A descoberta de uma jazida de petróleo é uma tarefa que envolve um longo e dispendioso estudo e análise de dados geofísicos e geológicos das bacias sedimentares. Somente após exaustivo prognóstico do comportamento das diversas camadas do subsolo, os geólogos e geofísicos decidem propor a perfuração de um poço, que é a etapa que mais investimentos exige em todo processo de prospecção. A primeira etapa de um programa exploratório é a realização de um estudo geológico, onde as rochas são classificadas e, dependendo dessa classificação, a área pode ser considerada favorável ou não a acumulações de petróleo. Assim, esse trabalho visa a construção de um sistema capaz de identificar e classificar rochas através de reconhecimento e classificação de imagens. O trabalho consistiu, fundamentalmente, de sete partes: 1) estudo sobre a área de petrologia, especificamente em classificação de rochas; 2) análise das técnicas de identificação e descrição de texturas em imagens; 3) estudo dos métodos de seleção de atributos mais representativos em uma base de dados; 4) estudo sobre os principais métodos de classificação de padrões; 5) análise de sistemas neuro-fuzzy hierárquicos na tarefa de classificação; 6) definição e implementação de três sistemas hierárquicos híbridos específicos para classificação de classes macros e classificação de subclasses das classes macros; e 7) estudo de casos. No estudo sobre rochas, foram investigados as três principais classes em petrologia: ígnea, sedimentar e metamórfica, juntamente com seus métodos de classificação. Na investigação sobre os métodos de classificação, seleção de atributos e técnicas de identificação e descrição de textura, foi feito um levantamento bibliográfico das áreas, onde foram apresentadas as principais técnicas utilizadas para estas tarefas. Entre as principais técnicas para classificação destacaram-se: árvores de decisão, sistemas fuzzy, redes neurais, e os sistemas neuro-fuzzy. No caso de seleção de variáveis pode-se citar: análise de componentes principais, análise de componentes independentes, entropia, algoritmos genéticos e sistemas neuro-fuzzy. Para quantificação de texturas em imagens destacaram-se: os métodos estatísticos, texturais e espectrais. Na análise dos sistemas neuro-fuzzy hierárquicos, em classificação de padrões, levouse em consideração as peculiaridades do modelo, que possui: aprendizado da estrutura, particionamento recursivo do espaço de entrada, além de regras fuzzy recursivas. Foram definidos três novos sistemas para classificação de classes macros e de subclasses das classes macros: NFHB-SubClass, RN-NFHB-SubClass e RNHierárquico-SubClass. O primeiro utiliza um modelo NFHB-Class, pai ou raíz, no topo da hierarquia, como classificador das classes macros e outros sistemas NFHB-Class, subordinados ao sistema classificador macro, para determinar as subclasses. O segundo e o terceiro utilizam uma rede neural, pai ou raiz, no topo da hierarquia, como classificador das classes macros e sistemas NFHB-Class e redes neurais,
TESE
LAERCIO BRITO GONÇALVES
Publicação 2010
Orientadores: Fabiana Rodrigues Leta
