Prediction of pre-salt electrofacies from well log data in Santos basin - Brazil, by models based on Artificial Intelligence algorithms [recurso eletrônico] = Predição de eletrofácies do pré-sal a partir de dados de perfis de poços da bacia de Santos - Brasil, por modelos baseados em algoritmos de Inteligência Artificial
Andre Luiz Pontara Torres
DISSERTAÇÃO
Inglês
T/UNICAMP T636p
[Predição de eletrofácies do pré-sal a partir de dados de perfis de poços da bacia de Santos - Brasil, por modelos baseados em algoritmos de Inteligência Artificial]
Campinas, SP : [s.n.], 2022.
1 recurso online (129 p.) : il., digital, arquivo PDF.
Orientador: Alessandro Batezelli
Dissertação (mestrado) - Universidade Estadual de Campinas, Faculdade de Engenharia Mecânica
Resumo: Classificar e predizer conjuntos de dados tem sido um dos maiores desafios dos tempos modernos, principalmente porque a quantidade de dados adquiridos tem aumentado significativamente nos últimos anos. Na geologia do petróleo, o processo de analisar um grande volume de dados de perfis de...
Ver mais
Resumo: Classificar e predizer conjuntos de dados tem sido um dos maiores desafios dos tempos modernos, principalmente porque a quantidade de dados adquiridos tem aumentado significativamente nos últimos anos. Na geologia do petróleo, o processo de analisar um grande volume de dados de perfis de poços com o objetivo de extrair propriedades do reservatório por abordagens manuais é uma tarefa bastante difícil e custosa. Assim, métodos e algoritmos que se propõem a classificar e predizer esses dados tem se tornado grandes aliados para compreender melhor a grande quantidade de dados e informações coletadas. Entre os algoritmos usados para classificar e predizer grandes bancos de dados, algoritmos de aprendizado supervisionado e não-supervisionado tem ganhado destaque nos últimos anos. Algoritmos de aprendizagem supervisionada são algoritmos que inicialmente precisam ser ensinados por um conjunto de dados previamente rotulados, enquanto que algoritmos de aprendizagem não supervisionada não necessitam que os dados sejam previamente rotulados sendo esse tipo de algoritmo capaz de trabalhar com dados não rotulados. O Support Vector Machine (SVM), Redes Neurais e K-means são exemplos de algoritmos de aprendizagem supervisionada e não-supervisionada que foram usados na pesquisa atual. Eles são algoritmos que através de cálculos matemáticos robustos são responsáveis em auxiliar na classificação e predição dos banco de dados. No trabalho foi utilizado os algoritmos Support Vector Machine (SVM), Redes Neurais e K-means para classificar e predizer diferentes eletrofacies presentes no banco de dados da pesquisa. O banco de dados da pesquisa foi construído com os dados de perfil de poço fornecidos pela Agência Nacional de Petróleo (ANP). Os perfis geofísicos que foram selecionados para alimentar nossos modelos como dados de entrada foram, Raios gama, Neutrão, Resistividade, Saturação em água, Densidade, Porosidade, Velocidade de onda P e S. Entre os algoritmos de aprendizagem supervisionada utilizados na pesquisa (SVM e Redes Neurais) fica claro de acordo com a etapa de validação estatística dos modelos (matriz de confusão e validação cruzada K-dobras) que o modelo de Redes Neurais apresenta um melhor desempenho em todos os cenários quando comparado ao Support Vector Machine. A acurácia final do modelo baseado no SVM avaliada pelo métodos matriz de confusão e validação cruzada K-dobras foram respectivamente 92.9\% e 86.6\%. As mesmas medidas para o modelo baseado em Redes Neurais alcançou resultados de 96.6\% e 96.9\% respectivamente. A performance melhor pode ser verificada por meio de outros parâmetros, tais como, precisão, recall e pontuação F1. O único ponto no qual o Support Vector Machine têm significativas vantagens em relação as Redes Neurais é no tempo de execução. Em quanto que o modelo baseado no SVM consegue predizer as eletrofacies em 0.096s, o modelo baseado em Redes Neurais leva 41.45s para concluir suas predições. Ou seja, o modelo baseado no SVM mostra-se cerca de 432 vezes mais rápido do que o modelo baseado em Redes Neurais. Os perfis de poço preditos tiveram duas eletrofácies preditas nos algoritmos de aprendizagem supervisionada, mostrando uma convergência entre os modelos. Os modelos aplicados na pesquisa com algoritmos de IA mostraram-se robustos para classificar e predizer eletrofácies, sendo promissores no processo de automatização do processo de classificação de eletrofácies. A pesquisa mostra novas maneiras de classificar e predizer eletrofácies e tenta abrir novas possibilidades para algoritmos de Inteligência Artificial no mundo da Geociências
Ver menos
Abstract: Classifying and predicting data sets has been one of the greatest challenges in modern times, mainly because the amount of data acquired has increased a lot in the last years. In petroleum geology, analyzing a large volume of well log data to extract reservoir properties by manual...
Ver mais
Abstract: Classifying and predicting data sets has been one of the greatest challenges in modern times, mainly because the amount of data acquired has increased a lot in the last years. In petroleum geology, analyzing a large volume of well log data to extract reservoir properties by manual approaches is a hard task and time-consuming. Therefore, methods and algorithms that offer to classify and predict these data sets have become great allies to understand better the huge amount of data and information. Among the algorithms used to classify and predict large data sets, supervised and unsupervised learning algorithms have been gained highlights in the last years. Supervised learning algorithms are algorithms that initially need to be taught by a set of labeled data, whereas the unsupervised learning algorithms do not need to be taught, and are able to work with unlabeled data. Support Vector Machine (SVM), Neural Networks, and K-means are supervised and unsupervised learning algorithms that through robust mathematical calculations are responsible for auxiliary in the classification and prediction of data sets. The work used K-means, Support Vector Machine, and Neural Networks to classify and predict different electrofacies in a data set which were provided eight input features, they are, Gamma ray, Neutron, Resistivity, Water Saturation, Density, Porosity, P-velocity, and S-velocity. Between the supervised learning algorithms used in the research (SVM and Neural Networks), it is clear that according to statistical validation of models, confusion matrix and K-fold cross validating, the Neural Network presented a better performance at all scenarios in relation to the Support Vector Machine. The accuracy evaluation of SVM algorithm using, confusion matrix and K-fold cross-validating was 92.9\% and 86.6\% respectively. While the accuracy evaluation of the Neural Networks algorithm was 96.6\% and 96,9\% respectively. The better performance can be verified in the others parameters as, precision, recall, and F1 score, all parameters responsible by evaluate the model performance. The only point where the Support Vector Machine has significant advantages over Neural Networks is at execution time. While the model based on SVM is capable of predicting the electrofacies in 0.096s, the model based on Neural Networks takes 41.45s to complete its predictions. In other words, the model based on SVM is about 432 times faster than the model based on Neural Networks. The data set of the well log predicted had two electrofacies predicted in the supervised learning algorithms, showing convergence between the models. The models applied in the research with AI algorithms proved to be robust for classifying and predicting electrofacies and a promising method capable of automating the processing of electrofacies classification in Brazilian pre-salt, and easily adjustable to work with high accuracy in other regions. The research shows new ways to classify and predict electrofacies from well logs with more agility, reliability and accuracy, and tries to open up new possibilities for Artificial Intelligence algorithms in the world of geosciences
Ver menos
Requisitos do sistema: Software para leitura de arquivo em PDF
Batezelli, Alessandro, 1972-
Orientador
Hartmann, Gelvam André, 1978-
Avaliador
Delgado Blanco, Leidy Alexandra, 1990-
Avaliador
Prediction of pre-salt electrofacies from well log data in Santos basin - Brazil, by models based on Artificial Intelligence algorithms [recurso eletrônico] = Predição de eletrofácies do pré-sal a partir de dados de perfis de poços da bacia de Santos - Brasil, por modelos baseados em algoritmos de Inteligência Artificial
Andre Luiz Pontara Torres
Prediction of pre-salt electrofacies from well log data in Santos basin - Brazil, by models based on Artificial Intelligence algorithms [recurso eletrônico] = Predição de eletrofácies do pré-sal a partir de dados de perfis de poços da bacia de Santos - Brasil, por modelos baseados em algoritmos de Inteligência Artificial
Andre Luiz Pontara Torres