Orientadores: Pedro Jose Iunes, Julio Cesar Hadler Neto / Tese (doutorado) - Universidade Estadual de Campinas, Instituto de Fisica Gleb Wataghin / Made available in DSpace on 2018-08-10T04:22:14Z (GMT). No. of bitstreams: 1 Moreira_PedroAugustoFrancoPinheiro_D.pdf: 1517543 bytes, checksum: 91ec16c076345cdfaec5e3c787cd13e2 (MD5) Previous issue date: 2008 / Resumo: Nesta tese estudou-se de forma geral sobre o annealing de traços de fissão em apatita, visando principalmente aplicações práticas da Termocronologia por Traços de Fissão. Para isso obteve se um conjunto de dados que possibilitasse que medidas de campo pudessem ser feitas em faces sem orientação cristalográfica preferencial, porque isso permite que seja considerado um número maior de traços fósseis nas "medidas de campo". Neste conjunto o amplo espectro de concentração de cloro encontrado nas apatitas naturais foi refletido, utilizando-se os extremos das concentrações de cloro (0,01 e 5 %), procurando-se incluir apatitas brasileiras. Outra característica marcante do presente conjunto foi à determinação das densidades de traços concomitantemente às medidas de comprimento. Para a escolha dos tratamentos térmicos para a confecção do conjunto, foi desenvolvida uma metodologia baseada em um algoritmo estatístico que foi aplicado a equações cinéticas com dados de annealing já estabelecidos antes dos dados apresentados neste trabalho. Cada amostra deste conjunto de dados de annealing foi submetida a dois ataques químicos diferentes: (1) durante 20 s em 5 M de HNO3 a 20° C e; (2) durante 45 s em 1,5 M de HNO3 a 20° C. Assim, comparou-se os efeitos destes dois ataques químicos em amostras que sofreram diferentes tratamentos térmicos. Os resultados indicaram que os comprimentos de traços encurtados pelo annealing não são influenciados por diferenças na concentração dos ataques padrões. Os tempos ótimos para a realização dos ataques foram estabelecidos através de três curvas de ataques químicos. A partir da interpretação dessas curvas desenvolveu-se um modelo cinético de ataque químico que descreve bem os dados apresentados nesta tese e baseia nos mesmos princípios do modelo cinético de annealing, que foi desenvolvido pelo Grupo de Cronologia da UNICAMP e contou com a colaboração deste autor. Este modelo de annealing foi ajustado aos dados de Carlson et al. (1999) permitindo compará-los com os dados aqui apresentado. No presente trabalho os resultados foram obtidos em faces sem orientação cristalográfica preferencial (onde foram medidos tanto traços-em-traços como traços em fraturas) e os resultados de Carlson et al. (1999) foram obtidos em faces prismáticas (onde foram medidos apenas traços-em-traços). Não houve sistematicidade na posiçao dos pontos obtidos neste trabalho com relação às curvas justadas aos dados de Carlson et al. (1999), porém, apontou uma dispersão relativamente grande deles em relação aos seus respectivos ajustes. Essa dispersão foi atribuída à anisotropia de ataque químico levando-se em conta que em faces cristalográficas sem orientação preferencial existem mais traços que podem ser confundidos com defeitos do que em faces prismáticas. Os resultados de uma forma geral indicam que medidas feitas em faces sem orientação cristalográfica preferencial (com traços-em-traços e traços em fraturas) podem ser consideradas em medidas de campo sem alterar de forma significativa as histórias térmicas, desde que os comprimentos reduzidos sejam maiores que 0,65 / Abstract: In this thesis the fission track annealing in apatite was studied in a general way, considering mainly practical applications of Fission Track Termochronology. A data set that allows the use of randomly oriented grains was done, because a greater number of fossil tracks could be considered in the "field measures". Apatites with a broad chlorine spectrum (0.01 and 5%) in their compositions were used and it was included Brazilian apatites. Density measures were determinated together with length ones in this data set. The heat treatments used in this data set was chosen through a methodology was developed based on a statistical algorithm. This algorithm has been applied to kinetic equations fitted for another annealing data set established before the presented one in this work. The data set two was done with two different chemical etching for each sample: (1) for 20 s at 5 M of HNO3 at 20° C and, (2) for 45 s at 1.5 M of HNO3 at 20° C. Thus, it was possible to compare effects of these two etchings in samples which suffered different heat treatments. The results indicated that annealing length data sets are not influenced by differences in the standard chemical concentration of these etchings. The optimal etching times were established through three etching paths. From the interpretation of these paths, it was developed a chemical etching kinetic model that describes well the data presented here. This model is based on the same principles as the annealing kinetic model which was elaborated by the Group of Chronology that counted with the collaboration of the author of this thesis. This annealing model allowed the comparison between the data presented here and the data set by Carlson et al. (1999) through the fit of this model in the set of Carlson. The results of this thesis were obtained in randomly oriented grains where were measured track-in-track and track-in-cleavage and results of Carlson et al. (1999) were obtained in prismatic faces in which were measured only track-in-track. The comparison between the results showed that there is no tendency in position of the points obtained from this work. However, there is a dispersion of them in relation to their respective fits relatively large. This dispersion has been attributed to etching anisotropy taking into account that tracks in randomly oriented grains can be easier confused with defects than in prismatic faces. The results in general show that measures made in randomly oriented grains (with track- in-track and track-in-cleavage) may be considered field measures without changing the thermal histories in significant way, provided that the reduced lengths are greater than 0.65 / Doutorado / Física Nuclear / Doutor em Ciências

[pt] As técnicas de aprendizado profundo têm mostrado contribuições significativas em vários campos, incluindo a análise de imagens. A grande maioria dos trabalhos em visão computacional concentra-se em propor e aplicar novos modelos e algoritmos de aprendizado de máquina. Para tarefas de aprendizado supervisionado, o desempenho dessas técnicas depende de uma grande quantidade de dados de treinamento, bem como de dados rotulados. No entanto, a rotulagem é um processo caro e demorado. Uma recente área de exploração são as reduções dos esforços na preparação de dados, deixando-os sem inconsistências, ruídos, para que os modelos atuais possam obter um maior desempenho. Esse novo campo de estudo é chamado de Data-Centric IA. Apresentamos uma nova abordagem baseada em Deep Reinforcement Learning (DRL), cujo trabalho é voltado para a preparação de um conjunto de dados em problemas de detecção de objetos, onde as anotações de caixas delimitadoras são feitas de modo autônomo e econômico. Nossa abordagem consiste na criação de uma metodologia para treinamento de um agente virtual a fim de rotular automaticamente os dados, a partir do auxílio humano como professor desse agente. Implementamos o algoritmo Deep Q-Network para criar o agente virtual e desenvolvemos uma abordagem de aconselhamento para facilitar a comunicação do humano professor com o agente virtual estudante. Para completar nossa implementação, utilizamos o método de aprendizado ativo para selecionar casos onde o agente possui uma maior incerteza, necessitando da intervenção humana no processo de anotação durante o treinamento. Nossa abordagem foi avaliada e comparada com outros métodos de aprendizado por reforço e interação humano-computador, em diversos conjuntos de dados, onde o agente virtual precisou criar novas anotações na forma de caixas delimitadoras. Os resultados mostram que o emprego da nossa metodologia impacta positivamente para obtenção de novas anotações a partir de um conjunto de dados com rótulos escassos, superando métodos existentes. Desse modo, apresentamos a contribuição no campo de Data-Centric IA, com o desenvolvimento de uma metodologia de ensino para criação de uma abordagem autônoma com aconselhamento humano para criar anotações econômicas a partir de anotações escassas. / [en] Deep learning techniques have shown significant contributions in various fields, including image analysis. The vast majority of work in computer vision focuses on proposing and applying new machine learning models and algorithms. For supervised learning tasks, the performance of these techniques depends on a large amount of training data and labeled data. However, labeling is an expensive and time-consuming process. A recent area of exploration is the reduction of efforts in data preparation, leaving it without inconsistencies and noise so that current models can obtain greater performance. This new field of study is called Data-Centric AI. We present a new approach based on Deep Reinforcement Learning (DRL), whose work is focused on preparing a dataset, in object detection problems where the bounding box annotations are done autonomously and economically. Our approach consists of creating a methodology for training a virtual agent in order to automatically label the data, using human assistance as a teacher of this agent. We implemented the Deep Q-Network algorithm to create the virtual agent and developed a counseling approach to facilitate the communication of the human teacher with the virtual agent student. We used the active learning method to select cases where the agent has more significant uncertainty, requiring human intervention in the annotation process during training to complete our implementation. Our approach was evaluated and compared with other reinforcement learning methods and human-computer interaction in different datasets, where the virtual agent had to create new annotations in the form of bounding boxes. The results show that the use of our methodology has a positive impact on obtaining new annotations from a dataset with scarce labels, surpassing existing methods. In this way, we present the contribution in the field of Data-Centric AI, with the development of a teaching methodology to create an autonomous approach with human advice to create economic annotations from scarce annotations.

[pt] A interpretação de imagens sísmicas é uma tarefa essencial em diversas áreas das geociências, sendo um método amplamente utilizado na exploração de hidrocarbonetos. Porém, sua interpretação exige um investimento significativo de recursos, e nem sempre é possível obter um resultado satisfatório. A literatura mostra um número crescente de métodos de Deep Learning, DL, para detecção de horizontes, falhas e potenciais reservatórios de hidrocarbonetos, porém, os modelos para detecção de reservatórios de gás apresentam dificuldades de desempenho de generalização, ou seja, o desempenho fica comprometido quando utilizados em imagens sísmicas de novas explorações campanhas. Este problema é especialmente verdadeiro para levantamentos terrestres 2D, onde o processo de aquisição varia e as imagens apresentam muito ruído. Este trabalho apresenta três métodos para melhorar o desempenho de generalização de modelos DL de indicação de gás natural em imagens sísmicas 2D, para esta tarefa são utilizadas abordagens provenientes de Machine Learning, ML e DL. A pesquisa concentra-se na análise de dados para reconhecer padrões nas imagens sísmicas para permitir a seleção de conjuntos de treinamento para o modelo de inferência de gás com base em padrões nas imagens alvo. Esta abordagem permite uma melhor generalização do desempenho sem alterar a arquitetura do modelo DL de inferência de gás ou transformar os traços sísmicos originais. Os experimentos foram realizados utilizando o banco de dados de diferentes campos de exploração localizados na bacia do Parnaíba, no Nordeste do Brasil. Os resultados mostram um aumento de até 39 por cento na indicação correta do gás natural de acordo com a métrica de recall. Esta melhoria varia em cada campo e depende do método proposto utilizado e da existência de padrões representativos dentro do conjunto de treinamento de imagens sísmicas. Estes resultados concluem com uma melhoria no desempenho de generalização do modelo de inferência de gases DL que varia até 21 por cento de acordo com a pontuação F1 e até 15 por cento de acordo com a métrica IoU. Estes resultados demonstram que é possível encontrar padrões dentro das imagens sísmicas usando uma abordagem não supervisionada, e estas podem ser usadas para recomendar o conjunto de treinamento DL de acordo com o padrão na imagem sísmica alvo; Além disso, demonstra que o conjunto de treinamento afeta diretamente o desempenho de generalização do modelo DL para imagens sísmicas. / [en] Interpreting seismic images is an essential task in diverse fields of geosciences, and it s a widely used method in hydrocarbon exploration. However, its interpretation requires a significant investment of resources, and obtaining a satisfactory result is not always possible. The literature shows an increasing number of Deep Learning, DL, methods to detect horizons, faults, and potential hydrocarbon reservoirs, nevertheless, the models to detect gas reservoirs present generalization performance difficulties, i.e., performance is compromised when used in seismic images from new exploration campaigns. This problem is especially true for 2D land surveys where the acquisition process varies, and the images are very noisy. This work presents three methods to improve the generalization performance of DL models of natural gas indication in 2D seismic images, for this task, approaches that come from Machine Learning, ML, and DL are used. The research focuses on data analysis to recognize patterns within the seismic images to enable the selection of training sets for the gas inference model based on patterns in the target images. This approach allows a better generalization of performance without altering the architecture of the gas inference DL model or transforming the original seismic traces. The experiments were carried out using the database of different exploitation fields located in the Parnaíba basin, in northeastern Brazil. The results show an increase of up to 39 percent in the correct indication of natural gas according to the recall metric. This improvement varies in each field and depends on the proposed method used and the existence of representative patterns within the training set of seismic images. These results conclude with an improvement in the generalization performance of the DL gas inference model that varies up to 21 percent according to the F1 score and up to 15 percent according to the IoU metric. These results demonstrate that it is possible to find patterns within the seismic images using an unsupervised approach, and these can be used to recommend the DL training set according to the pattern in the target seismic image; Furthermore, it demonstrates that the training set directly affects the generalization performance of the DL model for seismic images.