Um método para mudanças de escalas heterogêneas e estocásticas

Abstract

Esta dissertação utiliza um modelo probabilístico de aprendizagem (soft clustering) de dados para a realização de mudanças de escalas com físicas e parâmetros heterogêneos. São utilizadas técnicas de Aprendizagem Não Supervisionada (Unsupervised Learning), como a clusterização, em conjunto com o algoritmo de Resfriamento Determinístico (Determinístic Annealing), proposto por Rose, K. (1991), que, diferente do Resfriamento Simulado (Simulated Annealing), não fica aprisionado em mínimos locais. Os elementos da Teoria da Informação como a Entropia, Entropia Conjunta, Entropia Condicional, Entropia Relativa, Informação Mútua e Distorção Média, propostos por Shannon, C. E. (1948), são utilizados em conjunto com medidas das físicas de interesse para avaliar a qualidade das diversas soluções possíveis que ponderam arbitrariamente entre a maximização da similaridade dos parâmetros e a qualidade das respostas. O modelo proposto nessa dissertação é aplicado a diferentes problemas de física e propriedades heterogêneas, porém unidimensionais, com equações diferenciais de segunda ordem, inclusive a depleção, por injeção de água, de um reservatório de petróleo.