Redes neurais profundas aplicadas na análise litoestratigráfica sedimentar

Abstract

A determinação de litofácies e da forma e extensão dos estratos são etapas importan- tes para a caracterização de reservatórios. No caso de afloramentos, onde as rochas estão expostas, o mapeamento e o acesso em afloramentos com ampla continuidade lateral e vertical pode ser difícil devido à sua posição geográfica. Quando as rochas não estão expostas utiliza-se perfis de poços, no entanto as curvas de perfil do poço nem sempre são suficientes para determinar a litologia, pois algumas vezes os sinais são semelhantes para diferentes litologias. Este trabalho tem por objetivo aplicar o estudo de arquiteturas de Deep Learning para identificar litofácies em imagens de afloramento capturadas por Veículo Aéreo Não-Tripulado (VANT) e identificar padrões de litofácies em perfis de poços. Para afloramentos, arquiteturas de Redes Neurais Convolucionais de Segmentação foram utilizadas para identificar automaticamente os estratos aflo- rastes em um conjunto de imagens VANT de afloramentos com sistemas turbidíticos do Grupo Itararé (Bacia do Paraná, Brasil). Já para perfis de poços, Redes Neurais Recorrentes foram utilizadas para aprender dependências de longo prazo entre etapas de tempo de dados de sequência e aplicadas em um conjunto de poços da Formação Rio Bonito (Bacia do Paraná, Brasil). Ambos os estudos mostraram bons desempenhos dos métodos propostos quando comparados a outros métodos tradicionais.

Abstract: The determination of lithofacies and the shape and extent of the strata are important steps for the characterization of reservoirs. In the case of outcrops, where rocks are exposed, mapping and accessing outcrops with broad lateral and vertical continuity can be difficult due to their geographic position. When the rocks are not exposed, well logs are used, however the well log curves are not always sufficient to determine the lithology, as sometimes the signs are similar for different lithologies. This work aims to apply the study of Deep Learning architectures to identify lithofacies in outcrop images captured by Unmanned Aerial Vehicles (UAVs) and to identify lithofacies patterns in well logs. For outcrops, Segmentation Convolutional Neural Network architectures were used to automatically identify the outcrop strata in a set of UAV images of outcrops with turbidite systems from the Itararé Group (Paraná Basin, Brazil). For well profiles, Recurrent Neural Networks were used to learn long-term dependencies between time steps of sequence data and applied to a set of wells in the Rio Bonito Formation (Paraná Basin, Brazil). Both studies showed good performance of the proposed methods when compared to other traditional methods.