top of page
Capítulo estudantil
UERJ Geophysical Society
III Workshop de Geofísica Aplicada:
Indústria 4.0
O mundo está presenciando uma grande revolução que afeta o modo como vivemos, comunicamos e produzimos, é a chamada quarta revolução industrial, ou Indústria 4.0. Para entender como esta revolução afeta a geociência, a UERJ Geophysical Society organizou a edição de 2020 do seu Workshop de Geofísica Aplicada voltada para essa temática, com a intenção de oferecer ao participantes uma visão deste novo cenário das necessidades para se encaixar nesse.
Agora vamos aos detalhes do evento:
Nosso workshop terá duração de 3 dias, incluindo 4 palestras e uma mesa redonda. As palestras não ficarão gravadas, pois teremos demonstrações de softwares pagos que não podem ficar públicas.
O certificado de participação constará a carga horaria de 6h, equivalente ao tempo de exibição do evento. Para ter direito ao certificado os participantes deverão estar inscritos no evento e assinar a lista de presença ao final de cada palestra. Será necessário 70% de participação no evento para obtenção do certificado.
Cronograma do evento
Descrição das palestras
iEnergy e a evolução das soluções em nuvem para a indústria de óleo e gás
A indústria de óleo e gás é conhecida por seu perfil tradicional na adoção de tecnologias computacionais. Isso se deve majoritariamente ao grande volume e complexidade dos seus dados. Com a transformação digital e a evolução para o modelo de indústria 4.0, o setor de E&P viu a necessidade de acelerar o processo de adoção de soluções em nuvem e novas tecnologias. Quais os aspectos e impactos da adoção dessas novas soluções tecnológicas e como garantir sua confiabilidade e segurança? Como lidar como o gerenciamento e o controle de qualidade dos dados nesses novos ambientes?
Palestrante: Bruno Oliveira, Coordenador de Tecnologia
Formado em Engenharia de Computação na Universidad de Belgrano em Buenos Aires e logo depois iniciou a sua carreira na Halliburton onde teve a oportunidade de trabalhar nos setores de Drilling & Completions, Desenvolvimento de aplicações voltado a análise de riscos e geociências, consultor de pré-vendas para a área de plataforma e cloud e agora liderando o time de tecnologia da Landmark - Halliburton.
Modelagem Geológica Gridless, uma abordagem disruptiva!
A representação e caracterização digital de subsuperfície da Terra tanto quantitativa e qualitativamente tem por objetivo avaliar as incertezas e suportar as operações downstream. Tais representações conhecidas como Modelagem Geológica utilizam dados geofísicos e geológicos e baseiam-se em técnicas geoestatísticas desenvolvidas nas décadas de 60 e 70 que evoluíram significativamente ao serem disponibilizadas em pacotes de softwares comerciais nas décadas sequenciais. Todavia, esses fluxos encontram limitações no que tangem a fidedigna representação da amostragem dos dados e sua escalabilidade (preservação da amostragem), resolução dos dados, necessidade de múltiplas realizações para diferentes áreas de interesse. Esses desafios podem ser endereçados a partir de uma nova abordagem de modelagem geológica, nativa em nuvem e capaz de criar modelos sem a necessidade de grid, a partir da tecnologia Gridless disponível no DecisionSpace® Scalable Earth Modeling.
Palestrante: Arthur Bazoni
Graduado em Geologia pela Universidade Federal do Espirito Santo, possui mais de 7 anos de experiência na área de geologia e geofísica. Ingressou na Halliburton em 2014 e atualmente assume a posição de Consultor de Vendas Técnicas para as soluções de Geologia e Geofísica.
Introdução a Redes Neurais no Petrel
Nesta palestra será apresentada uma introdução sobre o uso de métodos de redes neurais para caracterização de reservatórios no Petrel incluindo: sua definição, dinâmicas de aprendizado (supervisionado e não-supervisionado) e um breve fluxo de trabalho para classificação não-supervisionada de sismofácies multi-atributos.
Palestrante: Danilo Jotta Ferreira
Geocientista na Schlumberger desde 2018 e atualmente doutorando na UFF em geofísica aplicada com ênfase em modelagem de processos geológicos ou sedimentar associada a geoestatística para caracterização de reservatórios do pré-sal brasileiro. Formado em bacharelado em geologia em 2015 e mestre em geofísica aplicada pela UFF em 2018. Experiência em análise, interpretação e modelagem de reservatórios para caracterização e otimização da produção em diversas empresas do setor de óleo e gás. Suas linhas de pesquisa incluem caracterização de rochas carbonáticos, estratigrafia, sismoestratigrafia e machine learning aplicada a indústria de óleo e gás.
Machine Learning Aplicado ao Sensoriamento Remoto de Fronteiras
A distinção entre manchas de óleo naturais e antrópicas na superfície do mar é considerada uma tarefa desafiadora e importante, especialmente no Golfo do México, a região mais prolífica no mundo em exsudações petrolíferas e onde esses eventos podem ser simultaneamente observados. Radares de abertura sintética (SAR) têm sido amplamente usados para ajudar no monitoramento da presença de óleo no ambiente marinho. Por outro lado, o Machine Learning (ML) está crescendo na indústria do petróleo devido à sua poderosa capacidade de análise de dados. Foi utilizado um grande banco de dados contendo 4.916 amostras validadas no campo, além de uma série de características espectrais e geométricas extraídas diretamente de imagens do satélite RADARSAT-2. A análise exploratória dos dados reduziu as feições redundantes e multi-correlacionadas, selecionando as mais representativas para otimizar o tempo de processamento. Quatro algoritmos de ML foram testados com o objetivo de projetar um modelo de classificação (CM) para indicar a fonte da mancha de óleo (OSS) como natural (exsudações) ou antrópica (derrames), como segue: redes neurais artificiais, florestas aleatórias, análise discriminante linear e regressão logística. As acurácias globais foram utilizadas para selecionar o melhor conjunto de feições, métodos e parâmetros. Foi assim obtido um resultado de 73,15% de acurácia. Os efeitos dos modos de operação do satélite foram também avaliados, melhorando as previsões e alcançando 77,11% de acurácia mediana. Redes Neurais Artificiais (RNA) e Florestas Aleatória (RF) apresentaram o melhor potencial para identificar a OSS. Conhecer o potencial e as limitações do modelo é fundamental para aprimorar seu desempenho, permitir um uso operacional confiável e indicar as melhores configurações de satélite para novas aquisições de imagens. Pretende-se utilizar o CM treinado no Golfo do México para classificar imagens RADARSAT-2 adquiridas na Margem Continental Brasileira.
Palestrante: Fernando Pellon
Possui graduação em Geologia pela Universidade Federal do Rio de Janeiro-UFRJ (1978), mestrado em Sensoriamento Remoto e Aplicações em Geologia pelo Instituto Nacional de Pesquisas Espaciais-INPE (1984) e doutorado em Geofísica pela University of Nevada, Reno (1990). Atualmente, é Consultor Sênior da PETROBRAS/CENPES e professor colaborador voluntário da COPPE/UFRJ.
Organização:
Apoio:
UERJ Geophysical Society
Student Chapter
bottom of page