@MASTERSTHESIS{ 2014:1049127225,
 	title = {Classifica??o de litof?cies atrav?s da an?lise autom?tica de perfis el?tricos de po?os de petr?leo da Amaz?nia},
 	year = {2014},
 	url = "http://tede.ufam.edu.br/handle/tede/4144",
 	abstract = "Dentro das v?rias etapas que s?o necess?rias at? o petr?leo ser comercializado, a an?lise de perfis el?tricos representa papel de grande import?ncia para se estimar a capacidade produtiva de um po?o. A an?lise hoje ? semi-automatizada e ocorre da seguinte forma: ge?logos especialistas analisam gr?ficos de curvas gerados por um sistema, para ent?o, realizar a caracteriza??o do reservat?rio com base nas an?lises. Um dos objetivos dessa an?lise ? a classifica??o de litof?cies. Litof?cies s?o unidades litol?gicas (rochas) que caracterizam o ambiente de forma??o e aspectos composicionais das rochas. Para que se forme um reservat?rio de petr?leo, um conjunto de tipos de rochas precisa estar presente, sendo este um
 dos principais motivos para a classifica??o de litof?cies. Esta disserta??o de mestrado investiga o uso de t?cnicas de classifica??o autom?tica aplicadas ao problema de classifica??o de litof?cies. Ser?o investigados os seguintes cinco m?todos de classifica??o: Support Vector Machines, k Vizinhos Mais Pr?ximos, Multilayer Perceptron e Regress?o Logistica. A base de dados investigada ? composta por amostras de perfis de tr?s po?os de uma reserva da Amaz?nia. Ser? ainda comparado o desempenho de classificadores individuais frente ? combina??o do mesmos atrav?s do voto majorit?rio. Por fim, iremos verificar se o treinamento de um po?o pode ser aproveitado para outro por meio de classificadores individuais e combinados por voto majorit?rio. Para obter essas respostas, fizemos dois tipos de testes. No
 primeiro, treinamos e testamos os classificadores individualmente e combinados dentro do mesmo po?o. Os resultados apresentados mostraram que Support Vector Machines foi superior em dois dos tr?s po?os, enquanto Multilayer Perceptron, superou os demais m?todos no terceiro po?o. No segundo tipo de testes, treinamos com dados de um po?o e testamos com dados de outro po?o, simulando uma situa??o mais pr?xima do problema real que seria de calibrar os classificadores de uma reserva com um po?o pioneiro e a partir da? replicar nos po?os vizinhos. Nestes testes, a combina??o de classificadores se mostrou a melhor solu??o em 4 das 6 combina??es poss?veis. Nas duas demais combina??es, a combina??o por voto
 majorit?rio alcan?ou o segundo melhor resultado. Vale dizer ainda que na m?dia simples o sistema de vota??o majorit?rio, foi a melhor op??o para classificar as litof?cies. Nossos resultados indicam que combinar classificadores em um sistema de vota??o majorit?rio apresenta desempenho superior ao uso de classificadores individuais, al?m de apresentar maior estabilidade.",
 	publisher = {Universidade Federal do Amazonas},
 	scholl = {Programa de P?s-gradua??o em Inform?tica},
 	note = {Instituto de Computa??o}
}