Redes neurais profundas aplicadas na análise litoestratigráfica sedimentar

Detalhes bibliográficos
Autor(a) principal: Santos, Daniel Theisges dos
Data de Publicação: 2022
Tipo de documento: Tese
Idioma: por
Título da fonte: Repositório Institucional da UFSC
Texto Completo: https://repositorio.ufsc.br/handle/123456789/247289
Resumo: Tese (doutorado) - Universidade Federal de Santa Catarina, Centro Tecnológico, Programa de Pós-Graduação em Ciência da Computação, Florianópolis, 2022.
id UFSC_ffef5d9fc7b4e592e623f19785a64583
oai_identifier_str oai:repositorio.ufsc.br:123456789/247289
network_acronym_str UFSC
network_name_str Repositório Institucional da UFSC
repository_id_str 2373
spelling Redes neurais profundas aplicadas na análise litoestratigráfica sedimentarComputaçãoLitofáciesRedes neurais (Computação)Tese (doutorado) - Universidade Federal de Santa Catarina, Centro Tecnológico, Programa de Pós-Graduação em Ciência da Computação, Florianópolis, 2022.A determinação de litofácies e da forma e extensão dos estratos são etapas importan- tes para a caracterização de reservatórios. No caso de afloramentos, onde as rochas estão expostas, o mapeamento e o acesso em afloramentos com ampla continuidade lateral e vertical pode ser difícil devido à sua posição geográfica. Quando as rochas não estão expostas utiliza-se perfis de poços, no entanto as curvas de perfil do poço nem sempre são suficientes para determinar a litologia, pois algumas vezes os sinais são semelhantes para diferentes litologias. Este trabalho tem por objetivo aplicar o estudo de arquiteturas de Deep Learning para identificar litofácies em imagens de afloramento capturadas por Veículo Aéreo Não-Tripulado (VANT) e identificar padrões de litofácies em perfis de poços. Para afloramentos, arquiteturas de Redes Neurais Convolucionais de Segmentação foram utilizadas para identificar automaticamente os estratos aflo- rastes em um conjunto de imagens VANT de afloramentos com sistemas turbidíticos do Grupo Itararé (Bacia do Paraná, Brasil). Já para perfis de poços, Redes Neurais Recorrentes foram utilizadas para aprender dependências de longo prazo entre etapas de tempo de dados de sequência e aplicadas em um conjunto de poços da Formação Rio Bonito (Bacia do Paraná, Brasil). Ambos os estudos mostraram bons desempenhos dos métodos propostos quando comparados a outros métodos tradicionais.Abstract: The determination of lithofacies and the shape and extent of the strata are important steps for the characterization of reservoirs. In the case of outcrops, where rocks are exposed, mapping and accessing outcrops with broad lateral and vertical continuity can be difficult due to their geographic position. When the rocks are not exposed, well logs are used, however the well log curves are not always sufficient to determine the lithology, as sometimes the signs are similar for different lithologies. This work aims to apply the study of Deep Learning architectures to identify lithofacies in outcrop images captured by Unmanned Aerial Vehicles (UAVs) and to identify lithofacies patterns in well logs. For outcrops, Segmentation Convolutional Neural Network architectures were used to automatically identify the outcrop strata in a set of UAV images of outcrops with turbidite systems from the Itararé Group (Paraná Basin, Brazil). For well profiles, Recurrent Neural Networks were used to learn long-term dependencies between time steps of sequence data and applied to a set of wells in the Rio Bonito Formation (Paraná Basin, Brazil). Both studies showed good performance of the proposed methods when compared to other traditional methods.Roisenberg, MauroNascimento, Marivaldo dos SantosUniversidade Federal de Santa CatarinaSantos, Daniel Theisges dos2023-06-28T18:24:23Z2023-06-28T18:24:23Z2022info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/doctoralThesis82 p.| il., gráfs.application/pdf380593https://repositorio.ufsc.br/handle/123456789/247289porreponame:Repositório Institucional da UFSCinstname:Universidade Federal de Santa Catarina (UFSC)instacron:UFSCinfo:eu-repo/semantics/openAccess2023-06-28T18:24:23Zoai:repositorio.ufsc.br:123456789/247289Repositório InstitucionalPUBhttp://150.162.242.35/oai/requestopendoar:23732023-06-28T18:24:23Repositório Institucional da UFSC - Universidade Federal de Santa Catarina (UFSC)false
dc.title.none.fl_str_mv Redes neurais profundas aplicadas na análise litoestratigráfica sedimentar
title Redes neurais profundas aplicadas na análise litoestratigráfica sedimentar
spellingShingle Redes neurais profundas aplicadas na análise litoestratigráfica sedimentar
Santos, Daniel Theisges dos
Computação
Litofácies
Redes neurais (Computação)
title_short Redes neurais profundas aplicadas na análise litoestratigráfica sedimentar
title_full Redes neurais profundas aplicadas na análise litoestratigráfica sedimentar
title_fullStr Redes neurais profundas aplicadas na análise litoestratigráfica sedimentar
title_full_unstemmed Redes neurais profundas aplicadas na análise litoestratigráfica sedimentar
title_sort Redes neurais profundas aplicadas na análise litoestratigráfica sedimentar
author Santos, Daniel Theisges dos
author_facet Santos, Daniel Theisges dos
author_role author
dc.contributor.none.fl_str_mv Roisenberg, Mauro
Nascimento, Marivaldo dos Santos
Universidade Federal de Santa Catarina
dc.contributor.author.fl_str_mv Santos, Daniel Theisges dos
dc.subject.por.fl_str_mv Computação
Litofácies
Redes neurais (Computação)
topic Computação
Litofácies
Redes neurais (Computação)
description Tese (doutorado) - Universidade Federal de Santa Catarina, Centro Tecnológico, Programa de Pós-Graduação em Ciência da Computação, Florianópolis, 2022.
publishDate 2022
dc.date.none.fl_str_mv 2022
2023-06-28T18:24:23Z
2023-06-28T18:24:23Z
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/doctoralThesis
format doctoralThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv 380593
https://repositorio.ufsc.br/handle/123456789/247289
identifier_str_mv 380593
url https://repositorio.ufsc.br/handle/123456789/247289
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 82 p.| il., gráfs.
application/pdf
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_ 1808652027248508928

Registros relacionados