Redes Neurais Convolucionais Aplicadas em Segmentação de Imagens Sísmicas para Detecção de Regiões Favoráveis ao Acúmulo de Hidrocarbonetos
Aplicações envolvendo segmentação semântica em imagens sísmicas são relevantes para a indústria do petróleo e gás porque estas permitem a identificação de características das áreas de potencial interesse para exploração. Tais soluções auxiliam a evitar perfurações mal-sucedidas e desperdício de tempo e dinheiro. Do ponto de vista de geofísicos e especialistas em sísmicas, extrair essas características é um processo que requer grande esforço e tempo. Usualmente, este processo depende de análise de diversos parâmetros petrofísicos, como por exemplo porosidade e permeabilidade. No entanto, com a expansão de técnicas de machine learning, especificamente deep learning e redes neurais, a interpretação sísmica está se tornando cada vez mais precisa com a colaboração da inteligência artificial. Nesse sentido, este trabalho busca utilizar Redes Neurais Convolucionais (CNN) para reconhecer e segmentar regiões favoráveis ao acúmulo de hidrocarbonetos em imagens sísmicas como ferramenta de apoio a tomada de decisão. Como toda técnica baseada em deep learning, o grande desafio consiste em obter bases de dados qualitativas, i.e. imagens sem danos e representativas sobre o domínio desejado. Nossa base de dados consiste em 12 imagens obtidas em documentos abertos publicados pela Agência Nacional de Petróleo (ANP), as quais após algoritmos de expansão artificial de dados se tornaram 50 mil imagens. Após técnicas de pós-processamento, resultados interessantes foram alcançados: foi verificado um erro absoluto inferior à 2% nos casos testados.