skip to main content
Visitante
Meu Espaço
Minha Conta
Sair
Identificação
This feature requires javascript
Tags
Revistas Eletrônicas (eJournals)
Livros Eletrônicos (eBooks)
Bases de Dados
Bibliotecas USP
Ajuda
Ajuda
Idioma:
Inglês
Espanhol
Português
This feature required javascript
This feature requires javascript
Primo Search
Busca Geral
Busca Geral
Acervo Físico
Acervo Físico
Produção Intelectual da USP
Produção USP
Search For:
Clear Search Box
Search in:
Acervo Físico
Or hit Enter to replace search target
Or select another collection:
Search in:
Acervo Físico
Busca Avançada
Busca por Índices
This feature requires javascript
Tipo de recurso
criteria input
qualquer lugar do registro
no título
como autor
no assunto
Data de publicação
lsr01
lsr02
lsr03
lsr04
Orientador
Show Results with:
no título
Show Results with:
qualquer lugar do registro
no título
como autor
no assunto
Data de publicação
lsr01
lsr02
lsr03
lsr04
Orientador
Mostra resultados com:
criteria input
que contêm minhas palavras de busca
com a frase exata
começa com
Mostra resultados com:
Índice
criteria input
E
OU
NÃO
This feature requires javascript
Petrografia digital: quantificação e caracterização de minerais, poros, texturas e litofácies com base em inteligência artificial.
Rubo, Rafael Andrello
Biblioteca Digital de Teses e Dissertações da USP; Universidade de São Paulo; Escola Politécnica 2022-06-08
Acesso online
Exibir Online
Detalhes
Resenhas & Tags
Mais Opções
This feature requires javascript
Enviar para
Adicionar ao Meu Espaço
Remover do Meu Espaço
E-mail (máximo 30 registros por vez)
Imprimir
Link permanente
Referência
EasyBib
EndNote
RefWorks
del.icio.us
Exportar RIS
Exportar BibTeX
This feature requires javascript
Título:
Petrografia digital: quantificação e caracterização de minerais, poros, texturas e litofácies com base em inteligência artificial.
Autor:
Rubo, Rafael Andrello
Orientador:
Carneiro, Cleyton de Carvalho
Assuntos:
Aprendizado Computacional
;
Inteligência Artificial
;
Petrografia
;
Artificial Intelligence
;
Machine Learning
;
Petrography
Notas:
Tese (Doutorado)
Notas Locais:
Programa Engenharia Mineral
Descrição:
Imagens petrográficas representam uma grande e eficiente fonte de informação geológica. No contexto da exploração e produção de petróleo, estas imagens obtidas por microscopia óptica permitem a descrição dos atributos mineralógicos, texturais e porosos das amostras de rochas, tais como aquelas coletadas nos poços de petróleo. Estas informações são fundamentais à caracterização dos reservatórios de petróleo. Neste trabalho, métodos computacionais de inteligência artificial são utilizados para identificação e classificação de texturas, porosidades e litofácies observadas por petrografia de lâminas delgadas, ocasionando incremento do caráter quantitativo para interpretações referentes ao ambiente deposicional e alterações diagenéticas a que as rochas foram submetidas. As lâminas petrográficas delgadas foram confeccionadas a partir de amostras laterais carbonáticas da seção Pré-Sal de poços da Bacia de Santos. Imagens adquiridas de luz transmitida das lâminas serviram como dado de treinamento para modelos de: (i) segmentação, (ii) detecção de objeto e (iii) classificação, com diferentes configurações. Os modelos são baseados em algoritmos de aprendizado de máquina que permitem interpretar dados de maneira padronizada e eficiente. São precedidos por uma etapa de aplicação de filtros convolucionais que prevê extrair uma grande quantidade de atributos, capazes de representar as feições de interesse. Os algoritmos classificadores utilizados foram random forest, redes neurais artificiais e redes neurais convolucionais. Associados à segmentação, foram treinados modelos de mapeamento mineralógico e de porosidade. Estes modelos foram avaliados através da correlação com dados de análise química R2 com medidas de microanálise = 0,82 e petrofísica RMSE de densidade de sólidos = 0,031 g/cm3 , além da obtenção da acurácia utilizando validação cruzada 98,78% para modelos de segmentação mineralógica e 99,97% para modelos de segmentação de porosidade. O modelo de detecção de fragmentos fosfáticos foi treinado aplicando o conceito de detecção de objetos apresentou 97,16% de acurácia na validação cruzada. Modelos de classificação foram treinados, precedidos por diferentes técnicas de data augmentation, incluindo transformações espectrais, geométricas e a confecção de imagens sintéticas auxiliada por redes generativas adversariais. O melhor modelo para identificação automática de litofácies apresentou acurácia de 86,34% nos dados de teste. Para classificar tipos de porosidade, o melhor modelo obtido apresentou 95,70% de acurácia para dados de teste. Além das métricas de avaliação dos modelos, as predições foram comparadas às interpretações de petrógrafos, obtidas por meio de entrevistas. Esta etapa evidenciou particularidades associadas à incerteza na definição dos rótulos dos dados utilizados para treinamento dos modelos, derivada de diferentes vieses interpretativos. Os resultados demonstram que técnicas de inteligência artificial aumentam o caráter quantitativo da análise petrográfica, auxiliando os processos de descrição, tornando-os mais ágeis, padronizados e destacando ambiguidades na interpretação.
DOI:
10.11606/T.3.2022.tde-12082022-080122
Editor:
Biblioteca Digital de Teses e Dissertações da USP; Universidade de São Paulo; Escola Politécnica
Data de criação/publicação:
2022-06-08
Formato:
Adobe PDF
Idioma:
Português
Links
Este item no Dedalus
Teses e Dissertações USP
E-mail do autor
E-mail do orientador
This feature requires javascript
This feature requires javascript
Voltar para lista de resultados
Anterior
Resultado
10
Avançar
This feature requires javascript
This feature requires javascript
Buscando em bases de dados remotas. Favor aguardar.
Buscando por
em
scope:(USP_FISICO)
Mostrar o que foi encontrado até o momento
This feature requires javascript
This feature requires javascript