Redes neurais artificiais aplicadas na classificação litológica das formações Palermo e Rio Bonito na jazida do Leão - RS, com base em perfis geofísicos

• Ano de defesa: 2009
• Autor(a) principal: Schmitt, Paula
• Orientador(a): Veronez, Mauricio Roberto
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade do Vale do Rio dos Sinos
• Programa de Pós-Graduação: Programa de Pós-Graduação em Geologia
• Departamento: Escola Politécnica
• País: Brasil
• Palavras-chave em Português: Redes neurais; Classificação litológica; Jazida do Leão; Formações Rio Bonito e Palermo
• Palavras-chave em Inglês: Neural networks; Lithological classification; Leão Coal Field; Rio Bonito and Palermo formations
• Área do conhecimento CNPq: ACCNPQ::Ciências Exatas e da Terra::Geologia
• Link de acesso: http://www.repositorio.jesuita.org.br/handle/UNISINOS/3366

As técnicas de perfilagem geofísica e de testemunhagem, utilizadas na identificação de litologias, representam alto custo financeiro e envolvem uma quantidade considerável de tempo por parte de um especialista. Nesse sentido, este trabalho propõe a modelagem e aplicação de um método alternativo de classificação litológica, através de Redes Neurais Artificiais (RNAs), para auxiliar no processo de interpretação de dados geofísicos. A área de estudo da aplicação é a Jazida do Leão, localizada em sua grande parte nos municípios de Rio Pardo, Minas do Leão e Butiá (RS). O conjunto de treinamento e de validação da RNA contém informações de oito furos de sonda provenientes das Formações Palermo e Rio Bonito. As variáveis de entrada incluem dados de profundidade e informações geofísicas de perfis raios gama, potencial espontâneo, resistência e resistividade. Para todos os experimentos, as litologias a serem classificadas foram: arenito, siltito e carvão. O modelo de rede neural utilizado foi o de múltiplas camadas (MLP) alimentadas adiante (feedforward). As redes foram treinadas com o algoritmo de retropropagação de Levenberg- Marquardt e Resilient Backpropagation. Obteve-se uma taxa de acertos de aproximadamente 80% na classificação.