Submitted by Renata Lopes (renatasil82@gmail.com) on 2017-03-03T18:03:20Z
No. of bitstreams: 1
camilamartinssaporetti.pdf: 9003270 bytes, checksum: e53ab03d47e88504332820b3ae1956a3 (MD5) / Approved for entry into archive by Adriana Oliveira (adriana.oliveira@ufjf.edu.br) on 2017-03-06T20:17:46Z (GMT) No. of bitstreams: 1
camilamartinssaporetti.pdf: 9003270 bytes, checksum: e53ab03d47e88504332820b3ae1956a3 (MD5) / Made available in DSpace on 2017-03-06T20:17:46Z (GMT). No. of bitstreams: 1
camilamartinssaporetti.pdf: 9003270 bytes, checksum: e53ab03d47e88504332820b3ae1956a3 (MD5)
Previous issue date: 2016-02-22 / CAPES - Coordenação de Aperfeiçoamento de Pessoal de Nível Superior / Modelos preditivos de distribuição de heterogeneidades e qualidade em reservatórios
de hidrocarbonetos são de fundamental importância para exploração e otimização da
produção de campos de óleo e gás. As heterogeneidades são determinadas através
das distintas petrofácies sedimentares, um conjunto de características petrográficas que
especificam um grupo de rochas. O procedimento de identificar petrofácies geralmente
é longo, o que faz com que a automatização seja necessária para agilizar o processo, e
assim a análise seja concluída rapidamente. Recentemente, técnicas oriundas da área
de inteligência computacional têm sido usadas para auxiliar na tomada de decisões
de especialistas em diversos problemas de Geociências. O objetivo desta dissertação
é avaliar o desempenho de diferentes técnicas baseadas em inteligência computacional
para prever a classificação de amostras petrográficas pertencentes a uma mesma bacia
sedimentar e propor o uso delas nesse tipo de problema. Para isso, desenvolveu-se um
framework computacional para classificar petrofácies de acordo com seus constituintes.
Os dados analisados são provenientes de três fontes distintas. A primeira base de
dados é formada por amostras da região de Tibagi (PR) e a segunda da região
de Dom Aquino (MS). Tais amostras são referentes a uma unidade litoestratigráfica
formalizada na Bacia do Paraná como Membro Tibagi. A terceira é a junção das duas
bases anteriores. A quarta por amostras do membro Mucuri da Bacia Sedimentar do
Espírito Santo. A metodologia proposta envolve o uso de métodos de classificação,
técnicas de validação cruzada, redução de dimensionalidade, seleção de características
e o emprego de assembleia de constituintes. Os parâmetros envolvidos no ajuste
dos métodos foram determinados por um processo de busca exaustiva com validação
cruzada, e métricas de classificação adequadas foram usadas para avaliar e comparar
os resultados. A metodologia apresentada, além de avaliar o desempenho de diversas
técnicas de inteligência computacional, surge como uma alternativa para auxiliar o
geólogo/especialista na determinação e caracterização das petrofácies, contribuindo para
a redução do esforço no processo manual de individualização. / Predictive models of heterogeneities distribution and quality in hydrocarbon reservoirs
are of fundamental importance for exploration and production optimization of oil and
gas fields. The heterogeneities are determined by the different sedimentary petrofacies,
a set of petrographic characteristics that specifies a group of rocks. The identification
and classification of petrofacies is usually a time consuming procedure, and the use of
computational methods can reduce the time and effort spent in the analysis. Recently,
techniques derived from the computational intelligence research area have been used to
assist in making decisions experts in several problems in Geosciences. The purpose of this
dissertation is evaluating the performance of different techniques based on computational
intelligence to predict the classification of petrographic samples belonging to the same
sedimentary basin. A computational framework was developed to classify petrofacies
according to their constituents. The data was collected from three different sources.
The first database is formed by thin sections of Tibagi region (PR). The second by thin
sections of Dom Aquino region (MS). Such thin sections are for a lithostratigraphic unit
formalized in the Paraná Basin as Member Tibagi. The third by thin sections from
the two previous databases. The fourth database is a set of thin sections from Mucuri
member of the Espírito Santo sedimentary basin. The proposed method involves the use
of classifiers, cross validation, dimensionality reduction, feature selection and the use of
ensemble of constituents. The parameters involved in adjusting methods were determined
by an exhaustive search procedure with cross-validation and classification metrics were
used to evaluate and compare the results. The presented methodology evaluates the
performance of several computational intelligence techniques, and arises as an alternative
to assist the geologist in the determination and characterization of petrofacies, helping to
reduce the effort in the process of individualization.
| Identifer | oai:union.ndltd.org:IBICT/oai:hermes.cpd.ufjf.br:ufjf/3542 |
| Date | 22 February 2016 |
| Creators | Saporetti, Camila Martins |
| Contributors | Fonseca, Leonardo Goliatt da, Pereira, Egberto, Ade, Marcus Vinicius Berao, Bernardino, Heder Soares |
| Publisher | Universidade Federal de Juiz de Fora (UFJF), Programa de Pós-graduação em Modelagem Computacional, UFJF, Brasil, ICE – Instituto de Ciências Exatas |
| Source Sets | IBICT Brazilian ETDs |
| Language | Portuguese |
| Detected Language | Portuguese |
| Type | info:eu-repo/semantics/publishedVersion, info:eu-repo/semantics/masterThesis |
| Source | reponame:Repositório Institucional da UFJF, instname:Universidade Federal de Juiz de Fora, instacron:UFJF |
| Rights | info:eu-repo/semantics/openAccess |
Page generated in 0.0017 seconds