Please use this identifier to cite or link to this item: http://repositorio.unicamp.br/jspui/handle/REPOSIP/331008
Type: DISSERTAÇÃO DIGITAL
Degree Level: Mestrado
Title: Avaliação da support vector machine na classificação de fácies no campo de Peregrino, Bacia de Campos-RJ, Brasil
Title Alternative: Evaluation of support vector machine to classify facies in Peregrino field, Bacia de Campos-RJ, Brazil
Author: Caldato, Eduardo Bomfin, 1987-
Abstract: Resumo: Um considerável volume de informações pode ser obtido a partir das perfilagens geofísicas, tais como composição química, mineralogia, textura, porosidade além da identificação das zonas de acumulação de hidrocarbonetos. Para atingir uma interpretação confiável é necessária uma correta correlação entre os testemunhos de amostragem, amostras de laboratório e perfilagens geofísicas. Algoritmos de aprendizagem de máquina vêm sendo utilizados com o intuito de auxiliar o intérprete na tarefa de correlação entre as diferentes fontes de dados. O algoritmo da Support Vector Machine (SVM) tem aplicação em diversas áreas tais como a bioinformática, análise de imagens e categorização de textos. Os resultados obtidos até o momento mostram que o algoritmo pode atingir os mesmos ou melhores resultados que outras técnicas já em uso. A SVM foi desenvolvida por Vapnik e se baseia na Teoria da Aprendizagem Estatística (TAE). Tem como características a utilização de equações de kernel para amostras não lineares e o uso das margens de máxima separação para determinação do hiperplano canônico. Neste trabalho foi obtida uma classificação de eletrofácies com a SVM em dados oriundos do Campo de Peregrino na Bacia de Campos. Para avaliar a capacidade de classificação e predição de fácies do SVM, foram utilizados seis poços e suas respectivas leituras de perfilagem do poço, descrições petrográficas e dados laboratoriais. Foram testadas duas equações de Kernel, Linear e Radial Basis Function (RBF). O resultado foi comparado à outra técnica, KNN. Ambas as técnicas atingiram bons resultados tendo o SVM atingido taxa de acerto de 89% e o KNN com 70,8%. Com esse resultado o SVM se mostrou um confiável classificador para a utilização no campo de Peregrino

Abstract: Log curves generate a considerable amount of information like, chemistry composition, mineralogy, texture, porosity and even identify hydrocarbon accumulations. To obtain a reliable interpretation is important to do a correct correlation between the core log, the laboratory samples and the log curves. Machine learning algorithms help the interpreter on the job of correct correlation between different data sources. Many knowledge areas apply the Support Vector Machine (SVM) algorithm, e.g., bioinformatics, image analysis and texts categorization. The studies obtained show that the algorithm can achieve the same or better results of other techniques in use. Based on the Statistical Learning Theory, the SVM was proposed by Vapnik (1995). It¿s characterized by the presence of kernel equations for nonlinear samples and determination of hyperplane through maximum separation margins. In this work, an electrofacies classification obtained with SVM using data from the Peregrino field, Campos Basin. To evaluate the classification and prediction capacities of the SVM, we utilized six exploratory wells with log curves, petrographic descriptions and laboratorial analysis. Two kernel equations was utilized, the Linear and Radial Basis Function (RBF). The results were compared to another technique, KNN. Both algorithms achieved good results, with SVM scoring 89% and KNN with 70.8%. With this result the SVM algorithm showed to be a reliable classifier to be applied in the Peregrino Field
Subject: Aprendizagem
Petrofísica
Campos, Bacia de (RJ)
Language: Português
Editor: [s.n.]
Citation: CALDATO, Eduardo Bomfin. Avaliação da support vector machine na classificação de fácies no campo de Peregrino, Bacia de Campos-RJ, Brasil. 2017. 1 recurso online (59 p.). Dissertação (mestrado) - Universidade Estadual de Campinas, Instituto de Geociências, Campinas, SP. Disponível em: <http://www.repositorio.unicamp.br/handle/REPOSIP/331008>. Acesso em: 3 set. 2018.
Date Issue: 2017
Appears in Collections:IG - Tese e Dissertação

Files in This Item:
File SizeFormat 
Caldato_EduardoBomfin_M.pdf1.73 MBAdobe PDFView/Open


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