dc.creator.ID |
MONTEIRO FILHO, A. F. |
pt_BR |
dc.creator.Lattes |
http://lattes.cnpq.br/3202642829688471 |
pt_BR |
dc.contributor.advisor1 |
SOARES, José Agnelo. |
|
dc.contributor.advisor1ID |
SOARES, J. A. |
pt_BR |
dc.contributor.advisor1Lattes |
http://lattes.cnpq.br/3513704271463341 |
pt_BR |
dc.contributor.referee1 |
BAZANTE, Arlindo José. |
|
dc.contributor.referee2 |
NOGUEIRA, Francisco Cézar. |
|
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. |
pt_BR |
dc.publisher.country |
Brasil |
pt_BR |
dc.publisher.department |
Centro de Tecnologia e Recursos Naturais - CTRN |
pt_BR |
dc.publisher.program |
PÓS-GRADUAÇÃO EM ENGENHARIA DE MINAS |
pt_BR |
dc.publisher.initials |
UFCG |
pt_BR |
dc.title |
Efeito do tamanho da mostra de treinamento da predição de perfis faltantes por técnica de análise multivariada. |
pt_BR |
dc.date.issued |
2011-07-04 |
|
dc.description.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 |
pt_BR |
dc.identifier.uri |
http://dspace.sti.ufcg.edu.br:8080/jspui/handle/riufcg/10580 |
|
dc.date.accessioned |
2020-01-02T12:16:18Z |
|
dc.date.available |
2020-01-02 |
|
dc.date.available |
2020-01-02T12:16:18Z |
|
dc.type |
Dissertação |
pt_BR |
dc.subject |
Análise multivariada |
pt_BR |
dc.subject |
Predição de perfis faltantes |
pt_BR |
dc.subject |
Amostra de treinamento |
pt_BR |
dc.subject |
Perfis geofísicos de poços |
pt_BR |
dc.subject |
Método KNN |
pt_BR |
dc.subject |
Raios gama |
pt_BR |
dc.subject |
Porosidade de nêutrons |
pt_BR |
dc.subject |
Perfilagem de poços |
pt_BR |
dc.subject |
Petróleo |
pt_BR |
dc.subject |
Multivariate analysis |
pt_BR |
dc.subject |
Missing Profiles Prediction |
pt_BR |
dc.subject |
Training Sample |
pt_BR |
dc.subject |
Well geophysical profiles |
pt_BR |
dc.subject |
KNN Method |
pt_BR |
dc.subject |
Gamma |
pt_BR |
dc.subject |
Neutron Porosity |
pt_BR |
dc.subject |
Well profiling |
pt_BR |
dc.subject |
Petroleum |
pt_BR |
dc.subject |
Perfil sônico - poços |
pt_BR |
dc.subject |
Sonic Profile - Wells |
pt_BR |
dc.rights |
Acesso Aberto |
pt_BR |
dc.creator |
MONTEIRO FILHO, Adalberto Francisco. |
|
dc.publisher |
Universidade Federal de Campina Grande |
pt_BR |
dc.language |
por |
pt_BR |
dc.title.alternative |
Effect of training sample size on missing profile prediction by multivariate analysis technique. |
pt_BR |
dc.identifier.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. Disponível em: http://dspace.sti.ufcg.edu.br:8080/jspui/handle/riufcg/10580 |
pt_BR |