Classificação de Fácies Sísmicas por Redes Neurais Convolucionais

Abstract

Avanços tecnológicos no processo de caracterização de reservatórios de petróleo e gás como a sísmica 3D e atributos sísmicos enriqueceram a descrição da subsuperfície realizada por especialistas. No entanto, a análise dessa grande quantidade de dados se tornou uma tarefa complexa. Como objetivo, este trabalho explora o uso de redes convolucionais na classificação de fácies sísmicas, uma das etapas que compõem a caracterização de reservatórios. Através de um método de amostragem que captura as informações espaciais dos dados sísmicos, os modelos gerados foram aplicados em dados sintéticos do reservatório Stanford VI-E e em um \textit{benchmark} baseado no bloco F3, parte de um reservatório real. Comparando-se com outros modelos avaliados no mesmo conjunto de dados, as redes classificadoras produzidas neste trabalho obtiveram resultados similares, passando de $90\%$ de acurácia na classificação de algumas fácies sísmicas. Apresentando também flexibilidade para o uso prático destes modelos.

Technological advances in oil and gas reservoir characterization such as 3D seismics and seismic attributes enriched the subsurface's description made by specialists. Nevertheless, the analysis of this now huge volume of data became a complex task. This work explores the use of convolutional neural networks for seismic facies classification, one of the steps of reservoir characterization. Through a sampling method that captures spacial information of seismic data, the models produced were applied in both synthetic data of the Stanford VI-E reservoir and in a benchmark based on the F3 block, which is part of a real reservoir. Compared to other models in the same benchmark, the classifiers produced here had similar results, with over $90\%$ class accuracy on some instances. The sampling method is also flexible to use in practical cases.