Please use this identifier to cite or link to this item: http://riu.ufam.edu.br/handle/prefix/5903
Full metadata record
DC FieldValueLanguage
dc.contributor.advisor1Simas, Joemes de Lima-
dc.contributor.advisor1Latteshttp://lattes.cnpq.br/8795480650308782pt_BR
dc.contributor.referee1Almeida, Ana Carolina Monte-
dc.contributor.referee1Latteshttp://lattes.cnpq.br/0968230335376630pt_BR
dc.contributor.referee2Almeida, Lucas Evangelista de-
dc.contributor.referee2Latteshttp://lattes.cnpq.br/3351994990700250pt_BR
dc.creatorAmaral, Robertom Guedes do-
dc.creator.Latteshttp://lattes.cnpq.br/9531508081988760pt_BR
dc.date.accessioned2021-07-16T20:48:43Z-
dc.date.available2021-07-13-
dc.date.available2021-07-16T20:48:43Z-
dc.identifier.urihttp://riu.ufam.edu.br/handle/prefix/5903-
dc.description.abstractThe 4.0 Industry advances permits the creation of powerful technologies and computational tools capable of working in the most diverse areas of science, among these tools are artificial intelligence and Machine Learning. Through programming and creation of algorithms is possible to use the Machine Learning, which is a technique that the previously developed algorithms “teach” a computer to improve its “abilities” in a given field of study for the most diverse purposes, constantly and autonomously improving its own behavior and performance similarly to humans. Among the geophysical methods, stands out, in petroleum industry, the seismic reflection method, this method utilizes the propagation of waves in subsurface for data acquisition related to local geology. The amount data acquired is extremely numerous and to this quantity of data the name Big Data is given. After all the process of acquisition, it is necessary to accomplish the processing of these data and this phase can take weeks or even months, sometimes. This process is humanly massive, even with the support of some software. After the acquisition phase, there is a stage of data interpretation. The methodology is based in the use of programming language Python in application of Machine Learning, specifically aims at the elaboration and creation of algorithm capable of processing data from seismic in search of geological traps of type saline dome. The training took place through the SVC module of the Scikit-Learn library, which proved to be quite efficient within the proposal. The use of Machine Learning is very promising in the field of Geophysics applied to Oil and Gas Engineering with regard to the identification of saline domes in seismic sections, which can be extended to other uses.pt_BR
dc.description.resumoA Indústria 4.0 oferece avanços tecnológicos que permitem a criação de ferramentas e técnicas computacionais poderosas nas mais diversas áreas, dentre elas encontram-se a inteligência artificial e o Machine Learning. A utilização dessas ferramentas permite a criação de algoritmos que “ensinam” um computador a aperfeiçoar suas “habilidades” dentro de um determinado campo de estudo. Dentre os métodos geofísicos, destaca-se, na Indústria Petrolífera, o método sísmico de reflexão, que utiliza propagação de ondas em subsuperfície para aquisição de dados. A quantidade de dados obtidos é extremamente numerosa recebendo o nome de Big Data. O processamento desses dados pode demorar meses, o que acaba se tornando humanamente massivo pois, além do tempo de processamento há ainda a interpretação destes dados. A metodologia deste trabalho baseia-se na utilização da linguagem de programação Python para a aplicação de Machine Learning visando, especificamente a implementação de algoritmo capaz de processar dados de seções sísmicas em busca de armadilhas geológicas do tipo domo salino. O treinamento se deu através do módulo SVC da biblioteca Scikit-Learn, que se mostrou bastante eficiente dentro da proposta. A utilização de Machine Learning é bem promissora na área de Geofísica aplicada à Engenharia de Petróleo e Gás no que se diz respeito a identificação de domos salinos em seções sísmicas, podendo ser estendida em outras utilizações.pt_BR
dc.languageporpt_BR
dc.publisher.countryBrasilpt_BR
dc.publisher.departmentDepartamento de Engenharia de Petróleo e Gáspt_BR
dc.relation.referencesALMEIDA, L. E. Aplicação De Visão Computacional Em Imagens Capturadas Por Drones Em Inspeção De Plataformas De Petróleo, 2019. AMARAL, R. G. Implementação da técnica de machine learning (ml) para processamento de dados sísmicos. Rio Oil and Gas, 2020. AMINZADEH, F.; DASGUPTA, S. Geofísica para Engenheiros de Petróleo. 1ª Edição. Editora Elsevier, 2015. ANCELME, R. L. TEMC: Introdução ao método sísmico. Laboratório Nacional de Computação Científica, 2015. BIG DATA. Disponível em <https://www.sas.com/pt_br/insights/big-data/what-is-big-data.html>. Acesso em: 25/04/2019. BROWNSCOMBE, J. W. et al. Application of machine learning algorithms to identify cryptic reproductive habitats using diverse information sources, 2020. BUSTAMANTE, S. G. H. Inversão de parâmetros geofísicos em três dimensões a partir de dados de reflexão sísmica por algoritmos genéticos híbridos, 2008. CASTRO, A. S.; HOLZ, M. A Tectônica de Sal e a Disposição de Sedimentos em Águas Profundas na Região Sul da Bacia de Santos. Terceiro Congresso Brasileiro em Petróleo e Gás, 2004. CORTES, C.; VAPNIK, V. Support-vector networks, 1995. FALALEEV, N. Semantic segmentation of seismic reflection images, 2018. Disponível em: <https://nikolasent.github.io/deeplearning/competitions/2018/10/24/Semantic-Segmentation-of-Seismic-Reflection-Images.html>. Acesso em: 10/11/2020. FOSSEN, H. Structural geology. Cambridge University Press, UK, 2010. HALL, B. Facies classification using machine learning. The Leading Edge. Volume 35, pág 906-909, 2016. Society of Exploration Geophysicists. http://dx.doi.org/10.1190/tle35100906.1. HILL GEOPHYSICAL CONSULTING. Disponível em: <https://www.hillgeo.com/salt-dome-imaging/8aae5ivq2arw46c42me1dnml2mjk9s>. Acesso em: 27/02/2020. HEARST, M. A., SCHOLKOPF, B., DUMAIS, S., OSUNA, E., and PLATT, J. (1998). Trends and controversies - support vector machines. IEEE Intelligent Systems, 13(4):18–28. JORDAN, M. I.; MITCHELL T. M. Machine learning: trends, perspective, and prospects, 2015. KEAREY, P. Geofísica de exploração; tradução por Maria Cristina Moreira Coelho. São Paulo: Oficina de Textos, 2009. LUIZ. J. G; SILVA L. M. C. Geofísica de prospecção. Belém: Universidade Federal do Pará: Cejup, 1995. MACHINE LEARNING. Disponível em: <https://www.sas.com/pt_br/insights/analytics/machine-learning.html>. Acesso em: 25/04/2019. MARSLAND, S. Machine Learning - An algorithmic perspective. 2. ed. Estados Unidos: CRC Press, 2015. MILOSAVLJEVIĆ, A. Identification of salt deposits on seismic images using deep learning method for semantic segmentation, 2019. NAVITA CONNECT. Disponível em <https://navita.com.br/blog/machine-learning-o-que-e-por-que-e-tao-importante/>. Acesso em: 13/09/2019. NUMPY. Diponível em: <https://numpy.org>. Acesso em: 27/01/2021. OPENCV. Disponível em: <https://opencv.org>. Acesso em: 14/02/2021. PYTHON. Disponível em: <https://python.org>. Acesso em: 25/01/2021. THOMAS, J. E. Fundamentos de engenharia de petróleo. Rio de Janeiro: Interciência: PETROBRAS, 2001. SBGf (Sociedade Brasileira de Geofísica) – Boletim 104. Disponível em: <http://online.fliphtml5.com/xkhqu/qcci/>. Acesso em: 24/10/2020. SBGf (Sociedade Brasileira de Geofísica) – Boletim 3, 2012. Disponível em: <https://sbgf.org.br/noticias/images/Boletim-3-2012_22.pdf >. Acesso em: 12/11/2020. SCILIT-LEARN. Disponível em: <https://scikit-learn.org>. Acesso em: 10/02/2021. SHWARTZ, S. S.; DAVID, S. B. Understanding machine learning. Cambridge University Press, USA, 2014. TENSORFLOW. Disponível em: <https://tensorflow.org>. Acesso em: 14/04/2021. WANG, Y. et al. Salt-related structure geologic model of pre-caspian basin and analysis on imaging capability, 2015. WHOLEFISH. Disponível em: <https://wholefish.files.wordpress.com/2009/05/salt_domeseismic.jpg>. Acesso em: 22/11/2019. XSGEO. Introduction - Structural Interpretation of Seismic Data. Disponível em: <http://www.xsgeo.com/course/structural_taster.pdf>. Acesso em: 16/04/2020. YONGNA, J; JIANWEI, M. What can machine learning do for seismic data processing? An interpolation application. GEOPHYSICS, VOL. 82, NO. 3 (MAY-JUNE 2017); P. V163–V177, 10.1190/GEO2016-0300.1.pt_BR
dc.rightsAcesso Abertopt_BR
dc.subjectMachine Learningpt_BR
dc.subjectBig Datapt_BR
dc.subjectProcessamento de dados sísmicospt_BR
dc.subjectArmadilhas geológicaspt_BR
dc.subjectDomos salinospt_BR
dc.subject.cnpqENGENHARIASpt_BR
dc.titleElaboração de algoritmo para aplicação de aprendizado de máquina a fim de reconhecer armadilhas geológicas do tipo Domo Salino em seções sísmicaspt_BR
dc.typeTrabalho de Conclusão de Cursopt_BR
dc.creator.affiliationUniversidade Federal do Amazonaspt_BR
dc.date.event2021-07-07-
dc.publisher.localpubManaus-AMpt_BR
dc.subject.controladoSaline domept_BR
dc.subject.controladoMétodo sísmico de reflexãopt_BR
dc.subject.controladoMétodo geofísicopt_BR
dc.subject.controladoScikit-Learnpt_BR
dc.contributor.advisor1orcidhttps://orcid.org/0000-0002-8237-3788pt_BR
dc.contributor.advisor1orcidhttps://orcid.org/0000-0002-8237-3788pt_BR
dc.creator.affiliation-initUFAMpt_BR
dc.publisher.courseEngenharia de Petróleo e Gás - Bacharelado - Manauspt_BR
Appears in Collections:Trabalho de Conclusão de Curso - Graduação

Files in This Item:
File Description SizeFormat 
TCC_RobertomAmaral.pdfEngenharia de Petróleo e Gás - Bacharelado - Manaus2,88 MBAdobe PDFView/Open


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.