Sistema inteligente para estimar a porosidade em sedimentos a partir da análise de sinais GPR

This Thesis presents the elaboration of a methodological propose for the development of an intelligent system, able to automatically achieve the effective porosity, in sedimentary layers, from a data bank built with information from the Ground Penetrating Radar GPR. The intelligent system was built to model the relation between the porosity (response variable) and the electromagnetic attribute from the GPR (explicative variables). Using it, the porosity was estimated using the artificial neural network (Multilayer Perceptron MLP) and the multiple linear regression. The data from the response variable and from the explicative variables were achieved in laboratory and in GPR surveys outlined in controlled sites, on site and in laboratory. The proposed intelligent system has the capacity of estimating the porosity from any available data bank, which has the same variables used in this Thesis. The architecture of the neural network used can be modified according to the existing necessity, adapting to the available data bank. The use of the multiple linear regression model allowed the identification and quantification of the influence (level of effect) from each explicative variable in the estimation of the porosity. The proposed methodology can revolutionize the use of the GPR, not only for the imaging of the sedimentary geometry and faces, but mainly for the automatically achievement of the porosity one of the most important parameters for the characterization of reservoir rocks (from petroleum or water)

Esta tese apresenta a elaboração de uma proposta metodológica para o desenvolvimento de um sistema inteligente, capaz de obter automaticamente a porosidade efetiva, em camadas sedimentares, a partir de um banco de dados construído com informações do Radar de Penetração no Solo (Ground Penetrating Radar GPR). O sistema inteligente foi construído para modelar a relação entre a porosidade (variável resposta) e os atributos eletromagnéticos do GPR (variáveis explicativas). Com ele foi estimada a porosidade utilizando modelo de rede neural artificial (Multilayer Perceptron - MLP) e regressão linear múltipla. Os dados da variável resposta e das variáveis explicativas foram obtidos em laboratório e em levantamentos GPR delineados em sítios controlados em campo e laboratório. O sistema inteligente proposto possui a capacidade de estimar a porosidade a partir de qualquer banco de dados disponível, que envolvam as mesmas variáveis utilizadas nesta tese. A arquitetura da rede neural utilizada pode ser modificada de acordo com a necessidade existente, adequando-se aos bancos de dados disponíveis. A utilização do Modelo de Regressão Linear Múltipla permitiu que fosse identificada e quantificada a influência (grau de efeito) de cada variável explicativa na estimativa da porosidade. A metodologia proposta pode revolucionar o uso do GPR por permitir, não apenas o imageamento das geometrias e fácies sedimentares, mas principalmente a obtenção automática da porosidade um dos parâmetros mais importantes na caracterização de rochas reservatórios (petrolíferos ou aquíferos)