Gradient boosting para a classificação de fácies utilizando perfis de poços (2020)
- Authors:
- USP affiliated author: MATOS JUNIOR, CANDIDO - IGC
- School: IGC
- Subjects: APRENDIZADO COMPUTACIONAL; FÁCIES
- Language: Português
- Abstract: Aprendizado de Máquina ou ‘’Machine Learning’’ é uma ferramenta bastante utilizada no momento, por estatísticos e cientistas de dados para ajudar a análise de um número elevado de dados, além de pertencer a uma subárea do campo da Inteligência Artificial, que consiste em grande parte em fazer predições por reconhecimento de padrões nos dados de atributos ou features através do uso de métodos de aprendizado estatístico e computacional. Geocientistas estão utilizando Aprendizado de Máquina combinado aos diferentes processos e métodos de interpretação e uma das aplicações é a classificação de fácies, sendo crucial para interpretação de perfis de poços, visto que rochas diferentes têm permeabilidade e saturação de fluido distintos para uma dada porosidade. A finalidade deste trabalho, com levantamento bibliográfico, é mostrar esta ferramenta computacional como um mecanismo agregador ao desenvolvimento da área de geociências, discutindo a forma como ela pode atuar desde a análise de dados até a interpretação de resultados no reconhecimento de padrões, mostrar a relação de comportamento de um conceito geológico descritivo interpretativo, como fácies, com a performance de um algoritmo de Aprendizado de Máquina, a verificar quanto às técnicas computacionais podem auxiliar o conhecimento geológico. O estudo pretende mostrar a importância do tratamento dos dados brutos e seus métodos aplicados, bem como os processos necessários para definir um modelo preditivo de classificação de fácies. O conjunto de dados de perfis de poços deste localizados no sudoeste do estado do Kansas, nos Estados Unidos, denominado Panoma Field. O processamento dos dados brutos e aplicação de feature engineering melhoraram os resultados de acurácia e o algoritmo Gradient Boosting desempenhou de forma satisfatória, sempre verificando os métodos de otimização dos hiperparâmetros para produzir melhores resultados. Aaplicação do modelo otimizado aos dados de teste obteve poços preditivos muito próximos aos dados reais, alcançando uma acurácia de 0,63, e quando se considera as fácies adjacentes este valor chega a 0,93.
- Imprenta:
-
ABNT
MATOS JÚNIOR, Candido. Gradient boosting para a classificação de fácies utilizando perfis de poços. 2020. Trabalho de Conclusão de Curso (Graduação) – Instituto de Geociências, Universidade de São Paulo, São Paulo, 2020. Disponível em: https://bdta.abcd.usp.br/directbitstream/9d614e78-89e7-4428-899c-4cbe15c41a38/Matos%20Junior%2CC_Gradient%20boosting.pdf. Acesso em: 19 maio 2024. -
APA
Matos Júnior, C. (2020). Gradient boosting para a classificação de fácies utilizando perfis de poços (Trabalho de Conclusão de Curso (Graduação). Instituto de Geociências, Universidade de São Paulo, São Paulo. Recuperado de https://bdta.abcd.usp.br/directbitstream/9d614e78-89e7-4428-899c-4cbe15c41a38/Matos%20Junior%2CC_Gradient%20boosting.pdf -
NLM
Matos Júnior C. Gradient boosting para a classificação de fácies utilizando perfis de poços [Internet]. 2020 ;[citado 2024 maio 19 ] Available from: https://bdta.abcd.usp.br/directbitstream/9d614e78-89e7-4428-899c-4cbe15c41a38/Matos%20Junior%2CC_Gradient%20boosting.pdf -
Vancouver
Matos Júnior C. Gradient boosting para a classificação de fácies utilizando perfis de poços [Internet]. 2020 ;[citado 2024 maio 19 ] Available from: https://bdta.abcd.usp.br/directbitstream/9d614e78-89e7-4428-899c-4cbe15c41a38/Matos%20Junior%2CC_Gradient%20boosting.pdf
Download do texto completo
| Tipo | Nome | Link | |
|---|---|---|---|
 |
Matos Junior,C_Gradient b... | Direct link |
How to cite
A citação é gerada automaticamente e pode não estar totalmente de acordo com as normas
