Rewbenio Araújo Frota

Rewbenio Araújo Frota concluiu a graduação em Engenharia Elétrica pela Universidade Federal do Ceará em 2003 e o Mestrado em Engenharia de Teleinformática pela mesma universidade em 2005. Publicou artigos em periódicos especializados e trabalhos em anais de eventos, todos na área de aplicações de Redes Neurais Artificiais em tarefas de Reconhecimento de Padrões e Machine Learning. Após conclusão de Especialização em Engenharia de Petróleo pela Universidade Federal da Bahia em 2006, passou a trabalhar nessa área, mais especificamente em Engenharia de Reservatórios de Petróleo, com ênfase em Avaliação de Formações a partir da análise de testes de pressão em poços. Seus interesses profissionais e científicos atuais incluem: avaliação das formações, análise de testes em poços, dano à formação, caracterização de reservatórios. Na área Machine Learning: fuzzy logic, deep learning, generative models, feature engineering, redes neurais artificiais, detecção de falhas, detecção de novidades, detecção de 'outliers', e análise de dados aplicada à indústria de petróleo.

Rewbenio Araújo Frota received his B.S. degree in Electrical Engineering from the Federal University of Ceará (Brazil, 2003), a fraction of his graduate studies has been coursed at Institut Supérieur de Techniques Avancées de Saint Etienne (France, 2002). He received the M.Sc. degree in Teleinformatics Engineering from Federal University of Ceará (Brazil, 2005). Has experience in Electric Engineering, more especifically in data mining applications exploring neural networks architectures. After receiving a specialization degree in Petroleum Engineer from Federal University of Bahia (Brazil, 2006) he began working as a Petroleum Engineer at PETROBRAS (Brazil), in Well Test Analysis, a specific branch of Reservoir Engineering. His current Professional and scientific interests include the following subjects: well test interpretation, reservoir characterization, formation damage. Machine learning interests include: fuzzy logic, deep learning, generative models, feature engineering, neural networks, outlier detection, data mining and intelligent data analysis for petroleum industry.