Manuel Ramón Vargas Avila
Título
APRENDIZADO PROFUNDO PARA O PROCESSAMENTO DE IMAGENS DE TOMOGRAFIA COMPUTADORIZADA DE ROCHAS CARBONÁTICAS
Resumo
Apresenta-se, nesta tese, duas metodologias para os problemas de predição de propriedades petrofísicas e caracterização textural de amostras de rocha empregando em ambos os casos imagens de tomografia de testemunhos. Estes dois problemas fazem parte do fluxo de caracterização de rochas, no processo de tomada de decisão nas etapas iniciais da análise de rocha e no processo de upsampling das propriedades na escala do testemunho. As abordagens tradicionais para abordar estes problemas consomem uma grande quantidade de tempo e de recursos dificultando o processo de caracterização de rochas.
Neste trabalho, um método baseado na arquitetura de Rede Neural Convolucio-nal (CNN) é proposto para predição de um perfil de porosidade em alta frequência na escala do testemunho com uma resolução maior que as abordagens utilizadas atualmente. Os resultados obtidos foram satisfatórios validando a metodologia pro-posta. Em relação ao processo de caracterização textural, atualmente, é feito de forma manual pelos especialistas sendo uma tarefa complexa e subjetiva. Assim, com o propósito de automatizar este processo foram testadas diferentes configura-ções de modelos convolucionais, treinados de forma supervisionada empregando a imagem de tomografia e a segmentação feita manualmente por especialistas da Pe-trobras. Os resultados obtidos são promissores, mas revelam alguns problemas que podem estar relacionados com a dificuldade do processo de anotação e o alto nível de desbalanceamento na base de dados.
Abstract
This work presents two methodologies aimed at predicting petrophysical proper-ties and textural characterizing for rock samples using core computed tomography images. These two problems are part of the rock characterization workflow, from the decision-making process in the initial stages of rock analysis to the upsampling process of properties at the core scale. Traditional approaches to address these prob-lems consume a lot of time and resources, making the rock characterization process difficult.
In this work, a method based on the Convolutional Neural Network (CNN) architecture is proposed to predict a high frequency porosity profile at the core scale with a higher resolution than the approaches currently used. The results obtained were satisfactory, validating the proposed methodology. Regarding the textural characterization process, it is currently done manually by specialists, being a complex and subjective task. Thus, with the purpose of automating this process, different configurations of convolutional models were tested, trained in a supervised way using the tomography image and the segmentation performed manually by Petrobras specialists. The results obtained are promising, but reveal some problems that may be related to the difficulty of the annotation process and the high level of imbalance in the database.
