Avaliação da support vector machine na classificação de fácies no campo de Peregrino, Bacia de Campos-RJ, Brasil

Detalhes bibliográficos
Ano de defesa: 2017
Autor(a) principal: Caldato, Eduardo Bomfin, 1987-
Orientador(a): Não Informado pela instituição
Banca de defesa: Não Informado pela instituição
Tipo de documento: Dissertação
Tipo de acesso: Acesso aberto
Idioma: por
Instituição de defesa: [s.n.]
Programa de Pós-Graduação: Não Informado pela instituição
Departamento: Não Informado pela instituição
País: Não Informado pela instituição
Palavras-chave em Português:
Aprendizagem
Petrofísica
Campos, Bacia de (RJ)
Learning
Petrophysics
Campos, Basin (RJ)
Link de acesso: https://hdl.handle.net/20.500.12733/1632852
Resumo: Orientador: Fresia Soledad Ricardi-Branco
id UNICAMP-30_cdf7cc87f57515b90e91332cd2cad233
oai_identifier_str oai::991671
network_acronym_str UNICAMP-30
network_name_str Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP)
repository_id_str
spelling Avaliação da support vector machine na classificação de fácies no campo de Peregrino, Bacia de Campos-RJ, BrasilEvaluation of support vector machine to classify facies in Peregrino field, Bacia de Campos-RJ, BrazilAprendizagemPetrofísicaCampos, Bacia de (RJ)LearningPetrophysicsCampos, Basin (RJ)Orientador: Fresia Soledad Ricardi-BrancoDissertação (mestrado) - Universidade Estadual de Campinas, Instituto de GeociênciasResumo: Um considerável volume de informações pode ser obtido a partir das perfilagens geofísicas, tais como composição química, mineralogia, textura, porosidade além da identificação das zonas de acumulação de hidrocarbonetos. Para atingir uma interpretação confiável é necessária uma correta correlação entre os testemunhos de amostragem, amostras de laboratório e perfilagens geofísicas. Algoritmos de aprendizagem de máquina vêm sendo utilizados com o intuito de auxiliar o intérprete na tarefa de correlação entre as diferentes fontes de dados. O algoritmo da Support Vector Machine (SVM) tem aplicação em diversas áreas tais como a bioinformática, análise de imagens e categorização de textos. Os resultados obtidos até o momento mostram que o algoritmo pode atingir os mesmos ou melhores resultados que outras técnicas já em uso. A SVM foi desenvolvida por Vapnik e se baseia na Teoria da Aprendizagem Estatística (TAE). Tem como características a utilização de equações de kernel para amostras não lineares e o uso das margens de máxima separação para determinação do hiperplano canônico. Neste trabalho foi obtida uma classificação de eletrofácies com a SVM em dados oriundos do Campo de Peregrino na Bacia de Campos. Para avaliar a capacidade de classificação e predição de fácies do SVM, foram utilizados seis poços e suas respectivas leituras de perfilagem do poço, descrições petrográficas e dados laboratoriais. Foram testadas duas equações de Kernel, Linear e Radial Basis Function (RBF). O resultado foi comparado à outra técnica, KNN. Ambas as técnicas atingiram bons resultados tendo o SVM atingido taxa de acerto de 89% e o KNN com 70,8%. Com esse resultado o SVM se mostrou um confiável classificador para a utilização no campo de PeregrinoAbstract: Log curves generate a considerable amount of information like, chemistry composition, mineralogy, texture, porosity and even identify hydrocarbon accumulations. To obtain a reliable interpretation is important to do a correct correlation between the core log, the laboratory samples and the log curves. Machine learning algorithms help the interpreter on the job of correct correlation between different data sources. Many knowledge areas apply the Support Vector Machine (SVM) algorithm, e.g., bioinformatics, image analysis and texts categorization. The studies obtained show that the algorithm can achieve the same or better results of other techniques in use. Based on the Statistical Learning Theory, the SVM was proposed by Vapnik (1995). It¿s characterized by the presence of kernel equations for nonlinear samples and determination of hyperplane through maximum separation margins. In this work, an electrofacies classification obtained with SVM using data from the Peregrino field, Campos Basin. To evaluate the classification and prediction capacities of the SVM, we utilized six exploratory wells with log curves, petrographic descriptions and laboratorial analysis. Two kernel equations was utilized, the Linear and Radial Basis Function (RBF). The results were compared to another technique, KNN. Both algorithms achieved good results, with SVM scoring 89% and KNN with 70.8%. With this result the SVM algorithm showed to be a reliable classifier to be applied in the Peregrino FieldMestradoGeologia e Recursos NaturaisMestre em Geociências[s.n.]Ricardi-Branco, FresiaLeite, Emilson PereiraPortugal, Rodrigo de SouzaUniversidade Estadual de Campinas. Instituto de GeociênciasPrograma de Pós-Graduação em GeociênciasUNIVERSIDADE ESTADUAL DE CAMPINASCaldato, Eduardo Bomfin, 1987-20172017-11-06T00:00:00Zinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdf1 recurso online (59 p.) : il., digital, arquivo PDF.https://hdl.handle.net/20.500.12733/1632852CALDATO, Eduardo Bomfin. Avaliação da support vector machine na classificação de fácies no campo de Peregrino, Bacia de Campos-RJ, Brasil. 2017. 1 recurso online (59 p.) Dissertação (mestrado) - Universidade Estadual de Campinas, Instituto de Geociências, Campinas, SP. Disponível em: https://hdl.handle.net/20.500.12733/1632852. Acesso em: 26 abr. 2024.https://repositorio.unicamp.br/acervo/detalhe/991671Requisitos do sistema: Software para leitura de arquivo em PDFporreponame:Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP)instname:Universidade Estadual de Campinas (UNICAMP)instacron:UNICAMPinfo:eu-repo/semantics/openAccess2018-03-09T17:40:33Zoai::991671Biblioteca Digital de Teses e DissertaçõesPUBhttp://repositorio.unicamp.br/oai/tese/oai.aspsbubd@unicamp.bropendoar:2018-03-09T17:40:33Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP) - Universidade Estadual de Campinas (UNICAMP)false
dc.title.none.fl_str_mv Avaliação da support vector machine na classificação de fácies no campo de Peregrino, Bacia de Campos-RJ, Brasil
Evaluation of support vector machine to classify facies in Peregrino field, Bacia de Campos-RJ, Brazil
title Avaliação da support vector machine na classificação de fácies no campo de Peregrino, Bacia de Campos-RJ, Brasil
spellingShingle Avaliação da support vector machine na classificação de fácies no campo de Peregrino, Bacia de Campos-RJ, Brasil
Caldato, Eduardo Bomfin, 1987-
Aprendizagem
Petrofísica
Campos, Bacia de (RJ)
Learning
Petrophysics
Campos, Basin (RJ)
title_short Avaliação da support vector machine na classificação de fácies no campo de Peregrino, Bacia de Campos-RJ, Brasil
title_full Avaliação da support vector machine na classificação de fácies no campo de Peregrino, Bacia de Campos-RJ, Brasil
title_fullStr Avaliação da support vector machine na classificação de fácies no campo de Peregrino, Bacia de Campos-RJ, Brasil
title_full_unstemmed Avaliação da support vector machine na classificação de fácies no campo de Peregrino, Bacia de Campos-RJ, Brasil
title_sort Avaliação da support vector machine na classificação de fácies no campo de Peregrino, Bacia de Campos-RJ, Brasil
author Caldato, Eduardo Bomfin, 1987-
author_facet Caldato, Eduardo Bomfin, 1987-
author_role author
dc.contributor.none.fl_str_mv Ricardi-Branco, Fresia
Leite, Emilson Pereira
Portugal, Rodrigo de Souza
Universidade Estadual de Campinas. Instituto de Geociências
Programa de Pós-Graduação em Geociências
UNIVERSIDADE ESTADUAL DE CAMPINAS
dc.contributor.author.fl_str_mv Caldato, Eduardo Bomfin, 1987-
dc.subject.por.fl_str_mv Aprendizagem
Petrofísica
Campos, Bacia de (RJ)
Learning
Petrophysics
Campos, Basin (RJ)
topic Aprendizagem
Petrofísica
Campos, Bacia de (RJ)
Learning
Petrophysics
Campos, Basin (RJ)
description Orientador: Fresia Soledad Ricardi-Branco
publishDate 2017
dc.date.none.fl_str_mv 2017
2017-11-06T00:00:00Z
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv https://hdl.handle.net/20.500.12733/1632852
CALDATO, Eduardo Bomfin. Avaliação da support vector machine na classificação de fácies no campo de Peregrino, Bacia de Campos-RJ, Brasil. 2017. 1 recurso online (59 p.) Dissertação (mestrado) - Universidade Estadual de Campinas, Instituto de Geociências, Campinas, SP. Disponível em: https://hdl.handle.net/20.500.12733/1632852. Acesso em: 26 abr. 2024.
url https://hdl.handle.net/20.500.12733/1632852
identifier_str_mv CALDATO, Eduardo Bomfin. Avaliação da support vector machine na classificação de fácies no campo de Peregrino, Bacia de Campos-RJ, Brasil. 2017. 1 recurso online (59 p.) Dissertação (mestrado) - Universidade Estadual de Campinas, Instituto de Geociências, Campinas, SP. Disponível em: https://hdl.handle.net/20.500.12733/1632852. Acesso em: 26 abr. 2024.
dc.language.iso.fl_str_mv por
language por
dc.relation.none.fl_str_mv https://repositorio.unicamp.br/acervo/detalhe/991671
Requisitos do sistema: Software para leitura de arquivo em PDF
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
1 recurso online (59 p.) : il., digital, arquivo PDF.
dc.publisher.none.fl_str_mv [s.n.]
publisher.none.fl_str_mv [s.n.]
dc.source.none.fl_str_mv reponame:Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP)
instname:Universidade Estadual de Campinas (UNICAMP)
instacron:UNICAMP
instname_str Universidade Estadual de Campinas (UNICAMP)
instacron_str UNICAMP
institution UNICAMP
reponame_str Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP)
collection Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP)
repository.name.fl_str_mv Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP) - Universidade Estadual de Campinas (UNICAMP)
repository.mail.fl_str_mv sbubd@unicamp.br
_version_ 1797405492035715072

Registros relacionados