Banca de QUALIFICAÇÃO: THIAGO THEIRY DE OLIVEIRA

Uma banca de QUALIFICAÇÃO de MESTRADO foi cadastrada pelo programa.
DISCENTE : THIAGO THEIRY DE OLIVEIRA
DATA : 23/02/2026
HORA: 09:00
LOCAL: Sala Virtual
TÍTULO:

Mapeamento automatizado da fronteira entre as crostas continental e oceânica (COB/COT) baseado em Aprendizado de Máquina

 

PALAVRAS-CHAVES:

Visão computacional, Inteligência artificial, Aprendizado de Máquina, Geofísica, Redes Neurais, Deep Learning

 

PÁGINAS: 45
RESUMO:

A delimitação precisa da transição entre a crosta continental e a crosta oceânica (COB/COT) representa um dos desafios mais complexos e tornou-se um tópico de crescente interesse na comunidade científica, em função da complexidade estrutural das margens continentais e da natureza gradual dessa transição. O correto mapeamento dessa interface fornece informações essenciais sobre a evolução tectônica, a formação de bacias
sedimentares e a arquitetura da crosta terrestre, além de possuir implicações científicas, econômicas e geopolíticas relevantes, especialmente no contexto da exploração de recursos naturais e da definição de limites marítimos.Tradicionalmente, a delimitação da COB/COT exige uma abordagem multidisciplinar, baseada na integração de diferentes tipos de dados geológicos, geofísicos e geoespaciais, sendo fortemente dependente da interpretação manual de especialistas. Esse caráter subjetivo, torna necessária a investigação de metodologias mais objetivas, reprodutíveis e eficientes. Nesse contexto, técnicas de machine learning apresentam-se como uma alternativa promissora para identificar padrões complexos e relações sutis nos dados que indiquem a presença da transição continental-oceânica. Esta dissertação propõe o desenvolvimento de uma metodologia automatizada para o mapeamento da COB/COT a partir de dados sísmicos, utilizando redes neurais convolucionais (Convolutional Neural Networks – CNNs). A abordagem baseia-se na classificação de blocos (patches) de imagens sísmicas previamente rotulados por especialistas, considerando cinco classes geológicas: água, bacia sedimentar, crosta continental, crosta oceânica e manto. O conjunto de dados foi construído a partir de imagens sísmicas interpretadas, com aplicação de técnicas de aumento de dados (data augmentation) para
balanceamento das classes. Uma arquitetura CNN sequencial foi projetada, treinada e validada, permitindo a posterior reconstrução espacial da segmentação da imagem sísmica original. Os resultados obtidos demonstram que o modelo alcançou desempenho satisfatório, com acurácia global em torno de 82% no conjunto de teste, apresentando boa capacidade de discriminação entre as principais unidades geológicas. Observou-se maior facilidade na identificação das classes água, bacia sedimentar e crosta oceânica, enquanto a distinção entre crosta continental e manto permanece como um desafio, refletindo a similaridade geofísica intrínseca entre essas unidades. A reconstrução das imagens segmentadas mostrou coerência espacial e boa correspondência com as interpretações de referência. Apesar das limitações associadas, os resultados confirmam a viabilidade do uso de técnicas de deep learning como ferramenta de apoio à delimitação da COB/COT. A metodologia proposta contribui para a redução da subjetividade interpretativa e representa um avanço na aplicação de inteligência artificial à análise sísmica, abrindo caminho para estudos futuros com bases de dados mais amplas e cenários geológicos distintos. 

 

MEMBROS DA BANCA:
Presidente - 347628 - ADRIAO DUARTE DORIA NETO
Interno - 2579664 - ALLAN DE MEDEIROS MARTINS
Externo ao Programa - 1315614 - DAVID LOPES DE CASTRO - UFRNExterna à Instituição - ALANNY CHRISTINY COSTA DE MELO