Dados da Submissão

Título

APRENDIZAGEM NÃO SUPERVISIONADA APLICADA À IDENTIFICAÇÃO DE PADRÕES LITOESTRATIGRÁFICOS E ANOMALIAS DE URÂNIO EM CURVAS DE RAIO GAMA TOTAL E ESPECTRAL

Texto do resumo

O uso de predições realizadas a partir de aprendizagem de máquina e algoritmos de agrupamento vem ganhando cada vez mais relevância na análise de dados petrofísicos. Os agrupamentos estatísticos de dados não só aumentam a precisão das interpretações, mas também diminuem a subjetividade do método qualitativo da análise de perfis. Tais ferramentas vêm se mostrado especialmente relevantes no estudo de sucessões reconhecidas pela sua heterogeneidade. Apoiado nisto, o presente estudo tem como objetivo testar a aplicabilidade da aprendizagem de máquina não supervisionada na identificação de unidades litoestratigráficas e marcos estratigráficos utilizando apenas as curvas de raio-gama total (GR) e espectral (U, Th e K). Optou-se pelo uso do k-Means, um algoritmo que avalia e agrupa os dados de acordo com suas características, considerando o valor médio ou centroide de cada grupo, e como material de estudo foi selecionado um poço perfurado e perfilado no Campo de Tupi, pré-sal da Bacia de Santos. Sabendo que nesta região o padrão das curvas de raio gama é utilizado para caracterizar o Marco Lula, um importante marco estratigráfico da bacia, também é objetivo deste estudo realizar uma análise detalhada das curvas de GR, U, Th e K no intervalo correspondente ao Marco Lula que, em conjunto com observações qualitativas de lâminas petrográficas, análises quantitativas de fluorescência de raios-X (FRX), difratometria de raios-X (DRX) e carbono orgânico total (COT), seja capaz de promover uma melhor compreensão acerca das anomalias características do intervalo. Assume-se que a distribuição assimétrica e os altos valores de desvio padrão e variância das medidas de GR, U, Th e K refletem as variações intrínsecas às diferentes unidades litoestratigráficas atravessadas pelo poço, por isto optou-se por não aplicar um pré-processamento capaz de reduzir a assimetria e o espalhamento dos dados, tampouco foi feita a análise de outlier do banco de dados. A análise multivariada de agrupamento feita por k-Means permitiu o reconhecimento de quatro clusters (C1, C2, C3 e C4) ao longo da sucessão analisada. C1 e C3, agrupam os menores valores de radioatividade medidos e ocorrem em níveis estratigráficos específicos, marcando, respectivamente, a ocorrência das coquinas da Formação Itapema na base da sucessão e os carbonatos não marinhos da Formação Barra Velha, no topo. C2 ocorre ao longo de todo o intervalo de estudo e é caracterizado por anomalias de GR e U. A maior concentração de C2 ocorre no topo da Formação Barra Velha, caracterizando o Marco Lula. Já C4, ocorre em um nível estratigráfico muito bem definido e é caracterizado por uma anomalia de K, algo ainda pouco discutido para o pré-sal, mas que pode guardar relações com a discordância Intra-Alagoas descrita na Formação Barra Velha. No intervalo correspondente ao Marco Lula, outros quatro clusters foram caracterizados (L1, L2, L3 e L4). L1 e L2 são os de menor radioatividade, L2 ocorre apenas na base do Marco Lula e engloba exclusivamente rochas intraclásticas, que exibem, além de intraclastos carbonáticos indiferenciados, intraclastos de shrubs e de esferulitos, fragmentos ígneos e sedimentos detríticos. L3 e L4 concentram os valores mais elevados de U observados no perfil raio-gama espectral e ocorrem associados as rochas finas formadas in situ, com destaque para os calcilutitos com textura grumosa e laminação crenulada, que também exibem os maiores percentuais de sedimentos detríticos e matéria orgânica.

Palavras Chave

Aprendizagem de máquina; Processamento de dados petrofísicos; Integração de dados diretos e indiretos; Pré-sal da Bacia de Santos