet-stream
dc.publisher.none.fl_str_mv Florianópolis, SC.
publisher.none.fl_str_mv Florianópolis, SC.
dc.source.none.fl_str_mv reponame:Repositório Institucional da UFSC
instname:Universidade Federal de Santa Catarina (UFSC)
instacron:UFSC
instname_str Universidade Federal de Santa Catarina (UFSC)
instacron_str UFSC
institution UFSC
reponame_str Repositório Institucional da UFSC
collection Repositório Institucional da UFSC
repository.name.fl_str_mv Repositório Institucional da UFSC - Universidade Federal de Santa Catarina (UFSC)
repository.mail.fl_str_mv
_version_ 1808652217393086464

Registros relacionados