Reservatórios turbidíticos – simulação da morfologia por estatísticas multiponto e avaliação das propriedades petrofísicas

Esta dissertação apresenta uma metodologia original para simular a morfologia e as propriedades petrofísicas de reservatórios de hidrocarbonetos em sistemas de canais turbidíticos. Estes sistemas são constituídos por complexos, ou seja, conjuntos de canais de arquitetura meandriforme, e são considerados importantes alvos para a indústria petrolífera. A simulação da morfologia divide-se em duas partes, primeiramente é simulada a trajetória do complexo e depois são simuladas as trajetórias dos canais propriamente ditos condicionadas à trajetória do complexo. O algoritmo de simulação utiliza as classes de ângulos azimutais de linhas poligonais de treino como uma variável aleatória. As trajetórias são simuladas também como linhas poligonais, condicionais a estatísticas multiponto das trajetórias de treino e a pontos de controlo. As estatísticas multiponto são organizadas em árvore, que guarda sequências de classes de orientação que ocorrem na trajetória de treino e as respetivas probabilidades de ocorrência. Para avaliar as propriedades petrofísicas, o modelo morfológico das trajetórias é convertido para uma malha de blocos de alta resolução, identificando-se, em cada bloco, a fácies preponderante de acordo com um modelo conceptual de zonamento da secção dos canais. A conversão prioriza os canais mais recentes (do topo) sobre os mais antigos (da base). A cada fácies é associada uma lei de distribuição da porosidade e permeabilidade, assim são geradas imagens destas propriedades petrofísicas por Simulação Sequencial Direta com histogramas locais. Finalmente, o número de blocos da malha é reduzido por upscaling e as simulações são ordenadas para poderem ser utilizadas nos simuladores de fluxo. Para ilustrar a metodologia, utilizaram-se imagens de sísmica 3D de um reservatório turbidítico na Bacia do Baixo Congo para extrair leis de distribuição das dimensões dos canais e trajetórias de treino. Os resultados representam corretamente a arquitetura complexa destes sistemas.

Text mining e twitter : o poder das redes sociais num mercado competitivo

Actualmente, com a massificação da utilização das redes sociais, as empresas passam a sua mensagem nos seus canais de comunicação, mas os consumidores dão a sua opinião sobre ela. Argumentam, opinam, criticam (Nardi, Schiano, Gumbrecht, & Swartz, 2004). Positiva ou negativamente. Neste contexto o Text Mining surge como uma abordagem interessante para a resposta à necessidade de obter conhecimento a partir dos dados existentes. Neste trabalho utilizámos um algoritmo de Clustering hierárquico com o objectivo de descobrir temas distintos num conjunto de tweets obtidos ao longo de um determinado período de tempo para as empresas Burger King e McDonald’s. Com o intuito de compreender o sentimento associado a estes temas foi feita uma análise de sentimentos a cada tema encontrado, utilizando um algoritmo Bag-of-Words. Concluiu-se que o algoritmo de Clustering foi capaz de encontrar temas através do tweets obtidos, essencialmente ligados a produtos e serviços comercializados pelas empresas. O algoritmo de Sentiment Analysis atribuiu um sentimento a esses temas, permitindo compreender de entre os produtos/serviços identificados quais os que obtiveram uma polaridade positiva ou negativa, e deste modo sinalizar potencias situações problemáticas na estratégia das empresas, e situações positivas passíveis de identificação de decisões operacionais bem-sucedidas.