Elaboração de algoritmo para aplicação de aprendizado de máquina a fim de reconhecer armadilhas geológicas do tipo domo salino em seções sísmicas
DOI:
https://doi.org/10.53660/CLM-316-323Palavras-chave:
Machine learning, Big data, Processamentos de dados sísmicos, Armadilhas geológicas, Domos salinosResumo
A Indústria 4.0 oferece avanços tecnológicos que permitem a criação de ferramentas e técnicas computacionais nas mais diversas áreas, dentre elas a inteligência artificial e o Machine Learning. A utilização dessas ferramentas permite a criação de algoritmos que “ensinam” um computador a aperfeiçoar suas “habilidades” dentro de um determinado campo de estudo. Dentre os métodos geofísicos, destaca-se, na Indústria Petrolífera, o método sísmico de reflexão, que utiliza propagação de ondas em subsuperfície para aquisição de dados. O processamento desses dados pode demorar muito e ainda há a interpretação destes dados (Big Data). A metodologia deste trabalho baseia-se na utilização da linguagem de programação Python para a aplicação de Machine Learning visando, especificamente a implementação de algoritmo capaz de processar dados de seções sísmicas em busca de armadilhas geológicas do tipo domo salino. O treinamento se deu através do módulo SVC da biblioteca Scikit-Learn, que se mostrou bastante eficiente dentro da proposta. A utilização de Machine Learning é bem promissora na área de Geofísica aplicada à Engenharia de Petróleo e Gás no que se diz respeito a identificação de domos salinos em seções sísmicas.
Downloads
Referências
ALMEIDA, L. E. Aplicação De Visão Computacional Em Imagens Capturadas Por Drones Em Inspeção De Plataformas De Petróleo, 2019.
AMARAL, R. G. Implementação da técnica de machine learning (ml) para processamento de dados sísmicos. Rio Oil and Gas, 2020.
AMINZADEH, F.; DASGUPTA, S. Geofísica para Engenheiros de Petróleo. 1ª Edição. Editora Elsevier, 2015.
ANCELME, R. L. TEMC: Introdução ao método sísmico. Laboratório Nacional de Computação Científica, 2015.
BIG DATA. Disponível em <https://www.sas.com/pt_br/insights/big-data/what-is-big-data.html>. Acesso em: 25/04/2019.
BROWNSCOMBE, J. W. et al. Application of machine learning algorithms to identify cryptic reproductive habitats using diverse information sources, 2020.
BUSTAMANTE, S. G. H. Inversão de parâmetros geofísicos em três dimensões a partir de dados de reflexão sísmica por algoritmos genéticos híbridos, 2008.
CASTRO, A. S.; HOLZ, M. A Tectônica de Sal e a Disposição de Sedimentos em Águas Profundas na Região Sul da Bacia de Santos. Terceiro Congresso Brasileiro em Petróleo e Gás, 2004.
CORTES, C.; VAPNIK, V. Support-vector networks, 1995.
FALALEEV, N. Semantic segmentation of seismic reflection images, 2018. Disponível em: <https://nikolasent.github.io/deeplearning/competitions/2018/10/24/Semantic-Segmentation-of-Seismic-Reflection-Images.html>. Acesso em: 10/11/2020.
FOSSEN, H. Structural geology. Cambridge University Press, UK, 2010.
HALL, B. Facies classification using machine learning. The Leading Edge. Volume 35, pág 906-909, 2016. Society of Exploration Geophysicists. http://dx.doi.org/10.1190/tle35100906.1.
HILL GEOPHYSICAL CONSULTING. Disponível em: <https://www.hillgeo.com/salt-dome-imaging/8aae5ivq2arw46c42me1dnml2mjk9s>. Acesso em: 27/02/2020.
HEARST, M. A., SCHOLKOPF, B., DUMAIS, S., OSUNA, E., and PLATT, J. (1998). Trends and controversies - support vector machines. IEEE Intelligent Systems, 13(4):18–28.
JORDAN, M. I.; MITCHELL T. M. Machine learning: trends, perspective, and prospects, 2015.
KEAREY, P. Geofísica de exploração; tradução por Maria Cristina Moreira Coelho. São Paulo: Oficina de Textos, 2009.
LUIZ. J. G; SILVA L. M. C. Geofísica de prospecção. Belém: Universidade Federal do Pará: Cejup, 1995.
MACHINE LEARNING. Disponível em: <https://www.sas.com/pt_br/insights/analytics/machine-learning.html>. Acesso em: 25/04/2019.
MARSLAND, S. Machine Learning - An algorithmic perspective. 2. ed. Estados Unidos: CRC Press, 2015.
MILOSAVLJEVIĆ, A. Identification of salt deposits on seismic images using deep learning method for semantic segmentation, 2019.
NAVITA CONNECT. Disponível em <https://navita.com.br/blog/machine-learning-o-que-e-por-que-e-tao-importante/>. Acesso em: 13/09/2019.
NUMPY. Disponível em: <https://numpy.org>. Acesso em: 27/01/2021.
OPENCV. Disponível em: <https://opencv.org>. Acesso em: 14/02/2021.
PYTHON. Disponível em: <https://python.org>. Acesso em: 25/01/2021.
THOMAS, J. E. Fundamentos de engenharia de petróleo. Rio de Janeiro: Interciência: PETROBRAS, 2001.
SBGf (Sociedade Brasileira de Geofísica) – Boletim 104. Disponível em: <http://online.fliphtml5.com/xkhqu/qcci/>. Acesso em: 24/10/2020.
SBGf (Sociedade Brasileira de Geofísica) – Boletim 3, 2012. Disponível em: <https://sbgf.org.br/noticias/images/Boletim-3-2012_22.pdf >. Acesso em: 12/11/2020.
SCILIT-LEARN. Disponível em: <https://scikit-learn.org>. Acesso em: 10/02/2021.
SHWARTZ, S. S.; DAVID, S. B. Understanding machine learning. Cambridge University Press, USA, 2014.
TENSORFLOW. Disponível em: <https://tensorflow.org>. Acesso em: 14/04/2021.
WANG, Y. et al. Salt-related structure geologic model of pre-caspian basin and analysis on imaging capability, 2015.
WHOLEFISH. Disponível em: <https://wholefish.files.wordpress.com/2009/05/salt_domeseismic.jpg>. Acesso em: 22/11/2019.
XSGEO. Introduction - Structural Interpretation of Seismic Data. Disponível em: <http://www.xsgeo.com/course/structural_taster.pdf>. Acesso em: 16/04/2020.
YONGNA, J; JIANWEI, M. What can machine learning do for seismic data processing? An interpolation application. GEOPHYSICS, VOL. 82, NO. 3 (MAY-JUNE 2017); P. V163–V177, 10.1190/GEO2016-0300.1.
