|
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. |
