Redes neurais artificiais aplicadas na classificação litológica das formações Palermo e Rio Bonito na jazida do Leão - RS, com base em perfis geofísicos
As técnicas de perfilagem geofísica e de testemunhagem, utilizadas na identificação de litologias, representam alto custo financeiro e envolvem uma quantidade considerável de tempo por parte de um especialista. Nesse sentido, este trabalho propõe a modelagem e aplicação de um método alternativo de c...
| Autor: | |
|---|---|
| Tipo de recurso: | tesis de maestría |
| Estado: | Versión publicada |
| Fecha de publicación: | 2009 |
| País: | Brasil |
| Institución: | Universidade do Vale do Rio dos Sinos (UNISINOS) |
| Repositorio: | Repositório Institucional da UNISINOS (RBDU Repositório Digital da Biblioteca da Unisinos) |
| Idioma: | portugués |
| OAI Identifier: | oai:www.repositorio.jesuita.org.br:UNISINOS/3366 |
| Acceso en línea: | http://www.repositorio.jesuita.org.br/handle/UNISINOS/3366 |
| Access Level: | acceso abierto |
| Palabra clave: | ACCNPQ::Ciências Exatas e da Terra::Geologia Redes neurais Classificação litológica Jazida do Leão Formações Rio Bonito e Palermo Neural networks Lithological classification Leão Coal Field Rio Bonito and Palermo formations |
| Sumario: | As técnicas de perfilagem geofísica e de testemunhagem, utilizadas na identificação de litologias, representam alto custo financeiro e envolvem uma quantidade considerável de tempo por parte de um especialista. Nesse sentido, este trabalho propõe a modelagem e aplicação de um método alternativo de classificação litológica, através de Redes Neurais Artificiais (RNAs), para auxiliar no processo de interpretação de dados geofísicos. A área de estudo da aplicação é a Jazida do Leão, localizada em sua grande parte nos municípios de Rio Pardo, Minas do Leão e Butiá (RS). O conjunto de treinamento e de validação da RNA contém informações de oito furos de sonda provenientes das Formações Palermo e Rio Bonito. As variáveis de entrada incluem dados de profundidade e informações geofísicas de perfis raios gama, potencial espontâneo, resistência e resistividade. Para todos os experimentos, as litologias a serem classificadas foram: arenito, siltito e carvão. O modelo de rede neural utilizado foi o de múltiplas camadas (MLP) alimentadas adiante (feedforward). As redes foram treinadas com o algoritmo de retropropagação de Levenberg- Marquardt e Resilient Backpropagation. Obteve-se uma taxa de acertos de aproximadamente 80% na classificação. |
|---|