Aplicação de uma rede neural artificial simplificada para a identificação de gradação de depósitos turbidíticos

Abstract

Redes Neurais Artificiais sãosistemas computacionaisinteligentes inspirados nosistema biológico humanoreproduzindo o cérebro na resolução detarefas.No contexto geológico, esta ferramenta foi adaptada e aplicada na identificaçãoe classificaçãoda gradação de depósitos turbidíticosao longo da vertical (gradação normal,inversae maciça). O método aplicado baseou-sesomente nas imagens digitaisdos depósitosgerados via simulação física de correntesde turbideze a rede neural foi idealizada, utilizando como dado de entrada a média e variância dos valores de pixels dessas imagens.A rede neural foi treinada(aprendizado), validada(verificaçãode eficiência)e utilizada para identificaros padrões. Osresultadosapresentaram uma eficiênciade acerto variando entre53-92% (média de 76%)para a gradação normal,52-99% (média de 73%)para a gradação maciça e38-76% (média de 53%)para a gradaçãoinversa.A metodologiasimplificada introduzida nesteestudoapresentou resultados coerentes,igualando-se aos métodos tradicionais de análise granulométrica eobservações visuais aos depósitose tendo a vantagem de reduzir asincertezase subjetividadesneste tipo de análise.Ainda, esta ferramenta pode ser aperfeiçoada e extrapoladaparaos diversos estudos geológicos de campo(afloramentos e testemunhos de sondagens)para auxiliar no entendimento dos fenômenos naturais.

Artificial Neural Networks are intelligent computational systems inspired by the human biological system capable of reproduce the human brain ability in solvingtasks. In the geological context, this toolwasadapted and appliedin the identificationand classificationofgraded beds(normal, inverse and massive). The method appliedwas basedonly on thedigital imagesof turbidity currents depositsgeneratedthroughphysical simulation. The Neural Networkwas designedusingas inputthe mean andvariance of thepixel valuesof these imagesand it were trained (pattern learning), validated(efficiency checking) and later, processed the images.Artificial Neural Networks results demonstrated accuracy factors ranged between 53-92% (mean of 76%) for normal grading, 52-99% (mean of 73%) for massive grading and 38-76% (mean of 53%) for inverse grading. The methodology introduced in this study, although quite simple, presented very concise results, which closely match up the results obtained through conventional analyzing tools (grain size analysis and qualitative observations) being an alternative tool to reduce uncertainty and subjectivity in physical simulation analysis. Furthermore, this non-intrusive methodology (based in digital images only) can be extrapolated to field observations allowing the classification of several turbidity facies and/or sedimentologicalprocess in natural sites.