Interpretação de Zonas Carstificadas Usando Redes Neurais Convolucionais e
Interpretabilidade Através de Explainable AI
Radar de Penetração do Solo; Zonas Carstificadas; Deep Learning; Explainable AI.
O radar de penetração no solo (GPR) pode ser usado para auxiliar no mapeamento de zonasvcarstificadas em análogos para a caracterização e compreensão de reservatórios carbonáticos. Com o auxílio do GPR, é possível entender o comportamento dos processos de carstificação em carbonatos e, assim, expandir o conhecimento até o nível do reservatório. Nesse contexto, este estudo busca desenvolver modelos de Deep Learning baseados em redes neurais convolucionais utilizando a arquitetura U-Net e capazes de auxiliar no mapeamento de zonas carstificadas obtidas por meio de levantamentos de GPR. Além disso, técnicas de inteligência artificial explicável (XAI) usando valores de SHapley additive exPlanation (SHAP) são aplicadas para melhorar a interpretabilidade e explicabilidade dos modelos gerados. Essas técnicas foram empregadas com o objetivo de avaliar as regras encontradas pelos modelos, a qualidade da modelagem e a presença de vieses nos mesmos. Além disso, configurações distintas com relação aos valores de background de SHAP foram testadas e comparadas para avaliar como elas influenciam a explicabilidade do modelo. Os valores de SHAP mostram que o atributo energia foi o que mais forneceu informações na modelagem e consequentemente proporcionou maior peso nas regras do modelo enquanto os demais dados apresentaram contribuições menos relevantes. Além disso, o tipo de amostragem utilizado para definir os valores de referência para os valores SHAP resultou em diferentes interpretações das contribuições dos dados utilizados. Por fim, geramos um modelo capaz de auxiliar no mapeamento de zonas carstificadas e utilizamos uma técnica extremamente relevante para promover a compreensão de modelos complexos e permitir uma maior cooperação entre especialistas em geociências e osresultados gerados por meio de técnicas de Deep Learning.