Defesa de Dissertação de Mestrado da aluna Patricia Ferreira da Silva

Título da dissertação:
ResRiskOnto: an application ontology for risks in the petroleum reservoir domain

Resumo:
Este trabalho apresenta a Reservoir Risks Ontology (ResRiskOnto), uma ontologia aplicada para riscos na indústria de óleo e gás associados ao domínio de reservatórios. Os blocos utilizados na
construção desta ontologia são termos dominados por profissinais de reservatório, de forma a facilitar sua adoção na documentação futura de riscos.A ResRiskOnto foi desenvolvida tendo como ideia central o conceito de Evento de Risco. Cada evento tem um conjunto de possíveis Participantes, que por sua vez possuem Características manifestadas durante o evento. A ontologia oferece um conjunto de 94 termos, 29 dos quais derivados da classe Evento de Risco.Para o desenvolvimento da ResRiskOnto, conduzimos uma análise semântica em documentos contendo aproximadamente 2500 riscos relacionados a reservatórios descritos em linguagem natural. Este repositório é o resultado de centenas de workshops de avaliação de riscos em projetos de óleo & gás, conduzidos na Petrobras ao longo de uma década.A ontologia aqui apresentada tem seus fundamentos nos princípios da Basic Formal Ontology (BFO). A BFO é uma ontologia de topo, projetada para descrever domínios científicos. Uma de suas características mais marcantes é seu compromisso com o Realismo, uma visão filosófica segundo a qual os entes que constituem o que é real existem independentemente da nossa representação a respeito desses entes. Na camada de domínio as entidades de reservatório são descritas segundo os princípios da GeoCore Ontology, uma ontologia para a Geologia. GeoCore dá suporte ao entendimento geológico, contribuindo assim para elucidar o domínio de Reservatórios. Para validar a ResRiskOnto os documentos do repositório foram anotados utilizando os entes e relações definidos na ontologia, para desenvolvimento de um modelo de processamento em linguagem natural capaz de reconhecer entidades nomeadas e extrair as relações entre elas. Nossa contribuição é uma ontologia aplicada que permite o raciocínio semântico no repositório de documentos de risco. Também esperamos que ela forneça (i) as bases para modelagem de dados no caso de riscos relacionados a reservatórios; e (ii) um padrão para futura documentação de riscos no domínio de reservatório.

Orientador:
Prof. Doutor Helio Côrtes Vieira Lopes

Banca:
Prof. Doutor Rafael Jesus de Moraes
Prof.(a) Doutor(a) Simone Diniz Junqueira Barbosa
Prof. Doutor Regis Kruel Romeo
Prof. Doutor William Paulo Ducca Fernandes

Link: http://www.inf.puc-rio.br/blog/noticia/noticia/defesa-de-dissertacao-de-mestrado-resriskonto-an-application-ontology-for-risks-in-the-petroleum-reservoir-domain

Defesa de doutorado do aluno Antônio José Grandson Busson

Título da tese:

A Self-supervised Method for Blind Denoising of Seismic Shot Gathers

Resumo:

Nos últimos anos, a geofísicos tem se dedicado ao aprimoramento da qualidade dos dados sísmicos por meio da atenuação de ruído e interpolação de sismogramas usando métodos puramente baseados em CNN. Métodos baseados em CNN podem alcançar resultados estado-da-arte para remoção de ruídos. No entanto, eles não se aplicam a cenários sem dados de treinamento emparelhados (ou seja, dados sísmicos ruidosos e dados sísmicos sem ruído correspondentes). Neste trabalho, tratamos a atenuação de ruídos de dados sísmicos como um problema de atenuação de ruído cega, que consiste em remover ruídos desconhecidos sem dados pareados. Em outras palavras, a base usada pelo modelo de denoiser é aprendida a partir das próprias amostras ruidosas durante o treinamento. Motivado por este contexto, o principal objetivo deste trabalho é propor um método auto-supervisionado para atenuação cega de dados sísmicos, que não requer análise prévia do sinal sísmico, nenhuma estimativa do ruído e nenhum dado de treinamento pareado.

O método proposto assume dois conjuntos de dados: um contendo shot gathers com ruídos e o outro com shot gathers sem ruídos. A partir desses dados, treinamos dois modelos: (1) Seismic Noise Transfer (SNT), que aprende a produzir shot gathers com ruído sintético contendo o ruído dos shot gathers com ruído e o sinal dos shot gathers sem ruído; E (2) Sismic Neural Denoiser (SND), que aprende a mapear os shot gathers com ruído sintético de volta à coleta aos shot gathers sem ruído original. Após o treinamento, o SND sozinho é usado para remover o ruído das capturas ruidosas originais. Nosso modelo SNT adapta o algoritmo Neural Style Transfer (NST) ao domínio sísmico. Além disso, nosso modelo SND consiste em uma nova arquitetura CNN baseada em fusão de atributos em várias escalas para eliminação de ruído em shot gathers. Nosso método produziu resultados promissores em experimentos, alcançando um ganho de PSNR de 0,9 em comparação com outros modelos de última geração.

Orientador:

Prof(a). Doutor(a) Sérgio Colcher

Banca:

Prof Doutor André Bulcão

Prof Doutor Julio Cesar Duarte

Prof Doutor Marcelo Gatass

Prof Doutor Alberto Barbosa Raposo

Prof Doutor Jônatas Wehrmann

Prof. Doutor Sergio Lifschitz

Prof. Doutor Alan Livio Vasconcelos Guedes

Acompanhe-nos pelo link:

http://www.inf.puc-rio.br/blog/noticia/noticia/defesa-de-tese-de-doutorado-a-self-supervised-method-for-blind-denoising-of-seismic-shot-gathers

Defesa de doutorado do aluno Thales Levi Azevedo Valente

https://puc-rio.zoom.us/j/95153657421?pwd=OWkvVm9mMzZEQ2RDZnFKN3I1amltQT09

Título da tese:

Method for automatic detection of stamps in scanned documents using deep learning and synthetic data generation by instance augmentation.

Resumo:

Documentos digitalizados em ambientes de negócios substituíram grandes volumes de papéis. Profissionais autorizados usam carimbos para certificar informações críticas nesses documentos. Muitas empresas precisam verificar o carimbo adequado de documentos de entrada e saída. Na maioria das situações de inspeção, as pessoas usam seus próprios olhos para identificar carimbos, e a verificação manual de carimbos é cansativa, suscetível a erros e ineficiente em termos de tempo gasto e resultados esperados. Erros na verificação manual de carimbos podem gerar multas de órgãos reguladores, interrupção de operações e até mesmo comprometer fluxos de trabalho e transações financeiras. Propomos duas técnicas que combinadas podem resolver esse problema automatizando totalmente a detecção de carimbos em documentos digitalizados do mundo real.

Nossas técnicas podem lidar com conjuntos de dados contendo muitos tipos de carimbos minoritários (de tamanho de amostra pequena), com sobreposições, combinações diferentes por página e dados ausentes. Na primeira técnica, propomos uma arquitetura de rede profunda projetada a partir da relação entre os problemas identificados em carimbos do mundo real e os desafios e soluções da tarefa de detecção de objetos apontados na literatura.

Na segunda técnica, propomos um método para aumentar, por exemplo, conjuntos de dados de carimbos a partir de dados reais para investigar se é possível detectar tipos de carimbos com amostras insuficientes.

Avaliamos os hiperparâmetros da abordagem de aumento de instâncias e os resultados obtidos através de um método Deep Explainability. Alcançamos resultados de última geração para a tarefa de detecção de carimbos combinando com sucesso essas duas técnicas.

Orientador:

Prof. Doutor Marcelo Gattas, PUC-Rio

Banca:

Prof. Doutor Paulo Ivson Netto Santos, PUC-Rio

Prof. Doutor Aristófanes Corrêa Silva, UFMA

Prof. Doutor Waldemar Celes Filho, PUC-Rio

Acompanhe-nos também no site:

http://www.inf.puc-rio.br/blog/noticia/noticia/defesa-de-tese-de-doutorado-method-for-automatic-detection-of-stamps-in-scanned-documents-using-deep-learning-and-synthetic-data-generation-by-instance-augmentation