???item.export.label??? ???item.export.type.endnote??? ???item.export.type.bibtex???

Please use this identifier to cite or link to this item: https://tedebc.ufma.br/jspui/handle/tede/tede/4608
Tipo do documento: Dissertação
Título: Uma Abordagem Utilizando Séries Temporais para Detecção de Gás em Imagens Sísmicas com Transformer
Título(s) alternativo(s): An Approach Using Time Series for Gas Detection in Images Seismic with Transformer
Autor: DINIZ, Petterson Sousa 
Primeiro orientador: PAIVA, Anselmo Cardoso de
Primeiro coorientador: SILVA, Aristófanes Corrêa
Primeiro membro da banca: PAIVA, Anselmo Cardoso de
Segundo membro da banca: SILVA, Aristófanes Correa da
Terceiro membro da banca: BRAZ JUNIOR, Geraldo
Quarto membro da banca: TEXEIRA, Kelson Romulo
Resumo: 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.
Abstract: The detection of gas reservoirs in seismic images is complex, time consuming and requires specialized professionals for this task. The great challenge lies in the large amount of data to be analyzed and the difficulty and resources needed to prove the existence of a gas reservoir, since it is necessary to drill the well to prove the fact. One option to get around the large amount of data to be analyzed is to resort to the use of artificial intelligence through the implementation of deep neural networks. In this sense, the scarcity of proven correct data impacts the number of annotated samples that we have access to, which significantly hinders the use of computational methods. In order to overcome the aforementioned difficulties, this work proposes the use of a gas reservoir segmentation method from a one-dimensional perspective with time series analysis. Due to the sequential characteristic of seismic data, it is possible to employ a methodology that interprets each seismic trace present in the input images as an isolated instance of the database. In this way, it is possible to increase the number of samples in the data set significantly. To perform the segmentation of the reservoirs, a new architecture was proposed, which consists of modifying a Transformer network architecture so that it is capable of interpreting temporal series of seismic data. The proposed network is of the sequence-to-sequence type, which means that the network processes an input sequence and returns a new sequence containing the segmented gas region. The choice of this method was due to the fact that this architecture is effective in extracting contextual information without the need to use recurrence in its training, which results in a better performance and allows the parallelization of the process, resulting in a great saving of time, both in training and inference. The database used in the experiments is private and was granted by Eneva for the development of this technology. The metrics used to evaluate the results were accuracy, sensitivity, specificity and AUC, where the method obtained 97.16%, 79.61%, 97.47% and 88.54%, respectively.
Palavras-chave: redes neurais;
Transformer;
sísmica
neural networks;
Transformer;
seismic
Área(s) do CNPq: Modelos Analíticos e de Simulação
Idioma: por
País: Brasil
Instituição: Universidade Federal do Maranhão
Sigla da instituição: UFMA
Departamento: DEPARTAMENTO DE INFORMÁTICA/CCET
Programa: PROGRAMA DE PÓS-GRADUAÇÃO EM CIÊNCIA DA COMPUTAÇÃO/CCET
Citação: DINIZ, Petterson Sousa. Uma Abordagem Utilizando Séries Temporais para Detecção de Gás em Imagens Sísmicas com Transformer. 2023. 44 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/4608
Data de defesa: 6-Jan-2023
Appears in Collections:DISSERTAÇÃO DE MESTRADO - PROGRAMA DE PÓS-GRADUAÇÃO EM CIÊNCIA DA COMPUTAÇÃO

Files in This Item:
File Description SizeFormat 
Petterson Sousa Diniz vec.pdfDissertação de Mestrado12,28 MBAdobe PDFDownload/Open Preview


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