Laura Lima Angelo dos Santos
Título
MACHINE LEARNING FOR FACIES CLASSIFICATION OF PRE-SALT BOREHOLE IMAGES
Resumo
Um dos processos mais relevantes na interpretação geológica de dados petrofísicos é análise faciológica das Imagens de Poço, como uma abordagem descritiva para extração de informações texturais e estruturais, de ambientes deposicionais, estratigrafia de sequencias – necessários para compreçã da geodinâmica da bacia.
Com o objetivo de aumentar a acurácia da interpretação geológica, essa dissertação discute as rotinas padrão de classificação a partir de dados petrofísicos e propõe novos e mais efixientes práticas.
Neste trabalho, propusemos e comparamos quatro diferentes fluxos de trabalho, com diferentes complexidades, a fim de encontrar o balanço adequado entre volume de dados classificados e complexidade dos modelos de aprendizado de máquina. Esta comparação incluiu: 1\ Aprendizado de máquina em perfis de poço unidimensionais; 2\ Aprendizado de máquina em propriedades texturais extraídas das imagens de poço; 3\ Rede neural convolucional rasa nas imagens de poço; 4\ Rede neural residual (ResNet) em imagens de poço.
Os modelos com menor e maior complexidade apresentaram menor acurácia, com o modelo convolucional raso obtendo os melhores resultados.
Abstract
One of the key steps of geological interpretation from downhole measurements is facies analysis from borehole images (BHI), as a descriptive approach to extract structural and textural information, depositional environments, sequence stratigraphy - necessary to understand the basin geodynamics.
With the goal of increasing geological interpretation’s accuracy, this dissertation discusses the current well log facies classification routines and proposes new, more efficient practices.
We propose and compare four different workflows, each with distinct complexity, to find the proper balance between the volume of labeled data and the Machine Learning models’ complexity for this case study. These comparisons include: 1\ Classic Machine Learning on unidimensional well logs (benchmark); 2\ Classic Machine Learning on BHI texture properties; 3\ Shallow Convolutional Neural Network (CNN) on BHIs; 4\ ResNet-18 on BHIs. The least and most complex models offered poorer accuracies, with the shallow CNN model offering the highest accuracy among all on the test dataset.
