PPGCC/CCET

Uma banca de DEFESA de MESTRADO foi cadastrada pelo programa.
DISCENTE: PETTERSON SOUSA DINIZ
DATA: 06/01/2023
HORA: 08:30
LOCAL: online - google meet
TÍTULO: Uma Abordagem Utilizando Séries Temporais para Detecção de Gás em Imagens Sísmicas com Transformer
PALAVRAS-CHAVES: redes neurais, Transformer, sísmica.
PÁGINAS: 44
GRANDE ÁREA: Ciências Exatas e da Terra
ÁREA: Ciência da Computação
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 sequência 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.
MEMBROS DA BANCA:
Presidente - 407686 - ANSELMO CARDOSO DE PAIVA
Co-orientador - 1225010 - ARISTOFANES CORREA SILVA
Interno - 2582240 - GERALDO BRAZ JUNIOR
Externo à Instituição - KELSON RÔMULO TEIXEIRA AIRES - UFPI