Por favor, use este identificador para citar o enlazar este ítem: http://www.monografias.ufop.br/handle/35400000/7081
Título : Utilização do algoritmo Random Forest para geração de perfis sônicos sintéticos por meio de registros convencionais.
Autor : Senra, Gabriel Sanglard
metadata.dc.contributor.advisor: Silva, Joney Justo da
metadata.dc.contributor.referee: Silva, Joney Justo da
Campos, Magno Silvério
Gertrudes, Jadson Castro
Palabras clave : Registros sonoros
Prospecção - métodos geofísicos
Bacias - Geologia
Reservatórios subterrâneos
Fecha de publicación : 2024
Citación : SENRA, Gabriel Sanglard. Utilização do algoritmo Random Forest para geração de perfis sônicos sintéticos por meio de registros convencionais. 2024. 65 f. Monografia(Graduação em Engenharia de Produção) - Escola de Minas, Universidade Federal de Ouro Preto, Ouro Preto, 2024.
Resumen : Este estudo explora o uso de aprendizado de máquina, focando no modelo Random Forest, para inferir o perfil sônico a partir de registros geofísicos convencionais, como ILD, RHOB, GR e NPHI, escolhidos por sua relevância na caracterização geológica e forte correlação com as velocidades sônicas. Os resultados mostram que o Random Forest supera a Equação de Faust, referência empírica tradicional, com maior precisão e coeficiente de determinação (R²), capturando melhor as complexidades geológicas do campo Lagoa Parda Sul. O estudo sugere melhorias, como otimização de hiperparâmetros, segmentação geológica e testes com outros algoritmos, como redes neurais e gradiente boosting.
metadata.dc.description.abstracten: This study explores the use of machine learning, focusing on the Random Forest model, to infer the sonic log from conventional geophysical logs such as ILD, RHOB, GR, and NPHI, selected for their relevance in geological characterization and strong correlation with sonic velocities. The results show that Random Forest outperforms the Faust Equation, a traditional empirical reference, with higher accuracy and coefficient of determination (R²), better capturing the geological complexities of the Lagoa Parda Sul field. The study suggests improvements, such as hyperparameter optimization, geological segmentation, and testing with other algorithms like neural networks and gradient boosting.
URI : http://www.monografias.ufop.br/handle/35400000/7081
Aparece en las colecciones: Engenharia de Produção - OP

Ficheros en este ítem:
Fichero Descripción Tamaño Formato  
MONOGRAFIA_UtilizacaoAlgoritmoRandom.pdf2,98 MBAdobe PDFVisualizar/Abrir


Los ítems de DSpace están protegidos por copyright, con todos los derechos reservados, a menos que se indique lo contrario.