Campo DC | Valor | Idioma |
dc.creator | Costa, Nayguel de Castro | - |
dc.date.accessioned | 2023-07-18T11:27:13Z | - |
dc.date.available | 2023-07-18T11:27:13Z | - |
dc.date.issued | 2023-06-14 | - |
dc.identifier.citation | COSTA, Nayguel de Castro. Aprendizado ativo profundo para classificação de fácies sísmicas. 2023. 91 f. Dissertação (Mestrado em Matemática) - Instituto de Matemática e Estatística - IME, Universidade Federal da Bahia, Salvador (Bahia), 2023. | pt_BR |
dc.identifier.uri | https://repositorio.ufba.br/handle/ri/37353 | - |
dc.description.abstract | Seismic facies interpretation is a critical aspect of oil and gas exploration, yet it is
not practical for human interpreters to analyze every part of the data thoroughly as the
volume and resolution of seismic data increases. To address this issue, deep learning-based
interpretation methods have gained attention. However, acquiring a sufficiently large and
accurately labeled training dataset within project timelines remains a challenge. Active
learning methods have been proposed to overcome this obstacle. They reduce the number
of required training labels by creating an optimized labeled training set from unlabeled
data.
In this study, we developed an end-to-end encoding-decoding deep neural network
for seismic facies classification and applied an active learning workflow with three distinct
query strategies. The research was made using the Parihaka public dataset. Additionally,
we introduced a unique bootstrap-based strategy to assess the confidence interval for the
active learning curves. Our results showed that comparable outcomes to the baseline
model could be achieved using less than half of the labeled training dataset, even when
employing rudimentary methods, such as random sampling. Notably, the uncertainty
sampling proved to be the most effective among the query strategies studied, as it has the
potential to not only prioritize the most informative images but also identify uninformative
ones. These promising findings suggest that the incorporation of active learning techniques
can enhance the practicality and efficiency of deep learning-based seismic interpretation
by reducing the reliance on large, labeled training datasets. | pt_BR |
dc.language | por | pt_BR |
dc.publisher | Universidade Federal da Bahia | pt_BR |
dc.rights | Attribution-NonCommercial-NoDerivs 3.0 Brazil | * |
dc.rights.uri | http://creativecommons.org/licenses/by-nc-nd/3.0/br/ | * |
dc.subject | Aprendizado Profundo | pt_BR |
dc.subject | Aprendizado Ativo | pt_BR |
dc.subject | Interpretação Sísmica | pt_BR |
dc.subject | Segmentação de Imagens | pt_BR |
dc.subject.other | Deep Learning | pt_BR |
dc.subject.other | Active Learning | pt_BR |
dc.subject.other | Seismic Interpretation | pt_BR |
dc.subject.other | Image Segmentation | pt_BR |
dc.title | Aprendizado ativo profundo para classificação de fácies sísmicas | pt_BR |
dc.title.alternative | Deep active learning for seismic facies classification | pt_BR |
dc.type | Dissertação | pt_BR |
dc.publisher.program | Pós-Graduação em Matemática (PGMAT) | pt_BR |
dc.publisher.initials | UFBA | pt_BR |
dc.publisher.country | Brasil | pt_BR |
dc.subject.cnpq | CNPQ::CIENCIAS EXATAS E DA TERRA | pt_BR |
dc.subject.cnpq | CNPQ::CIENCIAS EXATAS E DA TERRA::MATEMATICA | pt_BR |
dc.contributor.advisor1 | Rodrigues, Paulo Jorge Canas | - |
dc.contributor.advisor1ID | https://orcid.org/0000-0002-1248-9910 | pt_BR |
dc.contributor.advisor1Lattes | http://lattes.cnpq.br/0029960374321970 | pt_BR |
dc.contributor.advisor-co1 | Oliveira, Luciano Rebouças de | - |
dc.contributor.advisor-co1Lattes | http://lattes.cnpq.br/0372650483087124 | pt_BR |
dc.contributor.referee1 | Rodrigues, Paulo Jorge Canas | - |
dc.contributor.referee1ID | https://orcid.org/0000-0002-1248-9910 | pt_BR |
dc.contributor.referee1Lattes | http://lattes.cnpq.br/0029960374321970 | pt_BR |
dc.contributor.referee2 | Cerqueira, Alexsandro Guerra | - |
dc.contributor.referee2ID | https://orcid.org/0000-0003-3462-9336 | pt_BR |
dc.contributor.referee2Lattes | http://lattes.cnpq.br/4993793853330521 | pt_BR |
dc.contributor.referee3 | Teodoro, George Luiz Medeiros | - |
dc.contributor.referee3ID | https://orcid.org/0000-0001-6289-3914 | pt_BR |
dc.contributor.referee3Lattes | http://lattes.cnpq.br/6732940162423405 | pt_BR |
dc.creator.ID | https://orcid.org/0009-0006-4703-4760 | pt_BR |
dc.creator.Lattes | https://lattes.cnpq.br/8798973834391382 | pt_BR |
dc.description.resumo | A interpretação de fácies sísmicas é um aspecto crítico da exploração de petróleo
e gás. Porém, à medida que o volume e resolução dos dados sísmicos aumenta, não se
torna prático para os intérpretes humanos analisar minuciosamente cada parte dos dados.
Para mitigar esse problema, métodos de interpretação baseados em aprendizado profundo
têm ganhado atenção recentemente. No entanto, adquirir um conjunto de dados de treinamento suficientemente grande e anotado, dentro dos cronogramas de projeto, continua
sendo um desafio. Para superar esse obstáculo, métodos de aprendizado ativo foram propostos. Esses métodos reduzem a quantidade de anotação nos dados de treinamento ao
criar um conjunto de treinamento rotulado otimizado a partir de dados não rotulados.
Neste estudo, uma rede neural profunda do tipo encoder-decoder foi desenvolvida
para executar a tarefa de classificação de fácies sísmicas. Em seguida, foi aplicado um
protocolo de aprendizado ativo com três diferentes estratégias de amostragem. A pesquisa
foi feita utilizando o conjunto de dados público Parihaka. Adicionalmente, é introduzida
uma estratégia inovadora para avaliar o intervalo de confiança nas curvas de aprendizado ativo, utilizando bootstrap. Os resultados mostraram que métricas comparáveis às
do modelo de referência foram alcançadas usando menos da metade do conjunto de dados de treinamento rotulado, mesmo empregando métodos simples, como a amostragem
aleatória. A amostragem por incerteza mostrou-se a mais eficaz dentre as estratégias
de amostragem estudadas, apresentando potencial para não apenas priorizar as imagens
mais informativas, mas também identificar imagens não informativas. Esses resultados
promissores sugerem que a incorporação de técnicas de aprendizado ativo pode melhorar a praticidade e eficiência da interpretação sísmica baseada em aprendizado profundo,
reduzindo a dependência de grandes conjuntos de dados de treinamento anotados. | pt_BR |
dc.publisher.department | Instituto de Matemática | pt_BR |
dc.type.degree | Mestrado Acadêmico | pt_BR |
Aparece nas coleções: | Dissertação (PGMAT)
|