[pt] Detectar reservatórios de hidrocarbonetos a partir de um levantamento sísmico é uma tarefa complexa, que requer profissionais especializados e muito tempo
de trabalho. Por isso, atualmente, existem muitas pesquisas que buscam automatizar
essa tarefa utilizando redes neurais profundas. Seguindo o sucesso das redes convolucionais profundas, CNNs, na identificação de objetos em imagens e vídeos, as
CNNs tem sido utilizadas como detectores de eventos geológicos nas imagens sísmica. O treinamento de uma rede neural profunda atual, entretanto, requer centenas
de milhares de dados rotulados. Se tratarmos os dados sísmicos como imagens, os
reservatórios de hidrocarbonetos geralmente constituem uma pequena sub imagem
incapaz de fornecer tantas amostras. A metodologia proposta nesta dissertação trata
o dado sísmico como um conjunto de traços e a amostra que alimenta a rede neural
são trechos de um sinal unidimensional parecido com um sinal de som ou voz. Com
essa entrada uma marcação de um reservatório numa sísmica geralmente já fornece
o número necessário de amostras rotuladas para o treinamento. Um outro aspecto
importante da nossa proposta é a utilização de uma rede neural recorrente. A influencia de um reservatório de hidrocarboneto num traço sísmico se dá não somente
no local onde ele se encontra, mas em todo o traço que se segue. Por isso propomos
a utilização de uma rede do tipo longa memória de curto prazo (Long Short-Term
Memory, LSTM) para caracterizar regiões que apresentem assinaturas de gás em
imagens sísmicas. Esta dissertação detalha ainda a implementação da metodologia proposta e os testes feitos nos dados sísmicos públicos Netherlands F3-Block.
Os resultados alcançados avaliados pelos índices de sensibilidade, especificidade,
acurácia e AUC foram todos excelentes, acima de 95 por cento. / [en] Detecting hydrocarbon reservoirs from a seismic survey is a complex task,
requiring specialized professionals and long time. Consequently, many authors
today seek to automate this task by using deep neural networks. Following the
success of deep convolutional networks, CNNs, in the identification of objects
in images and videos, CNNs have been used as detectors of geological events
in seismic images. Training a deep neural network, however, requires hundreds
of thousands of labeled data, that is, samples that we know the response that
the network must provide. If we treat seismic data as images, the hydrocarbon
reservoirs usually constitute a small sub-image unable to provide so many samples.
The methodology proposed in this dissertation treats the seismic data as a set
of traces and the sample that feeds the neural network are fragments of a onedimensional signal resembling a sound or voice signal. A labeled reservoir seismic
image usually provides the required number of labeled one-dimensional samples for
training. Another important aspect of our proposal is the use of a recurrent neural
network. The influence of a hydrocarbon reservoir on a seismic trace occurs not only
in its location but throughout the trace that follows. For this reason, we propose
the use of a Long Short-Term Memory, LSTM, network to characterize regions
that present gas signatures in seismic images. This dissertation further details the
implementation of the proposed methodology and test results on the Netherlands
F3-Block public seismic data. The results on this data set, evaluated by sensitivity,
specificity, accuracy and AUC indexes, are all excellent, above 95 percent.
| Identifer | oai:union.ndltd.org:puc-rio.br/oai:MAXWELL.puc-rio.br:47319 |
| Date | 02 April 2020 |
| Creators | LUIZ FERNANDO TRINDADE SANTOS |
| Contributors | MARCELO GATTASS |
| Publisher | MAXWELL |
| Source Sets | PUC Rio |
| Language | Portuguese |
| Detected Language | Portuguese |
| Type | TEXTO |
Page generated in 0.002 seconds