Machine learning aplicado à classificação de litofáceis utilizando perfis de poços da Bacia de Santos

Silva, Teresa Mourão Cerqueira e

Please use this identifier to cite or link to this item: http://hdl.handle.net/11422/19937

Full metadata record

DC Field	Value	Language
dc.contributor.advisor	Almeida, Leonardo Fonseca Borghi de	-
dc.contributor.author	Silva, Teresa Mourão Cerqueira e	-
dc.date.accessioned	2023-03-20T12:00:17Z	-
dc.date.available	2023-12-21T03:04:19Z	-
dc.date.issued	2022-12	-
dc.identifier.uri	http://hdl.handle.net/11422/19937	-
dc.language	por	pt_BR
dc.publisher	Universidade Federal do Rio de Janeiro	pt_BR
dc.rights	Acesso Aberto	pt_BR
dc.subject	Aprendizado de máquinas	pt_BR
dc.subject	Perfis de poços	pt_BR
dc.subject	Classificação de litofácies	pt_BR
dc.subject	Bacia de Santos	pt_BR
dc.title	Machine learning aplicado à classificação de litofáceis utilizando perfis de poços da Bacia de Santos	pt_BR
dc.type	Trabalho de conclusão de graduação	pt_BR
dc.contributor.advisorLattes	http://lattes.cnpq.br/5821487047888554	pt_BR
dc.contributor.authorLattes	http://lattes.cnpq.br/5104448716434670	pt_BR
dc.contributor.advisorCo1	Oliveira, Lucas Abreu Blanes de	-
dc.contributor.advisorCo1Lattes	http://lattes.cnpq.br/8451482142551729	pt_BR
dc.contributor.referee1	Braga, Marco Antonio da Silva	-
dc.contributor.referee1Lattes	http://lattes.cnpq.br/3929348796648950	pt_BR
dc.contributor.referee2	Santana, Vinícius Carneiro	-
dc.contributor.referee2Lattes	http://lattes.cnpq.br/0967765142532609	pt_BR
dc.description.resumo	Atualmente, é muito comum a classificação automática de litofácies por meio de sistemas especializados. Entretanto, mesmo que os algoritmos de aprendizagem de máquinas em softwares comerciais de avaliação petrofísica permitam uma classificação rápida, ela às vezes é feita utilizando perfis de poços inadequados para o propósito da avaliação, o que pode levar a resultados inconsistentes. A partir dessa motivação, o intuito do trabalho é investigar a capacidade do algoritmo de clusterização k-means de classificar litofácies a partir de perfis de poço. Dessa forma, foram utilizados intervalos siliciclásticos do reservatório do Pós-sal e carbonáticos do reservatório do Pré-sal para entender a diferença das respostas que a máquina fornece em cada um dos cenários testados. Os dados, como mineralogia da rocha, salinidade e temperatura da água, composição do fluido presente no reservatório, além dos perfis de poços (calibre do poço, Raios-gama e Raios-gama espectral, resistividade, densidade, porosidade neutrônica, porosidade total do RMN, fator fotoelétrico e vagarosidade da onda cisalhante e compressional), foram fornecidos pela Agência Nacional do Petróleo, Gás Natural e Biocombustíveis (ANP). O projeto foi desenvolvido em duas principais etapas: a primeira consistiu em gerar um modelo de subsuperfície e simular nele perfis sintéticos utilizando o software UTAPWeLS e compará-los com os perfis reais para validar o modelo gerado; já a segunda etapa compreendeu o processo de clusterização do modelo de subsuperfície e dos perfis reais para estimar litofácies e eletrofácies (respectivamente) através do software Weka. Em seguida, os perfis de poços foram removidos um a um do processo de clusterização para avaliar como a falta de informação poderia influenciar na classificação do algoritimo. Visando garantir o controle nesse processo, toda a primeira etapa levou em consideração os dados de rocha e fluido cedidos pela ANP para construir um modelo de subsuperfície representativo da área de estudo. A segunda etapa, por sua vez, teve a mesma rotina de clusterização aplicada tanto no modelo de subsuperfície quanto nos perfis de poço, a fim de tornar a comparação entre eles válida. Como resultado, foram obtidos os perfis faciológicos gerados a partir do modelo de subsuperfície e a partir dos perfis de poços, que se mostraram muito mais satisfatórios no reservatório siliciclástico do que no carbonático. Fica evidente, ao final do estudo, que o processo de classificação de litofácies por meio de perfis de poços não é algo trivial e, por mais que as máquinas auxiliem nesse processo, ele ainda demanda um conhecimento profundo dos especialistas.	pt_BR
dc.publisher.country	Brasil	pt_BR
dc.publisher.department	Instituto de Geociências	pt_BR
dc.publisher.initials	UFRJ	pt_BR
dc.subject.cnpq	CNPQ::CIENCIAS EXATAS E DA TERRA::GEOCIENCIAS::GEOLOGIA	pt_BR
dc.embargo.terms	aberto	pt_BR
Appears in Collections:	Geologia

Files in This Item:

File	Description	Size	Format
SILVA, T.M.C.pdf		2.17 MB	Adobe PDF	View/Open

Show simple item record Recommend this item View Statistics

Pantheon Institutional repository