@MASTERSTHESIS{ 2024:911400546,
 	title = {Classificação de sedimentos da margem equatorial brasileira utilizando algoritmos},
 	year = {2024},
 	url = "https://tedebc.ufma.br/jspui/handle/tede/tede/5313",
 	abstract = "Recentemente, importantes discussões a respeito da ocorrência de extensos recifes carbonáticos 
 e do potencial de descobertas de hidrocarbonetos nas bacias do Pará-Maranhão e Foz do Amazonas, 
 elevaram a importância do estudo da composição faciológica da plataforma continental. No entanto, 
 amostrar sedimentos marinhos é uma operação de alto custo e muitas vezes demorada a depender da 
 distância da costa e da profundidade da amostragem, sendo necessário o deslocamento da equipe e dos 
 equipamentos através de embarcações de pesquisa especializadas. Tendo isto em vista, o objetivo 
 principal deste trabalho foi integrando informações sedimentológicas de amostras de fundo e atributos 
 sísmicos a partir de algoritmos de aprendizado de máquina para assim otimizar o mapeamento das fácies 
 na plataforma continental da Margem Equatorial Brasileira. Os dados de sedimentos foram adquiridos 
 do Banco Nacional de Dados Oceanográficos (BNDO), sendo classificados em Lama, Areia e Cascalho 
 para o tamanho do grão e em Litoclástico (<30%), Litobioclástico (<50%), Biolitoclástico (<70%) e 
 Bioclástico (>70%) para o teor de carbonato de cálcio. Os atributos sísmicos utilizados foram Coerência, 
 Amplitude, Intensidade, Fase Instantânea e Frequência Instantânea. Foram desenvolvidos cinco 
 algoritmos de aprendizado de máquina com a finalidade de relacionar os tipos de sedimento e teor de 
 carbonatos aos atributos sísmicos. Os resultados de cada algoritmo são: Support Vector Machine: 
 Accuracy 80,31%, Precision 81,21%, Recall 80,31% e F1_Score 80,01%. K-Nearest Neighbors: 
 Accuracy 77,07%, Precision 80,55%, Recall 77,07% e F1_Score 75,94%. Decision Trees: Accuracy 
 85%, Precision 85,78%, Recall 85% e F1_Score 84,85%. Multilayer Perceptron: Accuracy 82,74%, 
 Precision 82,74%, Recall 82,74% e F1_Score 82,49%. Adaptive Boosting: Accuracy 70,47%, Precision 
 72,25%, Recall 70,47% e F1_Score 69,75%. O melhor resultado obtido foi do algoritmo Decision Trees
 com 85% de acurácia. Com esses resultados preliminares, observa-se que é possível criar um modelo de 
 aprendizado de máquina para classificar automaticamente os sedimentos marinhos, viabilizando e 
 otimizando pesquisas futuras sobre as fácies carbonáticas e recifes mesofóticos na Margem Equatorial 
 Brasileira.",
 	publisher = {Universidade Federal do Maranhão},
 	scholl = {PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA DE ELETRICIDADE/CCET},
 	note = {DEPARTAMENTO  DE ENGENHARIA DA ELETRICIDADE/CCET}
}