Please use this identifier to cite or link to this item:
http://hdl.handle.net/1843/61122
Full metadata record
DC Field | Value | Language |
---|---|---|
dc.contributor.advisor1 | Marcos Oliveira Prates | pt_BR |
dc.contributor.advisor1Lattes | http://lattes.cnpq.br/7893235207392165 | pt_BR |
dc.contributor.referee1 | Thais Paiva Galletti | pt_BR |
dc.contributor.referee2 | Luis Mauricio Castro Cepero | pt_BR |
dc.creator | Lucas Azevedo Birro Michelin | pt_BR |
dc.creator.Lattes | http://lattes.cnpq.br/7938051491678752 | pt_BR |
dc.date.accessioned | 2023-11-20T11:48:57Z | - |
dc.date.available | 2023-11-20T11:48:57Z | - |
dc.date.issued | 2023-08-15 | - |
dc.identifier.uri | http://hdl.handle.net/1843/61122 | - |
dc.description.abstract | Extrair recursos geológicos, como fluidos de hidrocarbonetos, requer investimentos significativos e processos de tomada de decisão precisos. Para otimizar a eficiência do processo de extração, pesquisadores e especialistas da indústria têm explorado metodologias inovadoras, incluindo a previsão de locais de perfuração ótimos. A porosidade, um atributo fundamental das rochas de um reservatório, desempenha um papel crucial na determinação da sua capacidade de armazenamento de fluidos. Técnicas geoestatísticas, como a ''krigagem'', têm sido amplamente utilizadas para estimar a porosidade, capturando a dependência espacial em dados de amostras pontuais. No entanto, a dependência das coordenadas geográficas para determinar distâncias espaciais pode apresentar desafios em cenários de pequenas amostras e amplamente separadas. Neste artigo, desenvolvemos um modelo de mistura que combina a covariância gerada pelo espaço geográfico e a covariância gerada em um espaço de covariáveis (\textit{features}) apropriado para aprimorar a precisão da estimativa. Desenvolvido no contexto Bayesiano, nossa abordagem utiliza métodos de Monte Carlo com Cadeia de Markov (MCMC) e aproveita a estratégia do Processo Gaussiano dos vizinhos mais próximos (NNGP) para atingir escalabilidade. Apresentamos uma comparação em um estudo de simulação, considerando várias configurações para geração dos dados, a fim de avaliar o desempenho do modelo de mistura em comparação aos modelos marginais. Além disso, a aplicação dos nossos modelos em uma simulação de reservatório tridimensional demonstra sua aplicabilidade prática e escalabilidade. Esta pesquisa apresenta uma abordagem inovadora para a melhoria da estimativa de porosidade, integrando informações espaciais e de covariáveis, oferecendo o potencial para otimizar atividades de exploração e extração de reservatórios. | pt_BR |
dc.description.resumo | Extracting geological resources like hydrocarbon fluids requires significant investments and precise decision-making processes. To optimize the efficiency of the extraction process, researchers and industry experts have explored innovative methodologies, including the prediction of optimal drilling locations. Porosity, a key attribute of reservoir rocks, plays a crucial role in determining fluid storage capacity. Geostatistical techniques, such as kriging, have been widely used for estimating porosity by capturing spatial dependence in sampled point-referenced data. However, the reliance on geographical coordinates for determining spatial distances may present challenges in scenarios with small and widely separated samples. In this paper, we develop a mixture model that combines the covariance generated by geographical space and the covariance generated in an appropriate feature space to enhance estimation accuracy. Developed within the Bayesian framework, our approach utilizes flexible Markov Chain Monte Carlo (MCMC) methods and leverages the Nearest-Neighbor Gaussian Process (NNGP) strategy for scalability. We present a controlled empirical comparison, considering various data generation configurations, to assess the performance of the mixture model in comparison to the marginal models. Applying our models to a three-dimensional reservoir simulation demonstrates its practical applicability and scalability. This research presents a novel approach for improved porosity estimation by integrating spatial and covariate information, offering the potential for optimizing reservoir exploration and extraction activities. | pt_BR |
dc.language | eng | pt_BR |
dc.publisher | Universidade Federal de Minas Gerais | pt_BR |
dc.publisher.country | Brasil | pt_BR |
dc.publisher.department | ICX - DEPARTAMENTO DE ESTATÍSTICA | pt_BR |
dc.publisher.program | Programa de Pós-Graduação em Estatística | pt_BR |
dc.publisher.initials | UFMG | pt_BR |
dc.rights | Acesso Aberto | pt_BR |
dc.subject | Spatial statistics | pt_BR |
dc.subject | Cokriging | pt_BR |
dc.subject | Computation Bayesian Methods | pt_BR |
dc.subject | Feature Space | pt_BR |
dc.subject | Porosity Estimation | pt_BR |
dc.subject.other | Estatística – Teses | pt_BR |
dc.subject.other | Estatística espacial – Teses | pt_BR |
dc.subject.other | Teoria bayesiana de decisão estatística - Teses | pt_BR |
dc.subject.other | Petróleo - Pós sal- Brasil - Teses | pt_BR |
dc.title | Fast mixture spatial regression: a mixture in the geographical and feature space applied to predict oil in the post-salt | pt_BR |
dc.type | Dissertação | pt_BR |
dc.identifier.orcid | 0000-0001-8077-4898 | pt_BR |
Appears in Collections: | Dissertações de Mestrado |
Files in This Item:
File | Description | Size | Format | |
---|---|---|---|---|
Dissertação_Mestrado_2023_Lucas_Michelin_FinalVersion.pdf | 6.69 MB | Adobe PDF | View/Open |
Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.