Banca de DEFESA: KATERINE DE JESUS RINCON PEREZ

Uma banca de DEFESA de DOUTORADO foi cadastrada pelo programa.
DISCENTE : KATERINE DE JESUS RINCON PEREZ
DATA : 26/08/2025
HORA: 14:00
LOCAL: meet.google.com/ezg-agtf-euw
TÍTULO:

Aplicações de aprendizagem profunda em geofísica: casamento de dados e inversão

PALAVRAS-CHAVES:

Sísmica time-lapse, OBN, Deep Learning, efeitos de não repetibilidade, inversao, FWI.

PÁGINAS: 107
RESUMO:

O trabalho aplica metodologias de Deep Learning (DL) para resolver problemas geofísicos, com foco na sísmica Time-Lapse (TL), uma técnica essencial para monitorar mudanças em reservatórios e apoiar o gerenciamento estratégico, utilizando dados sísmicos sintéticos do pré-sal adquiridos com Ocean Bottom Nodes (OBN). A primeira abordagem concentrou-se em mitigar uma das principais limitações da sísmica TL: a não repetibilidade dos dados entre levantamentos, causada por diversos fatores ambientais e variações no posicionamento dos equipamentos, o que pode mascarar alterações reais no reservatório. Para lidar com esse desafio, utilizamos Conditional Generative Adversarial Networks (cGANs). A metodologia foi desenvolvida com o objetivo de corrigir os efeitos de não repetibilidade, melhorando a qualidade dos dados antes da aplicação da Double-Difference Full Wave Inversion (DDFWI). Como segunda aplicação, visando estimar variações de velocidade e como técnica paralela à inversão, foi construída uma base de dados sintética representando cenários com diferentes anomalias de velocidade. Uma Convolutional Neural Network (CNN) foi treinada utilizando sismogramas sintéticos de baseline e monitor gerados a partir de um modelo de velocidade do pré-sal. A entrada da rede foi a diferença time-lapse entre os dados de baseline e monitor, e a saída correspondia ao respectivo modelo de velocidade. Os resultados demonstram que a CNN obteve um desempenho preciso na inversão, com eficiência computacional significativamente superior. Ambos os cenários foram treinados com 80% dos dados e testados com os 20% restantes. As previsões foram avaliadas por métricas quantitativas como erro quadrático médio (MSE), raiz do erro quadrático médio normalizado (NRMS) e índice de similaridade estrutural (SSIM), indicando boa capacidade de inferência do modelo.

MEMBROS DA BANCA:
Externo à Instituição - BRUNO SOUZA CARMO
Externo ao Programa - 1379465 - GILBERTO CORSO - UFRNExterno à Instituição - HERMES SENGER
Externo ao Programa - 2492756 - JOAO MEDEIROS DE ARAUJO - UFRNInterno - 1153006 - LUIZ AFFONSO HENDERSON GUEDES DE OLIVEIRA
Presidente - 1673543 - SAMUEL XAVIER DE SOUZA