Banca de QUALIFICAÇÃO: LUCAS GOMES DANTAS

Uma banca de QUALIFICAÇÃO de MESTRADO foi cadastrada pelo programa.
DISCENTE: LUCAS GOMES DANTAS
DATA: 31/08/2026
HORA: 12:00
LOCAL: Laboratório ARIA
TÍTULO: Caracterização Geoestatística de Transformações no Espaço Latente em Modelos Generativos para Construção de Ensembles 3D de Fácies e Assimilação de Dados
PALAVRAS-CHAVES: Caracterização geoestatística; espaço latente; GAN; LDM; fácies; diversidade; ensembles 3D; ES-MDA
PÁGINAS: 69
RESUMO: A caracterização adequada da incerteza geológica é fundamental para a tomada de decisão na exploração e produção de petróleo e gás, uma vez que diferentes configurações espaciais das fácies podem resultar em comportamentos de fluxo significativamente distintos. Nesse contexto, a modelagem estocástica de fácies busca gerar conjuntos de realizações que representem essa incerteza, preservem propriedades geológicas relevantes, como geometria e conectividade, e possam ser atualizados à medida que dados de produção se tornam disponíveis. Modelos generativos baseados em aprendizado profundo têm se mostrado promissores para essa tarefa, particularmente as Redes Adversariais Generativas (GANs) e os Modelos de Difusão Latente (LDMs), que produzem campos de fácies a partir de variáveis gaussianas — o código (z), na GAN, e o estado inicial (x_T), no LDM. Embora as mesmas famílias de transformação — interpolação linear (LERP), interpolação esférica (SLERP), perturbação aditiva e campo latente de profundidade (LDF) — possam atuar sobre ambas as representações, ainda falta na literatura uma comparação sistemática dessas estratégias sob um protocolo experimental comum. Nesta dissertação, uma GAN 2D e um LDM são treinados na mesma resolução de 128 × 128 utilizando o conjunto GANRiver-I, composto por sete fácies. As realizações geradas são avaliadas quanto à proporção de classes, ao variograma indicador, à conectividade e à Distância de Wasserstein Fatiada em Múltiplas Escalas (MS-SWD). Nesta etapa, a avaliação é restrita a duas dimensões; posteriormente, as configurações selecionadas a partir dessa caracterização serão utilizadas no empilhamento de fatias para a construção de ensembles 3D e sua assimilação por meio do Ensemble Smoother com Múltipla Assimilação de Dados (ES-MDA). Sem transformação do espaço latente, a GAN apresenta maior proximidade com a referência, com proporção de canal de 14,0%, frente a 14,3% na referência, e MS-SWD de 0,011, próximo ao piso amostral de 0,007. O LDM, por sua vez, produz maior proporção de planície (72,5% contra 55,4%) e menor proporção de canal (7,7%). Em um percurso experimental envolvendo as quatro operações, com semente 42, LERP e SLERP apresentam comportamento coincidente na GAN. No LDM, entretanto, LERP e LDF podem levar à eliminação da fácies de canal, enquanto a perturbação aditiva mantém as realizações mais próximas da referência. Os resultados indicam, portanto, que a escolha da trajetória no espaço latente depende do mecanismo generativo empregado e não deve ser tratada como indiferente. Essa caracterização fornece subsídios para a seleção das estratégias a serem empregadas nas etapas subsequentes de construção dos ensembles 3D e assimilação de dados.
MEMBROS DA BANCA:
Presidente(a) - 1743917 - THAIS GAUDENCIO DO REGO
Interno(a) - 1167863 - LEONARDO VIDAL BATISTA
Externo(a) à Instituição - RODRIGO EXTERKOETTER