Compartilhamento |
|
Use este identificador para citar ou linkar para este item:
https://tedebc.ufma.br/jspui/handle/tede/tede/4574
Tipo do documento: | Dissertação |
Título: | Detecção de potenciais acumulações de gás em imagens sísmicas 2D usando abordagem espaço-temporal, PSO e convolucional LSTM |
Título(s) alternativo(s): | Detection of potential gas accumulations in 2D seismic images using spatio-temporal, PSO and convolutional LSTM approaches |
Autor: | DIAS JÚNIOR, Domingos Alves |
Primeiro orientador: | SILVA, Aristófanes Corrêa |
Primeiro coorientador: | PAIVA, Anselmo Cardoso de |
Primeiro membro da banca: | SILVA, Aristófanes Corrêa |
Segundo membro da banca: | PAIVA, Anselmo Cardoso de |
Terceiro membro da banca: | ALMEIDA, João Dallyson Sousa de |
Quarto membro da banca: | CUNHA, António Manuel Triguieros da Silva |
Resumo: | A reflexão sísmica é um dos métodos geofísicos mais utilizados na indústria de petróleo e gás (oil and gas - O&G) para prospecção de hidrocarbonetos. Em particular, para alguns campos terrestres brasileiros, esse método tem sido usado para estimar a localização e o volume das acumulações de gás. No entanto, a análise e interpretação dos dados sísmicos é demorada devido à grande quantidade de informações e à natureza ruidosa das aquisições. Para auxiliar os geocientistas, essas tarefas, ferramentas computacionais alimentadas no aprendizado da máquina têm sido propostas para detecção de potenciais acumulações de gás. Neste estudo é proposto um método organizado em duas etapas: (1) pré-processamento aplicado à base de imagens (delimitação da região de interesse, agrupamento das regiões de imagens sísmicas, geração de amostra espaço-temporais e otimização das amostras); e (2) detecção de acumulações de gás com base no modelo Convolutional Long Short-Term Memory (ConvLSTM). Experimentos foram realizados em imagens sísmicas de reflexão provenientes dos campos de exploração pertencentes à bacia do Paranaíba. Deste modo, os melhores cenários obtidos foram 58,11% de F1-score, 83,36% de sensibilidade, 44,63% de precisão, 98,43% de especificidade e 99,29% de acurácia no campo de exploração preto. No campo real foram alcançados 60,4% de F1-score, 77,79% de sensibilidade, 49,36% de precisão, 98,62% de especificidade e 99,38% de acurácia. No campo branco, foram obtidos 60,14% de F1-score, 77,89% de sensibilidade, 48,98% de precisão, 96,93% de especificidade e 99,66% de acurácia. Finalmente, foram obtidos para o campo vermelho 85,51%, 98,88%, 75,33%, 99,3% e 99,35% de F1-score, sensibilidade, precisão, especificidade e acurácia, respectivamente. Em geral, os resultados fornecem fortes evidências de que o método proposto é uma ferramenta com potencial para detectar potenciais acumulações de gás. |
Abstract: | Seismic reflection is one of the geophysical methods most used in the oil and gas (O&G) industry for hydrocarbon prospecting. In particular, for some Brazilian onshore fields, such a method has been used for estimating the location and volume of gas accumulations. However, the analysis and interpretation of seismic data are time-consuming due to the large amount of information and the noisy nature of the acquisitions. Then, to support geoscientists in those tasks, computational tools powered by machine learning have been proposed to detect potential gas accumulations. In this study, we proposed a method organized into two stages: (1) pre-processing applied to the image database (delimitation of the region of interest, clustering regions of seismic images, generation of space-time samples, and sample optimization); and (2) detection of gas accumulations based on the Convolutional Long Short-Term Memory (ConvLSTM) model. Experiments were performed on seismic reflection images from exploration fields belonging to the Paranaíba basin. Then, the best scenarios achieved an F1-score of 58.11%, a sensitivity of 83.36%, a precision 44.63% , a specificity of 98.43% and an accuracy of 99.29% in the Preto exploration field . Then, the Real field achieved an F1-score of 60.4%, a sensitivity of 77.79% , a precision of 49,36%, a specificity of 98,62% and an accuracy of 99,38%. Besides, the Branco field achieved an F1-score 60.14% , a sensitivity of 77.89% , a precision of 48.98%, specificity of 96,93% and an accuracy of 99,66%. Finally, 85.51%, 98.88%, 75.33%, 99.30% and 99.35% of F1-score, sensitivity, precision, specificity and accuracy were obtained for the Vermelho field, respectively. In summary, the results provide strong evidence that the proposed method is a tool with potential to detect potential gas accumulations. |
Palavras-chave: | Dados Sísmicos; espaço-temporal; ConvLSTM; Bacia do Parnaíba; Indicadores Diretos de Hidrocarbonetos. seismic Data; Spatio-temporal; ConvLSTM; Parnaíba Basin; Direct Hydro- carbon Indicators. |
Área(s) do CNPq: | Sismologia Ciência da Computação |
Idioma: | por |
País: | Brasil |
Instituição: | Universidade Federal do Maranhão |
Sigla da instituição: | UFMA |
Departamento: | DEPARTAMENTO DE ENGENHARIA DA ELETRICIDADE/CCET |
Programa: | PROGRAMA DE PÓS-GRADUAÇÃO EM CIÊNCIA DA COMPUTAÇÃO/CCET |
Citação: | DIAS JÚNIOR, Domingos Alves. Detecção de potenciais acumulações de gás em imagens sísmicas 2D usando abordagem espaço-temporal, PSO e convolucional LSTM. 2023. 76 f. Dissertação (Programa de Pós-Graduação em Ciência da Computação/CCET) - Universidade Federal do Maranhão, São Luís, 2023. |
Tipo de acesso: | Acesso Aberto |
URI: | https://tedebc.ufma.br/jspui/handle/tede/tede/4574 |
Data de defesa: | 10-Fev-2023 |
Aparece nas coleções: | DISSERTAÇÃO DE MESTRADO - PROGRAMA DE PÓS-GRADUAÇÃO EM CIÊNCIA DA COMPUTAÇÃO |
Arquivos associados a este item:
Arquivo | Descrição | Tamanho | Formato | |
---|---|---|---|---|
DomingosAlvesDiasJunior.pdf | Dissertação de Mestrado | 5,81 MB | Adobe PDF | Baixar/Abrir Pré-Visualizar |
Os itens no repositório estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.