• Portal do Governo Brasileiro
  • Atualize sua Barra de Governo
  • Ir para o conteúdo 1
  • Ir para o menu 2
  • Ir para a busca 3
  • Ir para o rodapé 4
  • Acessibilidade
  • Alto Contraste
  • Mapa do Site
Topo
Laboratório Nacional de Computação Científica

LNCC

Ministério da Ciência, Tecnologia e Inovações
Instagram Linkedin Facebook YouTube
  • SDumont
  • Imprensa
  • SEI-MCTI
  • Webmail
  • Intranet
  • Fale Conosco
Destaques Result. Programas PCI-LNCC Resultado Final do 1º Processo Seletivo de 2021 Guia de Conduta
logo

O LNCC

  • Histórico
  • Missão
  • Estrutura Organizacional
  • Corpo Técnico Científico
  • Documentos Institucionais
  • Localização

Coordenações

  • Coordenação de Métodos Matemáticos e Computacionais - COMAC
  • Coordenação de Modelagem Computacional - COMOD
  • Coordenação de Pós-graduação e Aperfeiçoamento - COPGA
  • Coordenação de Tecnologia da Informação e Comunicação - COTIC
  • Coordenação de Gestão e Administração - COGEA

Pesquisa e Desenvolvimento

  • Linhas de Pesquisa
  • Produção Técnico-Científica
  • Projetos de P & D
  • Grupos de Pesquisa

Supercomputador SDUMONT - Computação de Alto Desempenho

  • Supercomputador Santos Dumont
  • CENAPAD
  • SINAPAD

Programas Nacionais

  • INCT-MACC
  • LABINFO
  • SINAPAD

Inovação

  • Incubadora
  • NitRio
  • Soluções para Empresas

Programas  Acadêmicos

  • Mestrado e Doutorado
  • Programa de Verão
  • Bolsas de Estudos

Eventos

Biblioteca

  • Biblioteca

Acesso à Informação

  • Institucional
  • Ações e Programas
  • Participação Social
  • Auditorias
  • Receitas e Despesas
  • Licitações, Contratos e Convênios
  • Servidores
  • Informações Classificadas
  • Serviço de Informação ao Cidadão - SIC
  • Perguntas Frequentes
  • Dados Abertos
  • Gestão Documental
  • Agenda do Diretor
  • Carta de serviço ao Cidadão
  • Sobre a Lei de Acesso à Informação
  • Assessoria de Comunicação
  • Ouvidoria
  • Comissão de Ética
  • Gestão de Riscos
  • Guia de Conduta
  • LGPD
 

EVENTO



Redes Neurais Aplicadas à Modelagem Computacional de Reservatórios de Petróleo

Tipo de evento:
Defesa de Tese de Doutorado


Modelos de alta resolução representando a heterogeneidade de reservatórios de petróleo raramente podem ser usados diretamente em simulações de reservatórios devido ao alto custo computacional envolvido. Para viabilizar essas simulações, procedimentos de upscaling (transferência de escalas) são utilizados para obtenção de modelos em escalas mais grosseiras e, consequentemente, mais baratos do ponto de vista computacional. Tradicionalmente, as técnicas de upscaling variam de abordagens analíticas a procedimentos numéricos sofisticados. No entanto, o método de transferência de escalas, usado para calcular as propriedades das rochas em escala grossa, deve capturar com precisão os efeitos da heterogeneidade na escala fina sobre os escoamentos. Recentemente, propomos uma metodologia que incorpora uma rede neural convolucional (CNN) para predizer a permeabilidade equivalente. A rede CNN foi projetada automaticamente usando um algoritmo genético (AG) desenvolvido nesta tese. Este método baseado em CNN obteve sucesso em relação à raiz quadrada do erro quadrático médio (RMSE) e demanda computacional quando comparado com a técnica local, em cenários 2D e 3D [1]. Em seguida, realizamos um estudo comparativo entre os procedimentos numéricos de upscaling, tais como local, local estendido, local-global e aritmético, com o objetivo de selecionar a melhor técnica para melhor posicionar nosso trabalho no estado-da-arte atual. Em termos do erro relativo sobre a curva de produção, breakthrough (tempo de chegada da água ao poço de produção) e custo computacional, o método local teve o melhor desempenho. Com essa técnica, geramos conjuntos de treinamento e validação para selecionar as melhores arquiteturas de CNN via AG. Tais arquiteturas forneceram resultados que convergem para a solução de referência na malha fina. Para demonstrar a superioridade de nossa abordagem baseada em CNN, comparamos com arquiteturas tradicionais, como VGGNet e ResNet adaptadas para o problema de upscaling. Desenvolvemos também um autoencoder baseado em CNN, projetado para computar a permeabilidade na escala grossa no espaço reduzido a partir do encoder cuja estrutura é gerada pelo AG. O autoencoder desenvolvido fornece uma abordagem alternativa para treinamento da CNN projetada pelo AG a qual, nos testes realizados, obteve resultados de upscaling melhores do que a mesma CNN treinada fora do autoencoder. A fim de melhorar a performance do AG foram incorporados operadores mais eficientes e testadas novas formas de gerar novos descendentes, além de incorporar uma metodologia de inicialização dos parâmetros internos das arquiteturas, computada a partir da distribuição de probabilidade dos pesos ajustados nas gerações anteriores, com o objetivo de projetar arquiteturas mais eficientes. Com a inicialização introduzida a partir da segunda geração, o AG apresentou desempenho superior que a proposta com uso de procedimentos tradicionais de inicialização. Fizemos trambém comparação entre o AG desenvolvido e o método de evolução diferencial apresentado em [2], obtendo resultados mais favoráveis com o AG proposto para a geração automática de CNNs. [1] Ramos, E.M. Borges, M.R. Giraldi, G.A.Schulze, B.R. et al.Prediction o fpermeability of porous media using optimized convolutional neural networks,Computational Geosciences, 2022 [2] Wang, B. et al. A hybrid differential evolution approach to designing deep convolutional neural networks for image classification, In: Australasian Conference on Artificial Intelligence, 2018.


Para assistir acesse:
meet.google.com/fuz-vexv-umj

Data Início: 09/08/2024
Hora: 09:00
Data Fim: 09/08/2024
Hora: 12:00

Local:  LNCC - Laboratório Nacional de Computação Ciêntifica - Virtual

Aluno:
Eliaquim Monteiro Ramos - - LNCC

Orientador:
Gilson Antônio Giraldi - Laboratório Nacional de Computação Científica - LNCC
Marcio Rentes Borges - Laboratório Nacional de Computação Científica - LNCC

Participante Banca Examinadora:
André da Motta Salles Barreto - GOOGLE -
Fabio André Machado Porto - Laboratório Nacional de Computação Científica - LNCC
Flávia de Oliveira Lima Falcão - Centro de Pesquisas, Desenvolvimento e Inovação da Petrobras - CENPES
Gilson Antônio Giraldi - Laboratório Nacional de Computação Científica - LNCC
Helio José Corrêa Barbosa - Laboratório Nacional de Computação Científica - LNCC/MCTI
Marcelo Bernardes Vieira - Universidade Federal de Juiz de Fora - UFJF

Suplente Banca Examinadora:
Antônio Tadeu Azevedo Gomes - Laboratório Nacional de Computação Científica - LNCC
Jaime dos Santos Cardoso - Faculdade de Engenharia da Universidade do Porto - FEUP


Últimas eventos

  •   Principal
  •   Hotéis/Pousadas
  •   Área do Inscrito
 
 Voltar para o topo
Rodapé

Principal

  • Estrutura Organizacional
  • Corpo Técnico Científico
  • Produção Técnico-Científica
  • Projetos de P & D
  • Mestrado e Doutorado
  • Bolsas de Estudos
  • Seminários
  • Congressos / Escolas / Cursos
  • Biblioteca

Acesso à Informação

  • Institucional
  • Ações e Programas
  • Participação Social
  • Auditorias
  • Receitas e Despesas
  • Licitações, Contratos e Convênios
  • Servidores
  • Informações Classificadas
  • Serviço de Informação ao Cidadão - SIC
  • Perguntas Frequentes
  • Dados Abertos
  • Gestão Documental
  • Agenda do Diretor
  • Carta de serviço ao Cidadão
  • Sobre a Lei de Acesso à Informação
  • Ouvidoria
  • Comissão de Ética
  • Gestão de Riscos
  • Guia de Conduta

Serviços

  • Fale Conosco
  • Assessoria de Comunicação

Redes Sociais

  • Instagram
  • Linkedin
  • Facebook
  • YouTube

Navegação

  • Acessibilidade
  • Mapa do Site

Brasil - Governo Federal   Brasil - Governo Federal