Vivian de Carvalho Rodrigues
Título
ESTIMATIVA DA PERMEABILIDADE ABSOLUTA ATRAVÉS DE IMAGENS DIGITAIS DE ROCHAS SEGMENTADAS POR APRENDIZADO PROFUNDO
Resumo
Apresenta-se, nesta dissertação, estimativas a permeabilidade absoluta de rochas carbonáticas a partir de imagens de micro tomogra a de raio-x (microCT) segmentadas a partir de aprendizado profundo. Foram utilizadas 12 amostras de coquinas da formação Morro do Chaves (Bacia Sergipe-Alagoas), consideradas análogas as coquinas da formação Itapema (Bacia de Santos). A partir das imagens em escala de cinza com 42 µm de resolução (imagens com 595 × 595 × 919 pixels), lotes foram separados entre treino e teste. Durante o treinamento, parte dos dados foram utilizados para validação. Cada lote de imagens de treino possui 32 sub-imagens com 64x64 pixels e razão de passo igual a 1. Foram utilizadas 100 épocas de aprendizado com critério de parada antecipada. Para a segmentação, foi utilizada a rede neural convolucional U-net com entropia cruzada como função de custo, e o algoritmo de otimização Adadelta. Adicionalmente, foram realizados testes de sensibilidade visando validar tanto a utilização da técnica de aumento de dados (data augmentation), como a aplicação de imagens de entrada com e sem ltros de redução de ruído. Os modelos de aprendizado profundo e a rede de poros foram gerados no programa Dragon y. Foi utilizado o algoritmo PNM (Pore Network Modeling) para o cálculo da permeabilidade destas redes de poros.
Abstract
In this work, we present the estimate the absolute permeability of rocks using micro tomography (microCT) images segmented using deep learning. It was used 12 samples of coquinas from the Morro do Chaves formation (Sergipe-Alagoas Basin), these samples are similar to those from the Itapema formation (Santos Basin). The images, with 42-micron resolution (595 × 595 × 919 pixels) are in gray scale. Data were separated into training, validation and testing. Each batch of training images has 32 sub-images with 64x64 pixels kernel and the stride ratio equal to 1. It was used 100 learning epochs with an early stopping criterion. The model used for segmentation will be U-net convolutional neural network with cross entropy as cost function and Adadelta optimization algorithm. Additionally, sensitivities were made regarding the use or not of the data augmentation technique and also regarding the use of input images with and without denoising lters. The deep learning models and the pore network were generated in the Dragon y program. The modeling for the calculation of the permeability of these pore networks was carried out using the PNM (Pore Network Modeling) algorithm.
