Classificação de Fácies Sísmicas por Redes Neurais Convolucionais

Detalhes bibliográficos
Ano de defesa: 2019
Autor(a) principal: Guazzelli, Arthur
Orientador(a): Roisenberg, Mauro
Banca de defesa: Não Informado pela instituição
Tipo de documento: Tese
Tipo de acesso: Acesso aberto
Idioma: por
Instituição de defesa: Florianópolis, SC.
Programa de Pós-Graduação: Não Informado pela instituição
Departamento: Não Informado pela instituição
País: Não Informado pela instituição
Palavras-chave em Português:
fácies sísmicas
classificação
redes convolucionais
deep learning
Link de acesso: https://repositorio.ufsc.br/handle/123456789/202732
Resumo: TCC(graduação) - Universidade Federal de Santa Catarina. Centro Tecnológico. Ciências da Computação.
id UFSC_0cbd4656dcc7986dd6699d1f9412909c
oai_identifier_str oai:repositorio.ufsc.br:123456789/202732
network_acronym_str UFSC
network_name_str Repositório Institucional da UFSC
repository_id_str
spelling Universidade Federal de Santa CatarinaGuazzelli, ArthurRoisenberg, Mauro2019-12-10T22:29:18Z2019-12-10T22:29:18Z2019-11-21https://repositorio.ufsc.br/handle/123456789/202732TCC(graduação) - Universidade Federal de Santa Catarina. Centro Tecnológico. Ciências da Computação.Avanços tecnológicos no processo de caracterização de reservatórios de petróleo e gás como a sísmica 3D e atributos sísmicos enriqueceram a descrição da subsuperfície realizada por especialistas. No entanto, a análise dessa grande quantidade de dados se tornou uma tarefa complexa. Como objetivo, este trabalho explora o uso de redes convolucionais na classificação de fácies sísmicas, uma das etapas que compõem a caracterização de reservatórios. Através de um método de amostragem que captura as informações espaciais dos dados sísmicos, os modelos gerados foram aplicados em dados sintéticos do reservatório Stanford VI-E e em um \textit{benchmark} baseado no bloco F3, parte de um reservatório real. Comparando-se com outros modelos avaliados no mesmo conjunto de dados, as redes classificadoras produzidas neste trabalho obtiveram resultados similares, passando de $90\%$ de acurácia na classificação de algumas fácies sísmicas. Apresentando também flexibilidade para o uso prático destes modelos.Technological advances in oil and gas reservoir characterization such as 3D seismics and seismic attributes enriched the subsurface's description made by specialists. Nevertheless, the analysis of this now huge volume of data became a complex task. This work explores the use of convolutional neural networks for seismic facies classification, one of the steps of reservoir characterization. Through a sampling method that captures spacial information of seismic data, the models produced were applied in both synthetic data of the Stanford VI-E reservoir and in a benchmark based on the F3 block, which is part of a real reservoir. Compared to other models in the same benchmark, the classifiers produced here had similar results, with over $90\%$ class accuracy on some instances. The sampling method is also flexible to use in practical cases.67porFlorianópolis, SC.fácies sísmicasclassificaçãoredes convolucionaisdeep learningClassificação de Fácies Sísmicas por Redes Neurais Convolucionaisinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/doctoralThesisinfo:eu-repo/semantics/openAccessreponame:Repositório Institucional da UFSCinstname:Universidade Federal de Santa Catarina (UFSC)instacron:UFSCLICENSElicense.txtlicense.txttext/plain; charset=utf-81383https://repositorio.ufsc.br/bitstream/123456789/202732/2/license.txt11ee89cd31d893362820eab7c4d46734MD52ORIGINALMonografia_Arthur_Guazzelli (1).pdfMonografia_Arthur_Guazzelli (1).pdfapplication/pdf14496955https://repositorio.ufsc.br/bitstream/123456789/202732/1/Monografia_Arthur_Guazzelli%20%281%29.pdf6047d9f37c4ac180c8263f2c98ee6798MD51123456789/2027322019-12-10 19:29:18.562oai:repositorio.ufsc.br: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ório InstitucionalPUBhttp://150.162.242.35/oai/requestsandra.sobrera@ufsc.bropendoar:23732019-12-10T22:29:18Repositório Institucional da UFSC - Universidade Federal de Santa Catarina (UFSC)false
dc.title.pt_BR.fl_str_mv Classificação de Fácies Sísmicas por Redes Neurais Convolucionais
title Classificação de Fácies Sísmicas por Redes Neurais Convolucionais
spellingShingle Classificação de Fácies Sísmicas por Redes Neurais Convolucionais
Guazzelli, Arthur
fácies sísmicas
classificação
redes convolucionais
deep learning
title_short Classificação de Fácies Sísmicas por Redes Neurais Convolucionais
title_full Classificação de Fácies Sísmicas por Redes Neurais Convolucionais
title_fullStr Classificação de Fácies Sísmicas por Redes Neurais Convolucionais
title_full_unstemmed Classificação de Fácies Sísmicas por Redes Neurais Convolucionais
title_sort Classificação de Fácies Sísmicas por Redes Neurais Convolucionais
author Guazzelli, Arthur
author_facet Guazzelli, Arthur
author_role author
dc.contributor.pt_BR.fl_str_mv Universidade Federal de Santa Catarina
dc.contributor.author.fl_str_mv Guazzelli, Arthur
dc.contributor.advisor1.fl_str_mv Roisenberg, Mauro
contributor_str_mv Roisenberg, Mauro
dc.subject.por.fl_str_mv fácies sísmicas
classificação
redes convolucionais
deep learning
topic fácies sísmicas
classificação
redes convolucionais
deep learning
description TCC(graduação) - Universidade Federal de Santa Catarina. Centro Tecnológico. Ciências da Computação.
publishDate 2019
dc.date.accessioned.fl_str_mv 2019-12-10T22:29:18Z
dc.date.available.fl_str_mv 2019-12-10T22:29:18Z
dc.date.issued.fl_str_mv 2019-11-21
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/doctoralThesis
format doctoralThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv https://repositorio.ufsc.br/handle/123456789/202732
url https://repositorio.ufsc.br/handle/123456789/202732
dc.language.iso.fl_str_mv por
language por
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv 67
dc.publisher.none.fl_str_mv Florianópolis, SC.
publisher.none.fl_str_mv Florianópolis, SC.
dc.source.none.fl_str_mv reponame:Repositório Institucional da UFSC
instname:Universidade Federal de Santa Catarina (UFSC)
instacron:UFSC
instname_str Universidade Federal de Santa Catarina (UFSC)
instacron_str UFSC
institution UFSC
reponame_str Repositório Institucional da UFSC
collection Repositório Institucional da UFSC
bitstream.url.fl_str_mv https://repositorio.ufsc.br/bitstream/123456789/202732/2/license.txt
https://repositorio.ufsc.br/bitstream/123456789/202732/1/Monografia_Arthur_Guazzelli%20%281%29.pdf
bitstream.checksum.fl_str_mv 11ee89cd31d893362820eab7c4d46734
6047d9f37c4ac180c8263f2c98ee6798
bitstream.checksumAlgorithm.fl_str_mv MD5
MD5
repository.name.fl_str_mv Repositório Institucional da UFSC - Universidade Federal de Santa Catarina (UFSC)
repository.mail.fl_str_mv sandra.sobrera@ufsc.br
_version_ 1851759152507912192

Registros relacionados