Please use this identifier to cite or link to this item: http://dspace.sti.ufcg.edu.br:8080/jspui/handle/riufcg/10580
Title: Efeito do tamanho da mostra de treinamento da predição de perfis faltantes por técnica de análise multivariada.
Other Titles: Effect of training sample size on missing profile prediction by multivariate analysis technique.
???metadata.dc.creator???: MONTEIRO FILHO, Adalberto Francisco.
???metadata.dc.contributor.advisor1???: SOARES, José Agnelo.
???metadata.dc.contributor.referee1???: BAZANTE, Arlindo José.
???metadata.dc.contributor.referee2???: NOGUEIRA, Francisco Cézar.
Keywords: Análise multivariada;Predição de perfis faltantes;Amostra de treinamento;Perfis geofísicos de poços;Método KNN;Raios gama;Porosidade de nêutrons;Perfilagem de poços;Petróleo;Multivariate analysis;Missing Profiles Prediction;Training Sample;Well geophysical profiles;KNN Method;Gamma;Neutron Porosity;Well profiling;Petroleum;Perfil sônico - poços;Sonic Profile - Wells
Issue Date: 4-Jul-2011
Publisher: Universidade Federal de Campina Grande
Citation: MONTEIRO FILHO, Adalberto Francisco. Efeito do tamanho da mostra de treinamento da predição de perfis faltantes por técnica de análise multivariada. 113f. (Dissertação de Mestrado em Engenharia de Minas), Programa de Pós-Graduação em Engenharia de Minas, Centro de Ciências e Tecnologia, Universidade Federal de Campina Grande – Paraíba Brasil, 2011.
???metadata.dc.description.resumo???: Perfis geofísicos de poços constituem uma importante fonte de dados para a avaliação do potencial de uma dada área, com fins de exploração de recursos naturais subterrâneos. Por diversas razões, dentre as quais destacamos as dificuldades operacionais, indisponibilidade de sondas ou por questões relativas a priorização no momento da contratação do serviço de aquisição dos dados, assim sendo dificilmente se dispõe do conjunto completo de perfis, de modo que pode haver perfis faltantes em um dado poco. No entanto, uma característica marcante dos perfis geofísicos de poços e que existe certo nível de redundância entre eles, de modo que se pode fazer uso desta característica para estimar um dado perfil faltante a partir dos demais perfis disponíveis. Neste trabalho as estimativas de perfis faltantes foram realizadas através da aplicação da técnica de estatística multivariada KNN (K-esimos valores mais próximos), a qual se baseia na medição da similaridade, no espaço multidimensional, entre valores dos diversos perfis de uma amostra de treinamento. A estimativa do valor de um dado perfil faltante e obtida pela similaridade entre os perfis disponíveis e os perfis da amostra de treinamento. Em particular, neste trabalho se avaliou o efeito do tamanho da amostra de treinamento sobre a eficiência da predição pelo método KNN. Os resultados obtidos mostram que o aumento do tamanho da amostra e treinamento conduz a redução da diferença entre a curva real e a estimada. No entanto, amostras de treinamento com apenas 10% dos dados disponíveis já fornecem resultados aceitáveis de predição para os perfis cuja variação ocorre em escala linear, como os perfis de densidade, sônico, raios gama e porosidade de neutrons. Para o perfil de resistividade elétrica não se obteve resultados aceitáveis, pois o mesmo não guarda redundância em relação aos demais perfis disponíveis.
Abstract: Geophysical well logs constitute an important data source for the evaluation of the potential of a given area for underground natural resources exploitation purposes. For several reasons, hardly the complete log set is available, so that there may be missing logs in a given well. However, a geophysical well logs characteristic is that there is some level of redundancy between them, so this feature can be used to estimate a given missing log from other available logs. This work estimate missing logs through the application of the multivariate statistical technique KNN (K-thnearest neighbor) which is based on the measurement of similarity between the values of several logs of a training sample set. The estimated value of a given missing log is obtained by the similarity between the available logs and the training set values. In particular this work evaluates the effect of the training set size on the efficiency of KNN prediction. The results obtained show that increasing the training set size leads to a reduction of the difference between the actual log and the estimated one. However, training set with only 10% of the available data already provide acceptable prediction for logs whose variation occurs in linear scale, as density, sonic, gamma ray and neutron porosity logs. For electrical resistivity log KNN not achieved acceptable results, because this log does not have redundancy with other available logs
Keywords: Análise multivariada
Predição de perfis faltantes
Amostra de treinamento
Perfis geofísicos de poços
Método KNN
Raios gama
Porosidade de nêutrons
Perfilagem de poços
Petróleo
Multivariate analysis
Missing Profiles Prediction
Training Sample
Well geophysical profiles
KNN Method
Gamma
Neutron Porosity
Well profiling
Petroleum
Perfil sônico - poços
Sonic Profile - Wells
URI: http://dspace.sti.ufcg.edu.br:8080/jspui/handle/riufcg/10580
Appears in Collections:Mestrado em Engenharia de Minas

Files in This Item:
File Description SizeFormat 
ADALBERTO FRANCISCO MONTEIRO FILHO - DISSERTAÇÃO PPGEMinas 2011.pdfAdalberto Francisco Monteiro Filho - Dissertação PPGEMinas 201114.08 MBAdobe PDFView/Open


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.