Banca de DEFESA: GALLILEU GENESIS PEREIRA DE SOUSA

Uma banca de DEFESA de DOUTORADO foi cadastrada pelo programa.
DISCENTE: GALLILEU GENESIS PEREIRA DE SOUSA
DATA : 15/12/2025
HORA: 14:00
LOCAL: Pós-Graduação Engenharia Civil
TÍTULO:

Avaliação de modelos baseados em machine learning aplicados a problemas complexos de classificação de padrões geológicos: distribuição de litofacies e pressão de poros

PALAVRAS-CHAVES:

machine learning; classificação de litofácies; petrofácies; pressão de poro; modelos de boosting; support vector machines; regressão logística; predição de padrões geológicos.

PÁGINAS: 159
RESUMO:

Essa tese investiga, de forma integrada, o uso de modelos de aprendizado de máquina para dois problemas complexos da engenharia de reservatórios: (i) a classificação de litofácies/petrofácies em cenários de dados escassos e intervalos delgados e (ii) a predição de pressão de poro em escala regional a partir de perfis geofísicos. O objetivo central é avaliar, com abordagens multivariadas, o desempenho de modelos clássicos (GNB, SVM e Regressão Logística) e de ensembles do tipo boosting (XGBoost, LightGBM, HistGradientBoosting, CatBoost, Natural Gradient Boosting, GBM, e AdaBoost), bem como comparar sistematicamente as estratégias multiclasse One-vs-One (OvO) e One-vs-All (OvA). No Experimento 1, utilizando pseudopoços de alta resolução em calcários finamente laminados análogos a reservatórios carbonáticos, demonstra-se que o SVM apresenta melhor desempenho na discriminação fina de petrofácies individuais, ao passo que o GNB se destaca quando o problema é agregado em grupos de petrofácies, evidenciando o papel crítico da representatividade espacial e do desenho amostral em cenários de dados limitados. No Experimento 2, comparação entre OvO e OvA em modelos SVM e de Regressão Logística indica que OvA tende a apresentar vantagens em métricas macro, com foco em classes raras, enquanto diferenças em métricas ponderadas são pequenas, reforçando que a escolha da estratégia deve ser guiada pelas prioridades de negócio (sensibilidade em minoritárias versus acurácia global) e pelos custos computacionais. No Experimento 3, a partir de 28.946 medições de DT, RHO e GR em múltiplos poços da Sub-bacia de Sergipe, mostra-se que XGBoost e HistGradientBoosting são os modelos com melhor desempenho para capturar a forte não linearidade e heterogeneidade espacial da pressão de poro em escala regional, superando os demais modelos boosting e ressaltando a importância da representatividade espacial e de preditores geográficos, como a distância à costa. Em conjunto, os resultados sustentam que modelos parcimoniosos, quando combinados a um delineamento amostral adequado e à seleção criteriosa de atributos, são competitivos em contextos de dados escassos, e que ensembles do tipo boosting constituem alternativas eficientes e interpretáveis para a predição regional da pressão de poro. A tese contribui, ainda, ao explicitar diretrizes operacionais para a escolha entre OvO e OvA em problemas desbalanceados de classificação de litofácies e ao preencher lacunas da literatura quanto à aplicação de boosting na estimação de pressão de poro em escala de bacia.

MEMBROS DA BANCA:
Externo à Instituição - FRANKBELSON DOS SANTOS AZEVEDO - IFPB
Externo à Instituição - ALVARO FARIAS PINHEIRO - UFPE
Externo ao Programa - 3089669 - JEFFERSON TAVARES CRUZ OLIVEIRA - nullPresidente - 1413233 - LEONARDO JOSE DO NASCIMENTO GUIMARAES
Externo à Instituição - MICHAEL ANDRADE MAEDO - UFU