Search

Orientador: Fernando Antônio Campos Gomide Dissertação (mestrado) - Universidade Estadual de Campinas, Faculdade de Engenharia Elétrica e de Computação Resumo: Sistemas evolutivos são sistemas com alto nível de adaptação capazes de modificar simultaneamente suas estruturas e parâmetros a partir de um fluxo de dados, recursivamente. Aprendizagem a partir de fluxos de dados é um problema contemporâneo e difícil devido à taxa de aumento da dimensão, tamanho e disponibilidade temporal de dados, criando dificuldades para métodos tradicionais de aprendizado. Esta dissertação, além de apresentar uma revisão da literatura de sistemas evolutivos e redes neurais fuzzy, aborda uma estrutura e introduz um método de aprendizagem evolutivo para treinar redes neurais híbridas baseadas em uninormas, usando conceitos de aprendizado extremo. Neurônios baseados em uninormas fundamentados nas normas e conormas triangulares generalizam neurônios fuzzy. Uninormas trazem flexibilidade e generalidade a modelos neurais fuzzy, pois elas podem se comportar como normas triangulares, conormas triangulares, ou de forma intermediária por meio do ajuste de elementos identidade. Este recurso adiciona uma forma de plasticidade em modelos de redes neurais. Um método de agrupamento recursivo para granularizar o espaço de entrada e um esquema baseado no aprendizado extremo compõem um algoritmo para treinar a rede neural. _E provado que uma versão estática da rede neural fuzzy baseada em uninormas aproxima funções contínuas em domínios compactos, ou seja, _e um aproximador universal. Postula-se, e experimentos computacionais endossam, que a rede neural fuzzy evolutiva compartilha capacidade de aproximação equivalente, ou melhor, em ambientes dinâmicos, do que as suas equivalentes estáticas Abstract: Evolving systems are highly adaptive systems able to simultaneously modify their structures and parameters from a stream of data, online. Learning from data streams is a contemporary and challenging issue due to the increasing rate of the size and temporal availability of data, turning the application of traditional learning methods limited. This dissertation, in addition to reviewing the literature of evolving systems and neuro fuzzy networks, addresses a structure and introduces an evolving learning approach to train uninorm-based hybrid neural networks using extreme learning concepts. Uninorm-based neurons, rooted in triangular norms and conorms, generalize fuzzy neurons. Uninorms bring flexibility and generality to fuzzy neuron models as they can behave like triangular norms, triangular conorms, or in between by adjusting identity elements. This feature adds a form of plasticity in neural network modeling. An incremental clustering method is used to granulate the input space, and a scheme based on extreme learning is developed to train the neural network. It is proved that a static version of the uninorm-based neuro fuzzy network approximate continuous functions in compact domains, i.e. it is a universal approximator. It is postulated and computational experiments endorse, that the evolving neuro fuzzy network share equivalent or better approximation capability in dynamic environments than their static counterparts Mestrado Engenharia de Computação Mestre em Engenharia Elétrica

Tese (doutorado) - Universidade Federal de Santa Catarina, Centro Tecnológico, Programa de Pós-Graduação em Ciência da Computação, Florianópolis, 2018. Problemas inversos consistem uma ampla área de pesquisa, com aplicações em diversos campos da indústria. São chamados inversos pois partem dos resultados de experimentos para descobrir as causas. Sua importância se deve ao fato da solução produzir informações sobre parâmetros que não são observáveis diretamente. Na área de óleo e gás, a inversão sísmica é uma técnica importante para modelagem e caracterização de reservatórios devido ao seu potencial de inferir propriedades da subsuperfície, as quais não são observáveis diretamente por experimentos na superfície, e.g. impedância acústica. A presente tese avança nas técnicas de inversão sísmica acústica e inversão para propriedades petro-físicas. A primeira contribuição utiliza uma truncagem no modelo de continuidade espacial, possibilitando a imposição de correlação horizontal no resultado da inversão Bayesiana linearizada por máximo a posteriori. A próxima contribuição utiliza os resultados da inversão por máximo a posteriori como médias locais na amostragem da distribuição posterior, evitando a necessidade utilizar um método iterativo para buscar o modelo que se ajusta aos dados experimentais. Finalmente, a terceira contribuição utiliza a distribuição experimental de física de rochas encontrada nos logs de poço para amostrar propriedades petro-físicas. A amostragem é feita dentro do fluxo de trabalho da inversão sísmica conjunta para propriedades elásticas e petrofísicas e fácies, utilizando um algoritmo de Gibbs. As propostas foram validadas utilizando conjuntos de dados sintéticos e reais. Testes de poço cego foram realizados em conjunto com uma estimativa de função de densidade para avaliar a capacidade de modelagem da incerteza da segunda proposta. A terceira proposta foi validada comparando-se com a inversão sísmica conjunta Bayesiana com modelagem a priori integrada com física de rochas linearizada. Abstract : Inverse problems are a broad research area with applications in many fields. They are called inverse because they start with the experiment results aiming to discover its causes. Its importance is due to its solution producing information about non-observable parameters. In the oil and gas field the seismic inversion is an important technique for reservoir modeling and characterization by virtue of its capability of inferring subsurface properties, e.g. acoustic impedance. This thesis presents advances on acoustic inversion and petro-physical inversion techniques. The first contribution makes use of a truncation on the spatial continuity model, allowing for the imposition of horizontal correlation on the results of the Bayesian linearized inversion by maximum a posteriori. The next contribution uses the maximum a posteriori results as local means for sampling the posterior distribution, avoiding the need for an iterative method to search for a model that matches the experimental data. Lastly, the third contribution employ the rock physics experimental distribution found at the well logs to sample petro-physic properties. The sampling is performed inside the workflow for joint seismic inversion for elastic and petrophysical properties with facies, using a Gibbs algorithm. The proposals were validated using synthetics and real datasets. Blind well tests were performed in combination with a kernel density estimation to assess the uncertainty modeling capabilities of the second proposal. The third proposal were validated comparing against the joint seismic Bayesian inversion with a priori modeling integrated with linearized rock physics.