Banca de DEFESA: JOAO RAFAEL BARROSO SAMPAIO DA SILVEIRA
DATA: 24/01/2023HORA: 14:00
LOCAL: Online Google meet
TÍTULO: Semi-supervised regression clustering applied to S-wave log construction
PALAVRAS-CHAVES: Agrupamento, Regressão, Velocidade de onda-S, Geofísica de poço, Mínimos Quadrados, Support Vector Regression, Multilayer Perceptron (MLP), K-Means.
Medições de tempo de trânsito da onda de cisalhamento ou vagarosidade fornecem informações valiosas sobre reservas de hidrocarbonetos e são essenciais para melhorar a compreensão petrofísica de formações geológicas subterrâneas. Exceto para testes de laboratório, a disponibilidade de dados de ondas S de pers de poços e em escalas sísmicas é relativamente limitada. Portanto, novos métodos para obter indiretamente esse valor são cruciais. Uma solução para esse desao envolve o uso de aprendizado de máquina e "Deep learning", bem como modelos empíricos e inovação. Além disso, agrupar conjuntos de dados de pers de poço em grupos semelhantes, como aqueles com a mesma litologia, facilita a visualização de correlações que podem não ser imediatamente evidentes sem esse agrupamento; um método para fazer isso é por meio da clusterização, uma técnica de aprendizado de máquina não supervisionada. Combinando-o com métodos de regressão supervisionados, desenvolveu-se um algoritmo com um método semi-supervisionado que junta a clusterização com diferentes tipos de regressores para prever os valores de (DT S) em função de outros pers tais como: profundidade, sônico, porosidade neutrônica (φ) e densidade aparente (ρ), demonstrando que a aplicação de métodos de regressão a um conjunto agrupado de dados resulta em uma melhoria em relação aos que não são. A base de dados foi fornecida pelo campo Viking-Grab na Noruega e pelo campo Cambo no Reino Unido. Para validar os resultados, os valores previstos são comparados com os obtidos pela metodologia de regressão tradicional. Foram utilizados dois métodos de regressão linear (Least Squares (LSR) e Support Vector Regression (SRV) (com kernel linear) e dois não lineares (Support Vector Regression (SVR) com kernel "Radial basis function"(RBF) e Multi Perceptron-Layer ( MLP)). A aplicação da metodologia proposta mostrou melhoria consistente nos resultados, onde as medições realizadas pelo novo método proposto mostraram melhorias ignicativas para a previsão de registros de ondas S, não apenas em poços da mesma região de treinamento, mas também em poços fora da área de estudo.
MEMBROS DA BANCA:
Externo à Instituição - HERSON OLIVEIRA DA ROCHA (UFRA)
Presidente - JOSE JADSOM SAMPAIO DE FIGUEIREDO (UFPA)
Externo à Instituição - SUSANNE TAINA RAMALHO MACIEL (UnB)
Banca de DEFESA: FELIPE LOUZEIRO AZEVEDO
DATA: 24/03/2023HORA: 09:30
LOCAL: Online via Google meet (solicitar participação para Este endereço de email está sendo protegido de spambots. Você precisa do JavaScript ativado para vê-lo.)
TÍTULO: Inversão da forma de onda completa usando diferenciação automática
PALAVRAS-CHAVES: Inversão sísmica, FWI, diferenciação automática.
RESUMO:
Nesta dissertação, mostra-se que a diferenciação automática pode ser um método alternativo para validar a derivação do gradiente da função objetivo na inversão da forma de onda completa. A derivação do gradiente da função objetivo da inversão da forma de onda usa, tradicionalmente, o método dos estados adjunto. Essa abordagem precisa ser deduzida, implementada e validada sob supervisão humana para cada problema especı́fico. Isso pode ser dispendioso quando o problema direto envolve alta complexidade computacional e é uma fonte de erro comum na implementação da inversão do campo de onda. Desta forma, a diferenciação automática pode ser uma técnica atraente implementação da inversão, ou pelo menos para validação do cálculo do gradiente pelo método de estados adjuntos. Neste trabalho, deriva-se o gradiente da função objetivo de quadrados mı́nimos para inversão do registro do campo de onda acústico escalar utilizando os métodos dos estados adjuntos e diferenciação automática. Essas abordagens são validadas em modelos sintéticos e os resultados mostram que a diferenciação automática produz gradiente semelhante ao gradiente obtido pelo método dos estados adjunto, porém mostrando diferenças no custo computacional e na demanda de armazenamento. Além disso, destaca-se que as camadas de absorção precisam ser considerada durante o cálculo do gradiente usando a diferenciação automática. A execução serial da implementação do gradiente por diferenciação automática apresentou um custo computacional, aproximadamente, duas vezes e meia maior em relação ao custo requerido pelo método dos estados adjunto. O requerimento de memória para calcular o gradiente da função objetivo por diferenciação automática exigiu duas ordens de magnitude a mais do que a exigida pelo método dos estados adjunto.
MEMBROS DA BANCA:
Presidente - JESSE CARVALHO COSTA (UFPA)
Externo à Instituição - ANA PAULA OLIVEIRA MULLER (PETROBRAS)
Externo à Instituição - RICARDO CAETANO AZEVEDO BILOTI (UNICAMP)