DASF : um arcabouço de alto desempenho para grandes volumes de dados sísmicos
| Ano de defesa: | 2024 |
|---|---|
| Autor(a) principal: | |
| Orientador(a): | |
| Banca de defesa: | |
| 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: | |
| Link de acesso: | https://hdl.handle.net/20.500.12733/28144 |
Resumo: | Orientador: Edson Borin |
| id |
UNICAMP-30_7917a2e2f7126d8e7cd9eaa49f2effee |
|---|---|
| oai_identifier_str |
oai::1456697 |
| network_acronym_str |
UNICAMP-30 |
| network_name_str |
Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP) |
| repository_id_str |
|
| spelling |
DASF : um arcabouço de alto desempenho para grandes volumes de dados sísmicosDASF : a high-performance framework for large seismic datasetsAprendizado de máquinaFramework (Programa de computador)Aprendizado profundoComputação de alto desempenhoInteligência artificialMachine learningFramework (Computer program)Deep learningHigh performance computingArtificial intelligenceODS: 9. Inovação e infraestruturaOrientador: Edson BorinDissertação (mestrado) - Universidade Estadual de Campinas (UNICAMP), Instituto de ComputaçãoResumo: Na Análise de Fácies Sísmicas, a Classificação de Fácies é uma etapa crucial para entender as características e a composição geológica de uma determinada área. Geólogos e empresas de óleo e gás utilizam essas informações para determinar a possibilidade de exploração dessa área na obtenção de petróleo e gás, por exemplo. No geral, esse tipo de estudo demanda tempo, precisão e envolve altos custos. Hoje, com as mais variadas técnicas de aprendizado de máquina, geólogos podem rapidamente classificar fácies usando qualquer um desses tipos de algoritmos em vez de gastar horas ou dias estudando os dados capturados de formações rochosas. Inclusive, para este tipo de classificação, há várias técnicas de aprendizado de máquina não supervisionado bem estabelecidas, como é o caso do K-Médias, do Kohonen’s Self-Organizing Map (SOM) e do Gaussian Mixture Models (GMM). No entanto, dados sísmicos são compostos por arquivos grandes e esse processo de identificar fácies pode demandar uma grande quantidade de cálculos, tornando necessário o uso de soluções de alto desempenho. Com o massivo uso de graphics processing units (GPUs) para solucionar problemas da área de inteligência artificial, este trabalho propõe desenvolver um arcabouço contendo as principais técnicas de aprendizado de máquina para classificação de fácies sísmicas com suporte à execução em supercomputadores com GPUs. Isso incluiu o desenvolvimento de algumas técnicas de processamento distribuído como carregamento tardio de dados sísmicos, processamento atrasado de atributos sísmicos para grandes volumes de dados, o algoritmo SOM utilizando várias GPUs, entre outras técnicas relevantes à área. No final, mostraremos o resultado como um arcabouço de classificação de fácies sísmicas aberto e de alto desempenho para que qualquer pesquisador ou especialista possa utilizá-lo de forma fácil e simplificada na construção de modelos para sísmica. Nós ainda mostraremos alguns casos de uso, métricas de desempenho e benchmarks para avaliar as técnicas oferecidas por este trabalhoAbstract: In Seismic Facies Analysis, Facies Classification is a crucial step to understanding the characteristics and geological composition of a given area. Geologists and oil and gas companies use this information to determine the possibility of exploring this area to capture oil and gas, for example. In general, this type of study takes time, precision, and involves high costs. Today, with the most varied machine learning techniques, geologists can quickly classify facies using any of these types of algorithms instead of spending hours or days studying the data captured from rock formations. Even for this type of classification, there are several well-protected unsupervised machine learning techniques, such as K-Means, Kohonen’s Self-Organizing Map (SOM), and Gaussian Mixture Models (GMM). However, seismic data is composed of large files and this process of identifying facies can require a large amount of calculations, making the use of high-performance solutions necessary. With the massive use of graphics processing units (GPUs) to solve problems in the area of artificial intelligence, this work proposes to develop a framework containing the main machine learning techniques for classifying seismic facies with support for execution on supercomputers with GPUs. This includes the development of some distributed pro- cessing techniques such as delayed loading of seismic data, delayed processing of seismic attributes for large volumes of data, the SOM algorithm using multiple GPUs, among other techniques relevant to the area. In the end, we will show the result as an open and high-performance seismic facies classification framework so that any researcher or specialist can use it in an easy and simplified way to construct seismic models. We will still show some use cases, performance metrics, and benchmarks to evaluate the techniques offered by this workAbertoMestradoCiência da ComputaçãoMestre em Ciência da ComputaçãoCNPQFAPESP[s.n.]Borin, Edson, 1979-Gomes, Antônio Tadeu AzevedoYviquel, Hervé CédricAlves, Maicon MeloUniversidade Estadual de Campinas (UNICAMP). Instituto de ComputaçãoPrograma de Pós-Graduação em Ciência da ComputaçãoUNIVERSIDADE ESTADUAL DE CAMPINASFaracco, Júlio Cesar, 1989-20242024-12-02T00:00:00Zinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdf1 recurso online (106 p.) : il., digital, arquivo PDF.https://hdl.handle.net/20.500.12733/28144FARACCO, Júlio Cesar. DASF: um arcabouço de alto desempenho para grandes volumes de dados sísmicos. 2024. 1 recurso online (106 p.) Dissertação (mestrado) - Universidade Estadual de Campinas (UNICAMP), Instituto de Computação, Campinas, SP. Disponível em: 20.500.12733/28144. Acesso em: 29 set. 2025.https://repositorio.unicamp.br/acervo/detalhe/1456697Cover: https://repositorio.unicamp.br/capa/capa?codigo=1456697Requisitos 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/openAccess2025-07-04T13:21:13Zoai::1456697Biblioteca Digital de Teses e DissertaçõesPUBhttp://repositorio.unicamp.br/oai/tese/oai.aspsbubd@unicamp.bropendoar:2025-07-04T13:21:13Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP) - Universidade Estadual de Campinas (UNICAMP)false |
| dc.title.none.fl_str_mv |
DASF : um arcabouço de alto desempenho para grandes volumes de dados sísmicos DASF : a high-performance framework for large seismic datasets |
| title |
DASF : um arcabouço de alto desempenho para grandes volumes de dados sísmicos |
| spellingShingle |
DASF : um arcabouço de alto desempenho para grandes volumes de dados sísmicos Faracco, Júlio Cesar, 1989- Aprendizado de máquina Framework (Programa de computador) Aprendizado profundo Computação de alto desempenho Inteligência artificial Machine learning Framework (Computer program) Deep learning High performance computing Artificial intelligence ODS: 9. Inovação e infraestrutura |
| title_short |
DASF : um arcabouço de alto desempenho para grandes volumes de dados sísmicos |
| title_full |
DASF : um arcabouço de alto desempenho para grandes volumes de dados sísmicos |
| title_fullStr |
DASF : um arcabouço de alto desempenho para grandes volumes de dados sísmicos |
| title_full_unstemmed |
DASF : um arcabouço de alto desempenho para grandes volumes de dados sísmicos |
| title_sort |
DASF : um arcabouço de alto desempenho para grandes volumes de dados sísmicos |
| author |
Faracco, Júlio Cesar, 1989- |
| author_facet |
Faracco, Júlio Cesar, 1989- |
| author_role |
author |
| dc.contributor.none.fl_str_mv |
Borin, Edson, 1979- Gomes, Antônio Tadeu Azevedo Yviquel, Hervé Cédric Alves, Maicon Melo Universidade Estadual de Campinas (UNICAMP). Instituto de Computação Programa de Pós-Graduação em Ciência da Computação UNIVERSIDADE ESTADUAL DE CAMPINAS |
| dc.contributor.author.fl_str_mv |
Faracco, Júlio Cesar, 1989- |
| dc.subject.por.fl_str_mv |
Aprendizado de máquina Framework (Programa de computador) Aprendizado profundo Computação de alto desempenho Inteligência artificial Machine learning Framework (Computer program) Deep learning High performance computing Artificial intelligence ODS: 9. Inovação e infraestrutura |
| topic |
Aprendizado de máquina Framework (Programa de computador) Aprendizado profundo Computação de alto desempenho Inteligência artificial Machine learning Framework (Computer program) Deep learning High performance computing Artificial intelligence ODS: 9. Inovação e infraestrutura |
| description |
Orientador: Edson Borin |
| publishDate |
2024 |
| dc.date.none.fl_str_mv |
2024 2024-12-02T00:00:00Z |
| 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/20.500.12733/28144 FARACCO, Júlio Cesar. DASF: um arcabouço de alto desempenho para grandes volumes de dados sísmicos. 2024. 1 recurso online (106 p.) Dissertação (mestrado) - Universidade Estadual de Campinas (UNICAMP), Instituto de Computação, Campinas, SP. Disponível em: 20.500.12733/28144. Acesso em: 29 set. 2025. |
| url |
https://hdl.handle.net/20.500.12733/28144 |
| identifier_str_mv |
FARACCO, Júlio Cesar. DASF: um arcabouço de alto desempenho para grandes volumes de dados sísmicos. 2024. 1 recurso online (106 p.) Dissertação (mestrado) - Universidade Estadual de Campinas (UNICAMP), Instituto de Computação, Campinas, SP. Disponível em: 20.500.12733/28144. Acesso em: 29 set. 2025. |
| dc.language.iso.fl_str_mv |
por |
| language |
por |
| dc.relation.none.fl_str_mv |
https://repositorio.unicamp.br/acervo/detalhe/1456697 Cover: https://repositorio.unicamp.br/capa/capa?codigo=1456697 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 (106 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_ |
1844628725737455616 |