No dia 26 de fevereiro de 2024, no auditório do Centro de Estudos e Ensaios em Risco e Modelagem Ambiental (Ceerma), o bolsista do PRH 38.1-ANP-FINEP-UFPE Caique Nunes realizou a defesa de sua dissertação de mestrado intitulada 'Desenvolvimento de Método Baseado em Aprendizagem de Máquina para Detecção de Óleo e Look-alikes em Imagens'.

A pesquisa foi orientada pela professora Dra. Isis Didier Lins, membro do corpo docente do Programa de Pós-Graduação em Engenharia de Produção da Universidade Federal de Pernambuco (UFPE). E a banca examinadora foi constituída pelos professores Dr. Márcio Moura (UFPE), e Dr. Luis Felipe Mendonça (UFBA).

Como resultado de seu mestrado, Caique teve artigos científicos aprovados e publicados em eventos nacionais e internacionais, além de ter um trabalho premiado no Inovathon, evento promovido pelo Instituto Brasileiro de Petróleo e Gás (IBP) durante a Offshore Technology Conference - OTC 2023, no Rio de Janeiro.

Após a aprovação da banca, que concedeu o título de mestre ao bolsista, Caique expressou seus agradecimentos à sua família, à orientadora, aos professores e aos colegas de laboratório pela ajuda durante esta etapa crucial de sua jornada acadêmica. Ele também agradeceu ao Programa de Recursos Humanos da Agência Nacional do Petróleo, Gás Natural e Biocombustíveis – PRH-ANP-FINEP pelo apoio financeiro, incentivos e infraestrutura disponibilizada para a realização da pesquisa suportado com recursos provenientes do investimento de empresas petrolíferas qualificadas na Cláusula de PD&I da Resolução ANP nº 50/2015.

E a jornada acadêmica do bolsista continua! Caique será mantido no time do PRH 38.1 por seu desempenho e por já estar classificado no doutorado do PPGEP da UFPE. Nesta nova etapa, o futuro doutorando prosseguirá engajado em pesquisas e avanços no campo da energia, petróleo e gás, contribuindo de forma relevante para o desenvolvimento do setor.

 O texto completo da dissertação estará disponível em breve no repositório da UFPE.

TÍTULO DA DISSERTAÇÃO: DESENVOLVIMENTO DE MÉTODO BASEADO EM APRENDIZAGEM DE MÁQUINA PARA DETECÇÃO DE ÓLEO E LOOK-ALIKES EM IMAGENS

Resumo:

A busca por soluções cada vez mais inteligentes e automatizadas tem gerado uma crescente demanda por digitalização em diversos setores. Também é perceptível uma maior conscientização da sociedade da necessidade de lidar com as mudanças climáticas e com os riscos ambientais nas últimas décadas. Os oceanos, um dos principais ecossistemas do planeta, enfrentam diversas ameaças ao seu equilíbrio, sendo o vazamento de óleo um dos mais graves. Este estudo se propõe a utilizar a aprendizagem de máquina como ferramenta para uma rápida identificação desses vazamentos com o objetivo de minimizar os danos e custos associados. Três modelos são explorados com esta finalidade: Máquinas de Vetores de Suporte (SVM), um algoritmo muito eficaz em tarefas de classificação, Redes Neurais Convolucionais (CNN), que são altamente especializadas em tarefas de visão computacional, e Autoencoder Variacional (VAE), método reconhecido pela capacidade de detecção de anomalias. Os dois primeiros modelos foram construídos para realizar uma classificação multi-rótulo das imagens numa abordagem contextualizada, levando em consideração elementos como áreas costeiras, navios e look-alikes. Look-alikes representam um desafio ao objetivo final desta pesquisa, uma vez que se manifestam como manchas escuras nas imagens capturadas por satélites, de forma similar às manchas de vazamentos de óleo, contudo, sua origem não está relacionada a atividades humanas. A perspectiva da classificação multi-rótulo se apresenta como crucial na busca por tomar decisões direcionadas e evitar falsos positivos. A CNN destacou-se por sua capacidade de identificar múltiplas etiquetas multi-rótulo. Já o SVM tem a tendência de gerar proporções de acertos mais elevadas para cada etiqueta específica. E os resultados do VAE demonstram uma reconstrução altamente precisa. No final, espera-se que estes modelos possam atuar de forma integrada num sistema de identificação de vazamento.