Juliana da Mota Coelho
Título
CLASSIFICAÇÃO AUTOMÁTICA DE LÂMINAS CARBONÁTICAS POR MEIO DE TÉCNICAS DE VISÃO COMPUTACIONAL E MODELOS ESPECIALISTAS
Resumo
Apresenta-se, nesta tese uma metodologia de classificação de imagens de lâmi-nas carbonáticas por meio de técnicas de visão computacional e redes neurais de aprendizado profundo. A área de visão computacional, uma das subáreas da inteli-gência artificial tem sido amplamente utilizada para processar dados na indústria, em especial a área de petróleo e gás. O Brasil que apresenta uma extensa reserva de hidrocarboneto em sua costa também tem se beneficiado destas técnicas. A análise de imagens de lâminas petrográficas pode ser importante para fornecer informações sobre a qualidade de reservatórios destacando características importantes como a li-tologia de carbonatos. Entretanto, a identificação automática de litologia em rochas reservatórios ainda é um grande desafio devido principalmente a heterogeneidade que faz parte das litologias do pré-sal brasileiro. Dentro deste contexto, este traba-lho apresenta uma abordagem de modelos one-class ou modelos especialistas visando a identificação de 4 classes de litologia presente em rochas reservatórios do pré-sal brasileiro. A metodologia proposta teve como desafio lidar com um número reduzido de imagens para o treinamento das redes neurais, além da complexidade envolvida nos dados analisados. Uma ferramenta de auto-mchine learning denominada Auo-Keras foi utilizada para definir os hiperparâmetros dos modelos implementados. Os resultados encontrados foram satisfatórios e apresentaram uma acurácia superior a 70% para amostras de imagens pertencentes a outros poços não vistos durante o treinamento. Por fim, uma comparação foi realizada entre a metodologia proposta e modelos de múltiplas classes, demonstrando a superioridade dos modelos on-class.
Abstract
This thesis presented a methodology for classifying carbonate images of petro-graphic thin sections by means of computational vision techniques and deep learning neural networks. The area of computer vision, one of the sub-areas of artificial in-telligence has been widely used to process data in the industry, especially in the oil and gas area. Brazil, which has an extensive hydrocarbon reserve on its coast, has also benefited from these techniques. The analysis of images of petrographic thin sections can be important to provide information on the quality of reservoirs, highlighting important characteristics such as carbonate lithology. However, the automatic identification of lithology in these reservoirs continues to be a great chal-lenge, mainly due to the heterogeneity that is part of the lithologies of the Brazilian pre-salt. Within this context, this work presents a classification approach of one-class models or specialist models aiming at the identification of 4 classes of lithology present in the rock reservoirs of the Brazilian pre-salt. The proposed methodology has the challenge to deal with a reduced number of images for the trained neural networks, in addition to the complexity involved in the analyzed data. An auto-machine learning tool called AuoKeras was used to define the hyperparameters of two implemented models. The results found were satisfactory and showed an accu-racy greater than 70% for samples of images belonging to the other few not seen during the training. Finally, a comparison was made between the proposed method-ology and the multiple class model, demonstrating the superiority of the one class model.
