@MASTERSTHESIS{ 2023:482929531,
 	title = {Uma Abordagem Utilizando Séries Temporais para Detecção de Gás em Imagens  Sísmicas com Transformer},
 	year = {2023},
 	url = "https://tedebc.ufma.br/jspui/handle/tede/tede/4608",
 	abstract = "A detecção de reservatórios de gás em imagens sísmicas é complexa, demorada e exige
 que tenham profissionais especializados para tal tarefa. O grande desafio está na grande
 quantidade de dados para serem analisados e na dificuldade e recursos necessários para
 se fazer a comprovação da existência de um reservatório de gás, uma vez que é preciso
 fazer a perfuração do poço para atestar o fato. Uma opção para contornar a grande
 quantidade de dados para serem analisados é recorrer ao uso de inteligência artificial
 através da implementação de redes neurais profundas. Nesse sentido, a escassez de dados
 comprovadamente corretos impacta no número de amostras anotadas a que temos acesso,
 o que dificulta de forma significativa o uso de métodos computacionais. Visando contornar
 as dificuldades citadas, este trabalho propõe o uso de um método de segmentação de
 reservatórios de gás a partir de uma perspectiva unidimensional com análise de séries
 temporais. Devido à característica sequencial dos dados sísmicos, é possível se empregar
 uma metodologia que interpreta cada traço sísmico presente nas imagens de entrada como
 sendo uma instância isolada da base de dados. Dessa forma, é possível aumentar o número
 de amostras no conjunto de dados de forma expressiva. Para fazer a segmentação dos
 reservatórios foi proposta uma nova arquitetura, que consiste em modificar uma arquitetura
 de rede Transformer para que seja capaz de interpretar séries temporais de dados sísmicos.
 A rede proposta é do tipo sequência para sequência, o que significa que a rede processa uma
 sequência de entrada e retorna uma nova sequencia contendo a região de gás segmentada. A
 escolha deste método se deu pelo fato de esta arquitetura ser eficaz em extrair informações
 contextuais sem a necessidade do uso de recorrência em seu treinamento, o que resulta
 em uma melhor performance e permite a paralelização do processo, resultando em uma
 grande economia de tempo, tanto no treinamento quanto na inferência. A base de dados
 utilizada nos experimentos é privada e foi concedida pela Eneva para o desenvolvimento
 desta tecnologia. As métricas utilizadas para avaliação dos resultados foram acurácia,
 sensibilidade, especificidade e AUC, onde o método obteve 97.16%, 79.61%, 97.47% e
 88.54%, respectivamente.",
 	publisher = {Universidade Federal do Maranhão},
 	scholl = {PROGRAMA DE PÓS-GRADUAÇÃO EM CIÊNCIA DA COMPUTAÇÃO/CCET},
 	note = {DEPARTAMENTO DE INFORMÁTICA/CCET}
}