Laura Lima Angelo dos Santos
Um dos processos mais relevantes na interpretação geológica de dados petrofísicos é análise faciológica das Imagens de Poço, como uma abordagem descritiva para extração de informações texturais e estruturais, de ambientes deposicionais, estratigrafia de sequencias – necessários para compreçã da geodinâmica da bacia.
Com o objetivo de aumentar a acurácia da interpretação geológica, essa dissertação discute as rotinas padrão de classificação a partir de dados petrofísicos e propõe novos e mais efixientes práticas.
Neste trabalho, propusemos e comparamos quatro diferentes fluxos de trabalho, com diferentes complexidades, a fim de encontrar o balanço adequado entre volume de dados classificados e complexidade dos modelos de aprendizado de máquina. Esta comparação incluiu: 1\ Aprendizado de máquina em perfis de poço unidimensionais; 2\ Aprendizado de máquina em propriedades texturais extraídas das imagens de poço; 3\ Rede neural convolucional rasa nas imagens de poço; 4\ Rede neural residual (ResNet) em imagens de poço.
Os modelos com menor e maior complexidade apresentaram menor acurácia, com o modelo convolucional raso obtendo os melhores resultados.