Machine learning na área do petróleo: implementação de redes neurais para aprendizado de distribuições de probabilidade

Abstract

A exploração e produção de petróleo usa de diversos métodos para adquirir, estudar e preparar dados de um determinado local de interesse. Na procura de adquirir dados geológicos, o método de poço exploratório é usado para capturar diversos dados relevantes ao contexto de exploração. Todavia, a perfuração de poços exploratórios é cara e é comum a necessidade de diversos poços para adquirir uma quantidade útil de dados. Assim, métodos para simular esses dados foram criados para diminuir o número de poços exploratórios a serem perfurados. Usando dados obtidos em poços exploratórios, uma implementação para simulação geradora de dados de logs através do uso de Redes Neurais Artificiais se mostra possível, no entanto, os modelos de redes neurais artificiais mais tradicionais implementam modelos funcionais que tendem a representar apenas a média de um grupo de dados gerando resultados que compreendem apenas uma possível resposta para cada variável de entrada. Aplicações podem precisar de uma distribuição de de probabilidade da variável de saída que seja condicionada à uma variável de entrada. Neste trabalho, foi realizado um estudo e uma implementação de uma rede neural artificial que usa de misturas de gaussianas — proposta em meados dos anos noventa por Christopher M. Bishop — para modelar a distribuição de probabilidade para uma variável de saída. Os resultados obtidos demonstraram que o modelo foi capaz de aderir o comportamento e a distribuição de densidade dos dados originais, mesmo com o aumento da complexidade ao adicionar mais de um tipo de log na entrada.

The Oil Exploration and Production field has several means to acquire, study and use data gathered from a place of interest. In the search for geologic data gathering, exploration wells are used as means to collect several useful data in the exploration context. However, well drilling is not cheap and it's commom to need for more than a single well to collect all the relevant data. As such, simulation methods have been recieving attention as a possible approach to get around the mutiple well drilling problem by lowering the total wells required. Although using Artificial Neural Networks seems promising for this field, the traditional Neural Networks are usually functional which tends to only represent a cluster of data by its mean. Since in practical terms an input conditioned probability distribution of the output might be useful, in this work a study was followed by an implementation of a Mixture Densisity Model — An Artificial Neural Network that uses Gaussian Mixtures as tool to capture the probability distribution — in the Oil E&P context for log generation simulation once it captures the probability density for an output variable. The results showed that the method is able to mantain grip on the original data behavior while also creating a proper density distribution even after increase in complexity by expansion on the number of input logs.