PPGCC/CCET

Uma banca de DEFESA de MESTRADO foi cadastrada pelo programa.
DISCENTE: GABRIEL DE JESUS SANTOS COSTA
DATA: 31/08/2026
HORA: 08:30
LOCAL: Auditório do NCA
TÍTULO: Segmentação de Reservatórios de Gás em Imagens Sísmicas usando Modelo U-Net com backbone de Vision xLSTM
PALAVRAS-CHAVES: Segmentação de imagens sísmicas, Aprendizado profundo, U2-Net, xLSTM, Clusterização, Gás natural, Visão computacional.
PÁGINAS: 61
GRANDE ÁREA: Ciências Exatas e da Terra
ÁREA: Ciência da Computação
SUBÁREA: Metodologia e Técnicas da Computação
ESPECIALIDADE: Processamento Gráfico (Graphics)
RESUMO: A interpretação de imagens sísmicas é uma etapa essencial na exploração de hidrocarbonetos, permitindo a identificação de estruturas geológicas associadas à presença de reservatórios de petróleo e gás natural. Entretanto, esse processo é complexo, demanda elevado esforço de especialistas e está sujeito à subjetividade da interpretação humana. Nesse contexto, este trabalho propõe uma metodologia para a segmentação de potenciais reservatórios de gás natural em imagens sísmicas por meio da integração de técnicas de clusterização e aprendizado profundo. Inicialmente, as imagens são agrupadas em conjuntos com características semelhantes utilizando representações extraídas por um encoder pré-treinado, buscando reduzir a heterogeneidade dos dados e possibilitar o treinamento de modelos especializados. Em seguida, é proposta uma arquitetura híbrida baseada em U2-Net e xLSTM, combinando a capacidade das redes convolucionais de extrair características espaciais com a capacidade da xLSTM de modelar dependências de longo alcance entre essas características. A metodologia foi avaliada utilizando imagens sísmicas da Bacia do Parnaíba, sendo realizadas comparações entre diferentes arquiteturas de segmentação e análises do impacto da clusterização no desempenho dos modelos. Os melhores resultados obtidos apresentaram precisão de 50%, recall de 75% e F1-score de 53%. De modo geral, os resultados indicam que a utilização de arquiteturas bidimensionais, aliada à especialização proporcionada pela clusterização e à incorporação da xLSTM, contribui para melhorar a qualidade da segmentação das estruturas de interesse. Embora a metodologia tenha apresentado bom desempenho na maior parte das imagens avaliadas, ainda foram observadas dificuldades na segmentação de um conjunto específico de imagens, evidenciando oportunidades para trabalhos futuros.
MEMBROS DA BANCA:
Presidente - 2582240 - GERALDO BRAZ JUNIOR
Interno - 2663672 - JOAO DALLYSON SOUSA DE ALMEIDA
Externo à Instituição - ANTÓNIO MANUEL TRIGUEIROS DA SILVA CUNHA - UTAD
Co-orientador - 1225010 - ARISTOFANES CORREA SILVA