Desenvolvimento de algoritmos para geração de modelos geoestatísticos usando aprendizado de máquina e computação de alta-performance

• Autor(a) principal: Machado, Péricles Lopes
• Data de Publicação: 2022
• Tipo de documento: Tese
• Idioma: por
• Título da fonte: Biblioteca Digital de Teses e Dissertações da UFRGS
• Texto Completo: http://hdl.handle.net/10183/249828
• topic: Simulação geoestatística; Otimização matemática; Aprendizado de máquina; Processamento de alto desempenho; Geostatistical simulation; Spectral methods; Machine learning; Cross validation; Optimization

A evolução na capacidade de processamento dos computadores viabilizou a implementação de algoritmos de simulação geoestatística. Por meio da simulação, é possível criar uma realização de uma função aleatória com as mesmas características estatísticas dos dados amostrais. Como, na prática, é necessária a geração de várias realizações, esse processo pode ser custoso computacionalmente. Principalmente, se a grade-alvo contiver muitas células. Por isso, nesse trabalho, estuda-se os métodos de simulação espectral (Bandas Rotatórias e Método Integral de Fourier) como alternativa ao algoritmo de Simulação Sequencial Gaussiana (SSG). Os métodos de simulação espectral eliminam a necessidade de um caminho aleatório no processo de geração da realização de uma função aleatória. Isso torna esses algoritmos extremamente amigáveis à aplicação de técnicas de paralelização e computação distribuída. Além disso, o esforço computacional necessário é significativamente reduzido. Conforme é mostrado nesse trabalho, a simulação espectral permite ganhos significativos de performance sem prejuízo na qualidade das realizações geradas. Além da utilização dos métodos espectrais como alternativa de alta performance à simulação geoestatística, são estudadas técnicas de otimização matemática para obtenção de modelos de covariância. Baseada na Busca Tabu, é construído um algoritmo para computação automática do modelo de covariância. Também, inspirado em técnicas de validação cruzada, como Jackknife e K-Fold, é construído um algoritmo de simulação chamado Ensemble Simulation. O algoritmo proposto utiliza otimização matemática para encontrar o modelo de covariância mais adequado para uma vizinhança, com uma função objetivo construída a partir do erro de validação. Portanto, por meio da otimização e do Ensemble Simulation é desenvolvido um modo de simular a função aleatória sem explicitamente definir um modelo de covariância. Tendo em vista que a modelagem manual do modelo de covariância é a tarefa mais dispendiosa do fluxo de trabalho da simulação geoestatística, essas técnicas permitem a automatização do processo. Em suma, nesse trabalho, são estudadas técnicas que viabilizam a automatização e melhoria da performance da simulação geoestatística e os resultados demonstram sua utilidade.