Please use this identifier to cite or link to this item: http://repositorio.unicamp.br/jspui/handle/REPOSIP/331008
Full metadata record
DC FieldValueLanguage
dc.contributor.CRUESPUNIVERSIDADE ESTADUAL DE CAMPINASpt_BR
dc.descriptionOrientador: Fresia Soledad Ricardi-Brancopt_BR
dc.descriptionDissertação (mestrado) - Universidade Estadual de Campinas, Instituto de Geociênciaspt_BR
dc.format.extent1 recurso online (59 p.) : il., digital, arquivo PDF.pt_BR
dc.format.mimetypeapplication/pdfpt_BR
dc.languagePortuguêspt_BR
dc.relation.requiresRequisitos do sistema: Software para leitura de arquivo em PDFpt_BR
dc.typeDISSERTAÇÃO DIGITALpt_BR
dc.titleAvaliação da support vector machine na classificação de fácies no campo de Peregrino, Bacia de Campos-RJ, Brasilpt_BR
dc.title.alternativeEvaluation of support vector machine to classify facies in Peregrino field, Bacia de Campos-RJ, Brazilpt_BR
dc.contributor.authorCaldato, Eduardo Bomfin, 1987-pt_BR
dc.contributor.institutionUniversidade Estadual de Campinas. Instituto de Geociênciaspt_BR
dc.contributor.nameofprogramPrograma de Pós-Graduação em Geociênciaspt_BR
dc.subjectAprendizagempt_BR
dc.subjectPetrofísicapt_BR
dc.subjectCampos, Bacia de (RJ)pt_BR
dc.subject.otherlanguageLearningen
dc.subject.otherlanguagePetrophysicsen
dc.subject.otherlanguageCampos, Basin (RJ)en
dc.description.abstractResumo: 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 Peregrinopt
dc.description.abstractAbstract: 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 Fielden
dc.publisher[s.n.]pt_BR
dc.date.issued2017pt_BR
dc.identifier.citationCALDATO, 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.pt_BR
dc.description.degreelevelMestradopt_BR
dc.description.degreedisciplineGeologia e Recursos Naturaispt_BR
dc.description.degreenameMestre em Geociênciaspt_BR
dc.contributor.committeepersonalnameRicardi-Branco, Fresiapt_BR
dc.contributor.committeepersonalnameLeite, Emilson Pereirapt_BR
dc.contributor.committeepersonalnamePortugal, Rodrigo de Souzapt_BR
dc.date.defense2017-11-06T00:00:00Zpt_BR
dc.date.available2018-09-03T05:42:09Z-
dc.date.accessioned2018-09-03T05:42:09Z-
dc.description.provenanceMade available in DSpace on 2018-09-03T05:42:09Z (GMT). No. of bitstreams: 1 Caldato_EduardoBomfin_M.pdf: 1769472 bytes, checksum: 3128ddb86b5b47eee0049b2395dd0b98 (MD5) Previous issue date: 2017en
dc.identifier.urihttp://repositorio.unicamp.br/jspui/handle/REPOSIP/331008-
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.