Redes neurais artificiais: uma aplicação em petrofísica e estudo dos efeitos de estímulos persistentes

• Ano de defesa: 2007
• Autor(a) principal: Vieira, Vinícius Manzoni
• Orientador(a): Silva, Crisógono Rodrigues da
• Banca de defesa: Campos, Paulo Roberto de Araújo
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Federal de Alagoas
• Programa de Pós-Graduação: Programa de Pós-Graduação em Física
• País: Brasil
• Palavras-chave em Português: Redes nuerais (Computação); Petrofísica; Hopfield, Modelo de; Estímulos persistentes; Nueral networks (Computing); Petrophysics; Hopfield, Model of; Persistent stimuli
• Área do conhecimento CNPq: CNPQ::CIENCIAS EXATAS E DA TERRA::FISICA
• Link de acesso: http://www.repositorio.ufal.br/handle/riufal/4763

As redes neurais artificiais (RNAs) são dispositivos matemáticos e computacionais, que procuram simular alguns dos comportamentos das redes neurais biológicas. Neste trabalho, primeiramente apresentamos uma visão geral sobre as redes neurais, mostrando uma aplicação de uma rede do tipo perceptron de múltiplas camadas para a estimativa de parâmetros petrofísicos. Em seguida, estudamos analiticamente e através de simulações numéricas, o comportamento do modelo de Hopfield para em seguida introduzir na dinâmica do sistema um campo que simula o efeito de um estímulo persistente que privilegia determinado padrão armazenado na rede. Para o modelo de Hopfiled na presença deste campo, primeiramente apresentamos uma visão geral do efeito do campo na presença de assimetria e diluição nas conexões sinápticas. Em seguida, utilizando uma aproximação de campo médio, obtivemos um conjunto de equações acopladas para os parâmetros de ordem m e q em função dos parâmetros h (que simula o estímulo persistente), “alfa” (capacidade de armazenamento da rede) e T (ruído estocástico), para o modelo numa rede completamente conectada e com conexões simétricas. Analisamos as propriedades da rede quanto `a habilidade de reconhecimento e capacidade de armazenamento, obtendo o diagrama de fases “alfa” xT para o modelo mostrando a dependência das transições com o valor de h. Para o caso determinístico (T = 0), realizamos simulações numéricas, onde desenvolvemos e aprimoramos um algoritmo computacional utilizando a técnica de multi-spin coding, e mostramos a boa concordância apresentada pelos resultados quando comparados aos resultados obtidos analiticamente. Todos os resultados apontam para um crescimento da capacidade de reconhecimento com o aumento do parâmetro h que controla a intensidade do estímulo persistente.