Banca de DEFESA: THIAGO THEIRY DE OLIVEIRA

Uma banca de DEFESA de MESTRADO foi cadastrada pelo programa.
DISCENTE : THIAGO THEIRY DE OLIVEIRA
DATA : 06/07/2026
HORA: 09:00
LOCAL: Auditório do Núcleo de Pesquisa e Inovação em Tecnologia da Informação - nPITI
TÍTULO:

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

 

PALAVRAS-CHAVES:

Visão Computacional, Aprendizado de Maquina, Interpretação Sísmica, Redes Neurais, Margem Continental.

PÁGINAS: 80
RESUMO:

A delimitação precisa da transição entre a crosta continental e a crosta oceânica, conhecida como Continent-Ocean Transition (COT) e Continent-Ocean Boundary (COB), representa um desafio complexo para o entendimento da estrutura interna da terra e dos processos geodinâmicos da sua evolução ao longo do tempo geológico. O mapeamento sistemático da COB/COT tem se tornado de interesse crescente da comunidade geocientifica em função da complexidade estrutural envolvida na evolução tectônica das margens continentais e da natureza gradual dessa transição lateral entre diferentes tipos de crosta. A identificação desta interface da crosta em subsuperficie fornece informações essenciais sobre a evolução tectônica, a formação de bacias sedimentares e a arquitetura da crosta terrestre, além de possuir implicações cientificas, econômicas e geopolíticas relevantes, especialmente no contexto da exploração de recursos naturais e da definição de limites territoriais e 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 subjetiva de geocientistas. Esse caráter subjetivo, torna necessária o desenvolvimento 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 multidisciplinares que indiquem a presença da transição da crosta continental-oceanica. Esta dissertação propõe o desenvolvimento de uma metodologia automatizada para o mapeamento da COB/COT a partir de dados sísmicos, baseada na classificação de blocos (patches) de imagens sísmicas previamente rotulados por geólogos em cinco classes geológicas: água, bacia sedimentar, crosta continental, crosta oceânica e manto. Inicialmente, e avaliada uma abordagem baseada exclusivamente em redes neurais convolucionais (Convolutional Neural Networks – CNNs), seguida por extensões metodológicas que incorporam explicitamente a informação de posição espacial dos patches e arquiteturas baseadas em Transformers, incluindo modelos híbridos que combinam CNNs e mecanismos de autoatenção. O conjunto de dados foi construído a partir de imagens sísmicas interpretadas por geólogos, organizadas em blocos (patches) que permitem a aplicação de diferentes estratégias de aprendizado de maquina. As metodologias propostas possibilitam a reconstrução espacial da segmentação da imagem sísmica original a partir das predições realizadas sobre os patches, preservando a coerência espacial das unidades geológicas mapeadas. A incorporação explicita de informações espaciais e de mecanismos de atenção mostrou-se fundamental para enriquecer a representação dos dados, favorecendo a identificação de padrões associados a transição entre as crostas continental-oceanica, especialmente em regiões de maior complexidade geofísica. De modo geral, os experimentos realizados demonstram que abordagens baseadas em deep learning, em especial arquiteturas hibridas CNN–Transformer, constituem ferramentas eficazes de apoio a delimitação da COB/COT. Os resultados obtidos indicam desempenho satisfatório, com acurasse global em torno de 92% no conjunto de teste, evidenciando boa capacidade de discriminação entre as principais unidades geológicas. Observa-se que o uso combinado de convolações e mecanismos de autoatenção contribui para a melhoria da robustez das classificações e para a redução da subjetividade interpretativa, ampliando o potencial de aplicação de técnicas de inteligência artificial na analise sísmica. Dessa forma, a metodologia proposta abre perspectivas para estudos futuros com bases de dados mais extensas e diferentes contextos geológicos.

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