This work examines several volume attributes extracted from 3D seismic data with the goal of seismic facies classification and lithology prediction in intraslope minibasins. The study area is in the Keathley Canyon protraction (KC), within the middle slope of the Northern Gulf of Mexico (GOM). It lays within the tabular salt and minibasins province downdip of the main Pliocene and Pleistocene deltaic depocenters. Interaction between sedimentation and mobile salt substrate lead to the emergence of many stratigraphic patterns in the intraslope minibasins. Interest in subsalt formations left above salt formations poorly logged. Facies classification using Artificial Neural Network (ANN) was applied in those poorly logged areas. The resultant facies classes were calibrated and used to predict the lithology of the recognized facies patterns in an intraslope minibasin, away from well control. Three types of facies classes were identified: Convergent thinning, convergent baselaping and bypassing. The convergent baselaping are found to be the most sand rich among all other facies.

O desenvolvimento de soluções para a classificação de ambientes de sedimentação ainda é um desafio, sobretudo em ambientes de deposição carbonáticos. Em reservatórios de óleo e gás offshore, onde a geometria dos ambientes deposicionais é fundamental para a estimativa de viabilidade técnica e econômica de exploração e produção, a discriminação destes ambientes depende de dados indiretos. Nesse sentido, a sísmica de reflexão e seus respectivos atributos funcionam como robusta ferramenta interpretativa. Grandes reservas de petróleo offshore se encontram em rochas carbonáticas constituídas, sobretudo, por calcita e dolomita. Estes minerais, no entanto, não apresentam resposta sísmica contrastante, já que a diferença de velocidade entre tais minerais é inexpressiva. A utilização da amplitude sísmica, unicamente, não possibilita diferenciar propriedades das rochas carbonáticas, tal como ocorre com rochas siliciclásticas. Compactação e hidrotermalismo são fatores pós-deposicionais que influenciam na alteração das características de rochas carbonáticas, e apresentam difícil detecção nas seções sísmicas. Tais fatores necessitam de uma abordagem que envolva as propriedades dos múltiplos atributos sísmicos para a respectiva caracterização. A técnica Self-Organizing Maps (SOM) consiste em ferramenta de análise e visualização de dados vetoriais dentro do espaço dimensional definido pelas variáveis. Trata-se de abordagem multi-atributos em que a identificação e classificação das amostras ocorre de maneira não supervisionada. Neste trabalho são utilizados dados sísmicos dos quais foi extraída a amplitude sobre um horizonte interpretado. Foram utilizados também os atributos do traço sísmico complexo, tais como: envelope, fase instantânea e frequência instantânea, além da impedância acústica e derivada espacial. Estes atributos foram escolhidos em função das características geológicas que representam. Além disso, tais atributos têm sido utilizados em outros trabalhos de classificação de fácies sísmicas. Após uma primeira análise SOM, tendo em vista o realce dos atributos de entrada, foi aplicada a Análise por Principais Componentes (APC). Com base nos componentes obtidos, foi realizada uma segunda análise SOM, obtendo-se assim os resultados que mais corresponderam ao sistema deposicional analisado. Foram identificados também clinoformas nos dados sísmicos, que apresentam correlação com a classificação dos resultados assim como um mapa de distribuição de rochas carbonáticas foi elaborado pela interpretação das classes identificadas correlacionando-as ao poço 1-SPS-0029 associando-o ao modelo de deposição de uma plataforma carbonática. / Developing solutions for classifying sedimentation environments is still quite a challenge, particularly in carbonate sites. It\'s crucial to use indirect data to differentiate the geometry of depositional environment of oil and gas offshore reservoirs when estimating the productions under technical and economical sights. Therefore, the seismic and its attributes work like a powerful interpretative tool. A great amount of oil reservoirs can be found in carbonate rocks, whose main constitution minerals are calcite and dolomite. Those minerals, however, don\'t offer a significantly contrasting response to seismic. The seismic amplitude, by itself, isn\'t a good property estimation to be used on carbonate rocks, as it is on the siliciclastic rocks. Compactation and hydrothermalism are post-depositional influencers on the alteration of carbonate rocks features, and they present a difficult detection on seismic sections. Those factors will need multiple seismic attributes to respective characterization. Self-Organizing Maps (SOM) appear as a tool for analysis and visualization of vectorial data within the dimensional space defined by the variables. That\'s a multi-featured approach whose samples identification and classification will occur in a non-supervisioned way. The use of SOM in this paper do not intend to substitute the interpretation of the results, but aims to pop up the intrinsic relations between used attributes. It has been interpreted a horizon, from which it was possible to take the amplitude on seismic as a first attribute. There have also been used acoustic impedance, spatial derivative and complex seismic trace attributes, like reflection strength, instant phase and instant frequency. Such attributes have been chosen by reflecting geological characteristics. After a previous SOM analysis, aiming to highlight raw attributes, there was applied the Principal Components Analysis (PCA). Based on obtained components, a second SOM was performed, leading to results that best corresponded to the depositional system analyzed. Besides, there were identified clinoforms on seismic data, which keep relation with classification of the result.

[pt] Predição de porosidade em reservatórios de óleo e gás representa em uma tarefa crucial e desafiadora na indústria de petróleo. Neste trabalho é proposto um novo modelo não-linear para predição de porosidade que trata fácies sedimentares como variáveis ocultas ou latentes. Esse modelo, denominado Transductive Conditional Random Field Regression (TCRFR), combina com sucesso os conceitos de Markov random fields, ridge regression e aprendizado transdutivo. O modelo utiliza volumes de impedância sísmica como informação de entrada condicionada aos valores de porosidade disponíveis nos poços existentes no reservatório e realiza de forma simultânea e automática a classificação das fácies e a estimativa de porosidade em todo o volume. O método é capaz de inferir as fácies latentes através da combinação de amostras precisas de porosidade local presentes nos poços com dados de impedância sísmica ruidosos, porém disponíveis em todo o volume do reservatório. A informação precisa de porosidade é propagada no volume através de modelos probabilísticos baseados em grafos, utilizando conditional random fields. Adicionalmente, duas novas técnicas são introduzidas como etapas de pré-processamento para aplicação do método TCRFR nos casos extremos em que somente um número bastante reduzido de amostras rotuladas de porosidade encontra-se disponível em um pequeno conjunto de poços exploratórios, uma situação típica para geólogos durante a fase exploratória de uma nova área. São realizados experimentos utilizando dados de um reservatório sintético e de um reservatório real. Os resultados comprovam que o método apresenta um desempenho consideravelmente superior a outros métodos automáticos de predição em relação aos dados sintéticos e, em relação aos dados reais, um desempenho comparável ao gerado por técnicas tradicionais de geo estatística que demandam grande esforço manual por parte de especialistas. / [en] Estimating porosity in oil and gas reservoirs is a crucial and challenging task in the oil industry. A novel nonlinear model for porosity estimation is proposed, which handles sedimentary facies as latent variables. It successfully combines the concepts of conditional random fields (CRFs), transductive learning and ridge regression. The proposed Transductive Conditional Random Field Regression (TCRFR) uses seismic impedance volumes as input information, conditioned on the porosity values from the available wells in the reservoir, and simultaneously and automatically provides as output the porosity estimation and facies classification in the whole volume. The method is able to infer the latent facies states by combining the local, labeled and accurate porosity information available at well locations with the plentiful but imprecise impedance information available everywhere in the reservoir volume. That accurate information is propagated in the reservoir based on conditional random field probabilistic graphical models, greatly reducing uncertainty. In addition, two new techniques are introduced as preprocessing steps for the application of TCRFR in the extreme but realistic cases where just a scarce amount of porosity labeled samples are available in a few exploratory wells, a typical situation for geologists during the evaluation of a reservoir in the exploration phase. Both synthetic and real-world data experiments are presented to prove the usefulness of the proposed methodology, which show that it outperforms previous automatic estimation methods on synthetic data and provides a comparable result to the traditional manual labored geostatistics approach on real-world data.