Preenchimento de dados faltantes em registros de poços de petróleo usando redes neurais

Abstract

Este trabalho aborda o preenchimento de dados faltantes em registros de poços de petróleo (well logs) utilizando redes neurais profundas, com foco na predição da curva de velocidade de onda cisalhante (VS). A completude e precisão desses registros são fundamentais para a caracterização petrofísica e modelagem de reservatórios, mas sua aquisição é complexa e sujeita a falhas, resultando em lacunas de dados, informações ruidosas ou ausência completa da curva. Métodos tradicionais de imputação, como interpolações e regressões lineares, mostram-se limitados diante da natureza não linear e altamente variável dos dados geológicos. A pesquisa desenvolveu e comparou quatro arquiteturas de redes neurais profundas: uma rede LSTM utilizada como baseline, o modelo hierárquico N-HiTS (Neural Hierarchical Interpolation for Time Series) e duas variações de modelos baseados em mecanismos de Self-Attention. A metodologia envolveu a análise de similaridade geológica entre poços, validação cruzada estratificada e avaliação quantitativa em poços com dados de referência reais fornecidos pela Petrobras. Entre os modelos avaliados, o modelo baseado em Self-Attention apresentou os resultados mais promissores, demonstrando boa estabilidade e capacidade de generalização entre poços geologicamente distintos. Os resultados indicam que mecanismos de atenção, quando devidamente calibrados, constituem uma abordagem tecnicamente viável e eficaz para a predição de propriedades petrofísicas, estabelecendo um caminho promissor para futuras aplicações de aprendizado profundo na análise de well logs.