Machine learning techniques for porosity estimation and salt layers segmentation

Abstract

Esta dissertação investiga a aplicação de técnicas de aprendizado de máquina em duas tarefas críticas na caracterização de reservatórios de petróleo: a estimação de porosidade e a segmentação de dados sísmicos, com foco específico em ambientes de camadas de sal e sistemas turbidíticos. A pesquisa aborda desafios centrais relacionados à escassez de dados rotulados, à subjetividade dos intérpretes e à complexidade inerente dos modelos geológicos do subsolo. Para a tarefa de segmentação, arquiteturas de redes neurais convolucionais, particularmente U-Net e Feature Pyramid Networks, foram aplicadas a dados sísmicos para delinear feições geológicas como canais turbidíticos e limites de camadas de sal. Os modelos demonstraram desempenho robusto tanto em conjuntos de dados sintéticos quanto reais, evidenciando capacidade de generalização em diferentes regiões geológicas, ainda que com níveis variados de sucesso dependendo da proximidade da área de treinamento e da qualidade dos dados. Técnicas como o Bayesian SegNet foram incorporadas para estimar a incerteza dos modelos, aumentando a interpretabilidade e a confiabilidade das previsões. Na tarefa de estimação de porosidade, diversos modelos de regressão foram desenvolvidos, incluindo perceptrons multicamadas, autoencoders e modelos convolucionais baseados em variantes da U-Net. Uma contribuição metodológica relevante é o uso de modelos de Tradução de Imagem-para-Imagem para prever mapas espacialmente contínuos de porosidade a partir de atributos sísmicos, compensando a falta de dados densos de perfilagem de poços. Apesar de melhorias com técnicas como aprendizado por transferência e modelos de comitê, os resultados revelaram limitações persistentes relacionadas à escassez de rótulos e à variabilidade regional. A pesquisa demonstra a viabilidade das abordagens de aprendizado de máquina na caracterização do subsolo, demonstrando que modelos baseados em CNN são eficazes para segmentação sísmica e estimativa de porosidade. No entanto, também destaca que avanços adicionais são necessários para superar as restrições impostas pela limitação de dados rotulados e pela heterogeneidade geológica. Trabalhos futuros são sugeridos na direção da incorporação de atributos sísmicos adicionais, da exploração de arquiteturas baseadas em transformadores e da expansão do uso de geração de dados sintéticos para melhorar a robustez dos modelos. Este estudo fornece uma contribuição para a integração do aprendizado de máquina em fluxos de trabalho geocientíficos, oferecendo insights práticos para a modelagem de reservatórios e para pesquisas futuras em interpretação do subsolo orientada por dados.