[pt] A indústria de óleo e gás utiliza a sísmica para investigar a distribuição de tipos de rocha (facies) em subsuperfície. Por outro lado, apesar de seu corriqueiro uso em geociências, medidas sísmicas costumam ser ruidosas, e a inversão do dado sísmico para a distribuição de facies é um problema mal posto. Por esta razão, diversos autores estudam esta inversão sob o ponto de vista probabilístico, para ao menos estimar as incertezas da solução do problema inverso. O objetivo da presente dissertação é desenvolver método quantitativo para estimar a probabilidade de reservatório com hidrocarboneto, dado um traço sísmico de reflexão, integrando modelagem sísmica direta, e conhecimento geológico a priori. Utiliza-se, um dos métodos mais recentes para resolver o problema inverso: Modelo de Markov Oculto com Efeito Convolucional (mais especificamente, a Aproximação por Projeção de (1)). É demonstrado que o método pode ser reformulado em termos do Modelo de Markov Oculto (MMO) ordinário. A teoria de sísmica de AVA é apresentada, e usada conjuntamente com MMO com Efeito Convolucional para resolver a inversão de sísmica para facies. A técnica de inversão é avaliada usando-se medidas difundidas em Aprendizado de Máquina, em um conjunto de experimentos variados e realistas. Apresenta-se uma técnica para medir a capacidade do algoritmo em estimar valores confiáveis de probabilidade. Pelos testes realizados a aproximação por projeção apresenta distorções de probabilidade inferiores a 5 por cento, tornando-a uma técnica útil para a indústria de óleo e gás. / [en] Oil and Gas Industry uses seismic data in order to unravel the distribution of rock types (facies) in the subsurface. But, despite its widespread use, seismic data is noisy and the inversion from seismic data to the underlying rock distribution is an ill-posed problem. For this reason, many authors have studied the topic in a probabilistic formulation, in order to provide uncertainty estimations about the solution of the inversion problem. The objective of the present thesis is to develop a quantitative method to estimate the probability of hydrocarbon bearing reservoir, given a seismic reflection profile, and, to integrate geological prior knowledge with geophysical forward modelling. One of the newest methods for facies inversion is used: Convolved Hidden Markov Model (more specifically the Projection Approximation from (1)). It is demonstrated how Convolved HMM can be reformulated as an ordinary Hidden Markov Model problem (which models geological prior knowledge). Seismic AVA theory is introduced, and used with Convolved HMM theory to solve the seismic to facies problem. The performance of the inversion technique is measured with common machine learning scores, in a broad set of realistic experiments. The technique capability of estimating reliable probabilities is quantified, and it is shown to present distortions smaller than 5 percent. As a conclusion, the studied Projection Approximation is applicable for risk management in Oil and Gas applications, which integrates geological and geophysical knowledge.

[pt] O objetivo do planejamento da operação hidrotérmica de médio e longo prazo é definir as metas para geração de cada hidroelétrica e termelétrica, a fim de atender à carga ao menor custo esperado de operação e respeitando as restrições operacionais. Algoritmos de Programação Dinâmica Estocástica (PDE) e de Programação Dinâmica Dual Estocástica (PDDE) têm sido amplamente aplicados para determinar uma política operativa ideal o despacho hidrotérmico. Em ambas as abordagens a estocasticidade das afluências é comumente produzida por modelos periódicos autoregressivos de lag p - PAR(p), cuja estimativa dos parâmetros é baseada nos dados históricos disponíveis. Como os estimadores são funções de fenômenos aleatórios, além da incerteza sobre as vazões, também há incerteza sobre os parâmetros estatísticos, o que não é capturado no modelo PAR (p) padrão. A existência de incerteza nos parâmetros significa que há um risco de que a política da operação hidrotérmica planejada não será a ótima. O objetivo desta tese é apresentar uma metodologia para incorporar a incerteza dos parâmetros do modelo PAR (p) no problema de programação estocástica hidrotérmica. São apresentados estudos de caso ilustrando o impacto da incerteza dos parâmetros nos custos operativos do sistema e como uma política operativa que incorpore esta incerteza pode reduzir este impacto. / [en] The objective of the medium and long-term hydrothermal scheduling problem is to define operational target for each power plant in order to meet the load at the lowest expected cost and respecting the operational constraints. Stochastic Dynamic Programming (SDP) and Stochastic Dual Dynamic Programming (SDDP) algorithms have been widely applied to determine the optimal operating policy for the hydrothermal dispatch. In both approaches, the stochasticity of the inflows is usually produced by periodic auto-regressive models - PAR (p), whose parameters are estimated based on available historical data. As the estimators are a function of random phenomena, besides the inflows uncertainty there is statistical parameter uncertainty, which is not captured in the standard PAR (p) model. The existence of uncertainty in the parameters means that there is a risk that the hydrothermal operating policy will not be optimal. This thesis presents a methodology to incorporate the PAR(p) parameter uncertainty into stochastic hydrothermal scheduling and to assess the resulting impact on the computation of a hydro operations policy. Case studies are presented illustrating the impact of parameter uncertainty in the system operating costs and how an operating policy that incorporates this uncertainty can reduce this impact.