Aplicação de aprendizado de máquina na classificação de litofácies

Abstract

Classificação de litofácies é uma tarefa realizada por geólogos que consiste em analisar uma série de registros elétricos e físico-químicos obtidos através de sensores que percorrem a parede de um poço perfurado e, a partir das leituras destes, identificar que unidades litológicas (litofácies) caracterizam o ambiente de formação e os aspectos composicionais das rochas. O objetivo do trabalho é propor um modelo eficaz de aprendizado de máquina (do inglês Machine Learning (ML)), incluindo a parte de manipulação dos dados, para a classificação de litofácies em poços geológicos. O ramo de ML vem se tornando uma ferramenta cada vez mais importante em vários campos da ciência, neste trabalho aplicaremos ML no ramo das geociências. As técnicas padrão de ML podem levar a problemas de ambiguidade já que duas litofácies diferentes podem apresentar os mesmos valores dos sensores. Acreditamos que levar em consideração a sequência de padrões sedimentares possa ajudar no processo de desambiguação da classificação. Para isso poderia ser utilizado uma versão modificada de uma rede neural recorrente (do inglês Recurrent Neural Network (RNN)). Sabemos que a classificação acurada de litofácies é de grande importância para obter informações geológicas úteis para a exploração e produção de hidrocarbonetos. Além disso, a classificação automática de litofácies torna o processo de estudo da litologia dos poços mais rápido e menos oneroso. A classificação de litofácies é realizada estudando as propriedades litológicas das rochas encontradas em poços, que são características dos sedimentos atuais acumulados em determinadas condições físicas e geográficas. As propriedades litológicas podem incluir raio gama, resistividade, efeito fotoelétrico, perfil neutrônico, entre outras. Dado um banco de dados contendo as características e a classificação das litofácies, é esperado que o modelo proposto consiga, de maneira eficaz, realizar automaticamente a classificação de tais litofácies. A eficácia do método será medida através da métrica de classificação acurácia, assim como de uma métrica customizada chamada score.