@MASTERSTHESIS{ 2022:8305141,
 	title = {Detecção e delimitação de gás natural em imagens sísmicas Usando MLP-Mixer e U-Net},
 	year = {2022},
 	url = "https://tedebc.ufma.br/jspui/handle/tede/tede/4618",
 	abstract = "O uso da energia é fundamental para a realização de diversas atividades, desde as mais
 simples até as mais complexas. Os hidrocarbonetos são uma das principais fontes de
 energia atualmente utilizadas e são originados a partir da decomposição de compostos
 orgânicos presentes em camadas geológicas subterrâneas ou marinhas. Para identificar
 essas camadas e detectar a extensão dos depósitos de hidrocarbonetos, é necessário realizar
 o levantamento sísmico. Dados sísmicos adquiridos por meio do método de reflexão sísmica
 são importantes para a prospecção de hidrocarbonetos, mas as técnicas de análise desses
 dados são complexas para os especialistas e estão sujeitas a erros e divergências. Além disso,
 os reservatórios de hidrocarbonetos podem ter diferentes tamanhos e formas, variando de
 grandes e contínuos a pequenos e fragmentados. O crescimento do aprendizado profundo
 tem trazido grandes destaques para tarefas de segmentação, classificação e detecção
 de objetos em imagens de diversas áreas. Consequentemente, também cresce o uso de
 aprendizado de máquina em dados sísmicos. Por essa razão, este trabalho propõe um
 método automático de detecção e delimitação de regiões de gás natural em imagens
 sísmicas 2D utilizando a rede neural MLP-Mixer e U-Net. A MLP-Mixer é usada para
 detectar regiões de interesse que podem conter gás, reduzindo o número de falsos positivos
 e facilitando a delimitação do gás. A U-Net é utilizada para a tarefa de delimitação da
 região de gás, que é a etapa mais complexa. Apesar do desbalanceamento natural entre o
 número de amostras de gás e não gás, a U-Net teve um desempenho satisfatório no método
 proposto. Os resultados obtidos para a detecção de hidrocarbonetos foram competitivos,
 com uma acurácia de 99,6% para seções sísmicas inline e 99,55% para seções sísmicas
 crossline e uma especificidade de 99,79% para seções sísmicas inline e 99,73% para seções
 sísmicas crossline.",
 	publisher = {Universidade Federal do Maranhão},
 	scholl = {PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA DE ELETRICIDADE/CCET},
 	note = {DEPARTAMENTO  DE ENGENHARIA DA ELETRICIDADE/CCET}
}