Please use this identifier to cite or link to this item: https://repositorio.ufjf.br/jspui/handle/ufjf/16199
Files in This Item:
File Description SizeFormat 
rodrigooliveirasilva.pdfPDF/A3.81 MBAdobe PDFThumbnail
View/Open
Full metadata record
DC FieldValueLanguage
dc.contributor.advisor1Fonseca, Leonardo Goliatt-
dc.contributor.advisor1Latteshttp://lattes.cnpq.br/9030707448549156pt_BR
dc.contributor.referee1Saporetti, Camila Martins-
dc.contributor.referee1Latteshttp://lattes.cnpq.br/4862105931908699pt_BR
dc.contributor.referee2Basilio, Samuel da Costa Alves-
dc.contributor.referee2Latteshttp://lattes.cnpq.br/pt_BR
dc.creatorSilva, Rodrigo Oliveira-
dc.creator.Latteshttp://lattes.cnpq.br/pt_BR
dc.date.accessioned2023-11-17T11:33:53Z-
dc.date.available2023-11-17-
dc.date.available2023-11-17T11:33:53Z-
dc.date.issued2022-08-05-
dc.identifier.urihttps://repositorio.ufjf.br/jspui/handle/ufjf/16199-
dc.description.abstractThe total organic carbon of rock samples is the main detailed and qualitative measure of the organic matter present in a basin. It is often manually calculated by studying source samples. This approach, however, requires time and money because it relies on withdrawals from various well intervals in source rocks. As a result, research has been carried out to assist in this endeavor. Machine learning algorithms are an alternative to providing estimates of total organic carbon based on data well records and stratigraphic analysis. In this scenario, the current one suggests an estimate of total organic carbon that is thought using the machine learning approach. To add flexibility to the model, the selection of the cross parameters was performed using a standard heuristic approach with validation. This computational technique allows the identification of models with greater generalization potential. Convolutional Neural Networks (CNN), Extreme Learning Machine, Elastic Net Linear Model and Extreme Gradient Boost were used. The suggested approach was validated using samples from some sedimentary basins. In research capacity, the RNC technique excels approaches, demonstrating in helping the prediction of total organic carbon.pt_BR
dc.description.resumoO nível de carbono orgânico total das amostras de rochas é a principal medida quantitativa e qualitativa da quantidade de matéria orgânica presente em uma bacia. Muitas vezes é estimado manualmente através do estudo de amostras de rochas de origem. Esta abordagem, no entanto, requer tempo e dinheiro porque depende de amostras retiradas de vários intervalos de poços em rochas geradoras. Como resultado, tentativas de pesquisa têm sido feitas para auxiliar nessa empreitada. Algoritmos de aprendizado de máquina surgem como uma alternativa para fornecer estimativas de carbono orgânico total com base em registros de poços de dados e análise estratigráfica. Considerando esse cenário, a pesquisa atual sugere que a estimativa de carbono orgânico total seja automatizada usando abordagens de aprendizado de máquina. Para adicionar flexibilidade ao modelo, a seleção dos parâmetros dos modelos foi realizada usando uma abordagem com meta- heurísticas emparelhadas com validação cruzada. Esta técnica computacional permite a identificação de modelos com maior potencial de generalização. Foram usados Redes Neurais Convolucionais (RNC), Extreme Learning Machine, Elastic Net Linear Model e Extreme Gradient Boost. A abordagem sugerida foi validada usando amostras de algumas bacias sedimentares. Em várias métricas estudadas, a técnica RNC se sobressai às demais abordagens, demonstrando capacidade em auxiliar geólogos na previsão de concentrações de carbono orgânico total.pt_BR
dc.languageporpt_BR
dc.publisherUniversidade Federal de Juiz de Fora (UFJF)pt_BR
dc.publisher.countryBrasilpt_BR
dc.publisher.departmentFaculdade de Engenhariapt_BR
dc.publisher.initialsUFJFpt_BR
dc.rightsAcesso Abertopt_BR
dc.rightsAttribution-ShareAlike 3.0 Brazil*
dc.rights.urihttp://creativecommons.org/licenses/by-sa/3.0/br/*
dc.subjectCOTpt_BR
dc.subjectRedes neurais convulacionaispt_BR
dc.subjectAprendizado de máquinapt_BR
dc.subjectTOCpt_BR
dc.subjectConvolutional neural networkspt_BR
dc.subjectMachine learningpt_BR
dc.subject.cnpqEngenhariapt_BR
dc.titleAbordagem evolutiva de aprendizado de máquina para caracterização litológica de poços de exploração de petróleo.pt_BR
dc.title.alternativeEvolutionary Machine Learning Approach to Characterization lithology of oil exploration wells.pt_BR
dc.typeTrabalho de Conclusão de Cursopt_BR
Appears in Collections:Engenharia Computacional - TCC Graduação



This item is licensed under a Creative Commons License Creative Commons