Classificação de Litofácies Utilizando Transformers

Abstract

O problema de classificação de litofácies em poços envolve a identificação das características das rochas contidas em poços de perfuração. Essa classificação pode ser utilizada na identificação de recursos como gás e petróleo, e por isso é uma atividade de valor econômico significativo. Uma das maneiras mais comuns de se fazer essa classificação é através do uso de Wireline Logs. Essas medidas feitas por sondas contém diversos atri-butos das rochas que ajudam em sua identificação. A partir desses atributos coletados, é possível usá-los como entradas de algoritmos de aprendizado de máquina, que resultam em modelos preditivos que podem ser utilizados para auxiliar geofísicos em suas análises. Os tipos de algoritmos utilizados na área variam bastante, com os métodos envolvendo árvores de decisão sendo os mais comumente utilizados, tanto em artigos quanto em com-petições. Esses métodos, especialmente o XGBoost, são bastante eficazes e conseguem níveis de acurácia significativos quando utilizados. No entanto, se sabe que esses métodos não capturam uma dimensão essencial dos dados dos poços: a relação sequencial entre as amostras. Seguindo essa ideia, este trabalho explora o uso de Transformers para a classificação de litofácies a partir de wirelines logs. Os Transformers são uma arquitetura mais recente, e vêm conquistando o estado da arte em diferentes campos envolvendo dados sequenciais. Portanto, este trabalho propôs duas implementações de transformers que ser-vissem para o problema de classificação de litofácies: uma de "sequência-para-sequência"e a outra de "sequência-para-um". Ambas as implementações foram testadas utilizando os dados da competição XEEK de 2020 e tiveram suas métricas comparadas tanto com um modelo base envolvendo XGBoost, quanto com os resultados obtidos pelo ganhador da competição. Os resultados obtidos comprovam a efetividade da arquitetura na resolução do problema, e as implementações apresentadas poderão servir como base para trabalhos futuros.