UNIVERSIDADE FEDERAL DO PAR CENTRO DE GEOCINCIAS CURSO DE PS-GRADUAO EM GEOFSICA

Tese de Doutorado

IMAGEAMENTO DA POROSIDADE ATRAVS DE PERFIS GEOFSICOS DE POO.

ANNA ILCA FISCHETTI MIRANDA

BELM 2004

Ao meu filho, Rafael Fischetti Miranda, com muito amor e carinho. Que esta tese sirva como estmulo na sua vida estudantil.

AGRADECIMENTOS
Ao CNPq pelo suporte dado atravs da minha bolsa de doutorado. Aos meus pais, Giuseppe Fischetti e Maria da Conceio Rocha Fischetti, pelos incentivos e oportunidades que me propiciaram. Ao meu marido, Luis Marcos Moura Miranda, pela sua pacincia, tolerncia e apoio nos momentos mais difceis. minha irm, Anna Carmela Fischetti Ferreira, pela confiana e apoio. professora Josefina Irene Pinheiro (in memorian) pela amizade e incentivo. s professoras Dra. Brgida Ramati Pereira da Rocha (CT/UFPa) e Dra. Valquria Macedo Gusmo (CT/UFPa) pelas contribuies nesta tese. Aos membros da banca de defesa de tese, Prof Dr. Mrio Vicente Caputo (CG/UFPa), Prof Dr. Roberto Clio Limo de Oliveira (CT/UFPa), Prof Dr. Jadir da Conceio da Silva (DG/UFRJ) e Prof Dr. Antnio Abel Gonzles Carrasquilla (LENEP/UENF), pelas sugestes feitas esta tese. Ao meu orientador, Prof Dr. Andr Jos Neves Andrade (CG/UFPa), agradeo a oportunidade e confiana em mim depositadas em todos estes anos de trabalho. Muito obrigada.

Sumrio
DEDICATRIA........................................................................................... AGRADECIMENTOS................................................................................. LISTA DE ILUSTRAES........................................................................ RESUMO...................................................................................................... ABSTRACT.................................................................................................. 1 INTRODUO........................................................................................ 2 GRFICOS DE POROSIDADE............................................................. 2.1 INTRODUO...................................................................................... 2.2 PERFIS DE POROSIDADE.................................................................... 2.2.1 Perfil de Densidade............................................................................ 2.2.1.1 Princpio Ferramental......................................................................... 2.2.2 Perfil Neutrnico................................................................................ 2.2.2.1 Princpio Ferramental......................................................................... 2.2.3 Perfil Snico........................................................................................ 2.2.3.1 Princpio Ferramental......................................................................... 2.3 GRFICOS DE POROSIDADE............................................................. 2.3.1 Grfico b t .................................................................................... 2.3.2 Grfico N t .................................................................................... 2.3.3 Grfico b N ................................................................................... 3 REDES NEURAIS ARTIFICIAIS.......................................................... 3.1 INTRODUO...................................................................................... 3.2 O NEURNIO BIOLGICO................................................................. 3.3 O NEURNIO ARTIFICIAL.................................................................. 3.4 REDE NEURAL COMPETITIVA.......................................................... 3.5 REDE NEURAL DE FUNO DE BASE RADIAL.............................. 4 IMAGEAMENTO DA POROSIDADE.................................................. 4.1 INTRODUO...................................................................................... 4.2 INTERPRETAAO AUTOMTICA DO GRFICO DENSIDADENEUTRNICO.............................................................................................. 4.2.1 Perfil de Porosidade........................................................................... 4.3 LINHAS DE CORRELAO................................................................. 4.4 IMAGEAMENTO DA POROSIDADE................................................... 5 CONCLUSES........................................................................................ REFERNCIAS BIBLIOGRFICAS........................................................ APNDICE- Porosity images from well logs........................... i ii iv 1 2 3 5 5 5 6 6 8 8 10 10 12 13 15 16 17 17 21 23 25 28 31 31 31 33 42 45 51 52 58

Lista de Ilustraes
FIGURAS

Figura 2.1 Figura 2.2 Figura 2.3 Figura 2.4

Figura 2.5 Figura 2.6 Figura 3.1

Figura 3.2 Figura 3.3 Figura 3.4 Figura 3.5

Ferramenta de densidade no interior de um poo. A ferramenta est separada da parede do mesmo pela espessura tmc do reboco (modificada de Ellis, 1987).............. Representao de uma ferramenta de porosidade neutrnica com dois detetores (modificada de Ellis, 1987)...................... Ferramenta snica padro, em atividade, no interior de um poo (modificada de Ellis, 1987)............................................ Grfico densidade-snico. Variaes de porosidade nos trs tipos de rochas reservatrios produzem variaes no tempo de trnsito da onda compressional e na densidade da formao.................................................................................. Grfico nutron-snico para determinao da porosidade, onde pode-se observar uma melhor distribuio das curvas para a discriminao da litologia............................................ Grfico densidade-neutrnico para a determinao da litologia e porosidade em litologias simples........................... Neurnio biolgico exemplificado pela clula piramidal, comum no crtex cerebral, mostrando os caminhos do fluxo do sinal (dentritos e axnios), o corpo da clula e, no detalhe, as microcavidades das ligaes sinpticas (modificada de Haykin, 2001)................................................ Modelo de um neurnio artificial tpico, onde identifica-se os seus componentes bsicos, em analogia ao neurnio biolgico................................................................................ Transformao afim realizada pela introduo do termo k (potencial limite).................................................................... Arquitetura de uma rede neural competitiva simples, onde podemos observar a camada com os ns de entrada e a camada competitiva............................................................... Arquitetura de uma rede neural com funo de base radial, onde podemos observar a camada de entrada, composta por duas unidades sensoriais, a camada oculta, composta por quatro neurnios, e a camada de sada, composta por um neurnio................................................................................

7 9 11

14 15 16

23 24 25 27

30

Figura 4.1

Localizao do Campo de Lagunillas, na Bacia do Lago Maracaibo e, no detalhe, apresenta-se a coluna estratigrfica referente Formao Lagunillas, caracterizada pela seqncia arenito-folhelho, sendo que os arenitos apresentam diferentes graus de contaminao por argila (modificada de Talukdar & Marcano, 1994)........................... Figura 4.2 Grfico b N , obtido a partir do Poo A, onde as cruzes representam os pares ordenados de entrada ( b , N ) e a linha azul representa a linha dos arenitos limpos............................. Figura 4.3 Arquitetura da rede neural competitiva para a obteno do ponto do folhelho. A camada de entrada composta por duas unidades sensoriais e a camada competitiva composta por quatro neurnios............................................................... Figura 4.4 Posicionamento, aps o treinamento, dos pesos sinpticos dos quatro neurnios da camada competitiva da rede neural, representados por crculos verdes, para o estabelecimento do ponto do folhelho.................................................................... Figura 4.5 Grfico b N , obtido a partir do Poo A, o ponto verde representa o ponto do folhelho e a linha verde a linha representativa dos folhelhos, que passa por este ponto.......... Figura 4.6 Arquitetura da rede neural competitiva para a obteno do zoneamento do perfil. A camada de entrada composta por duas unidades sensoriais e a camada competitiva composta por oitenta e dois neurnios competitivos............................... Figura 4.7 Perfil de porosidade zoneada para o Poo A. Na primeira faixa temos o perfil de raios gama. Na segunda faixa temos o perfil de porosidade zoneada para o arenito e na terceira faixa temos o perfil de porosidade zoneada para o folhelho... Figura 4.8 Perfil de porosidade zoneada para o Poo B. Na primeira faixa temos o perfil de raios gama. Na segunda faixa temos o perfil de porosidade zoneada para o arenito e na terceira faixa temos o perfil de porosidade zoneada para o folhelho... Figura 4.9 Perfil de porosidade zoneada para o Poo C. Na primeira faixa temos o perfil de raios gama. Na segunda faixa temos o perfil de porosidade zoneada para o arenito e na terceira faixa temos o perfil de porosidade zoneada para o folhelho... Figura 4.10 Arquitetura de rede neural de funo de base radial (RBF) para determinao das linhas de correlao............................ Figura 4.11 Conjunto de treinamento da rede neural de funo de base radial para a determinao das linhas de correlao. Destacado pela linha amarela tracejada, temos o intervalo de treinamento utilizado..............................................................

32 33

35

35 36

37

39

40

41 42

Figura 4.12

Figura 4.13 Figura 4.14

Figura 4.15

Figura 4.16 Figura 4.17

radial para a determinao das linhas de correlao. Destacado pela linha amarela tracejada, temos o intervalo de treinamento utilizado.............................................................. Perfis de raio gama natural dos Poos A, B e C mostrando as linhas de correlao estabelecidas para a primeira camada de folhelho, atravs do processamento da rede neural de funo de base radial............................................................... Arquitetura de rede neural de funo de base radial para a determinao da porosidade nos perfis interpolados............ Visualizao do processo de interpolao da porosidade adotado pelo algoritmo interpretativo. Em vermelho tm-se os perfis de porosidade originais. Em azul mostra-se o primeiro perfil de porosidade interpolado............................... Interpolao de perfis realizada pela rede neural de funo de base radial para a determinao do imageamento da porosidade. Os perfis em vermelho so referentes aos Poos A, B e C. Em azul temos os perfis interpolados...................... Imageamento da porosidade mostrando as suas variaes laterais................................................................................... Imageamento da porosidade. A variao das cores representa a distribuio dos valores da porosidade ao longo da seo...................................................................................

43

44 46

47

48 49 50

RESUMO

O imageamento da porosidade uma representao grfica da distribuio lateral da porosidade da rocha, estimada a partir de dados de perfis geofsicos de poo. Apresenta-se aqui uma metodologia para produzir esta imagem geolgica, totalmente independente da interveno do intrprete, atravs de um algoritmo, dito, interpretativo baseado em dois tipos de redes neurais artificiais. A primeira parte do algoritmo baseia-se em uma rede neural com camada competitiva e construdo para realizar uma interpretao automtica do clssico grfico b N , produzindo um zoneamento do perfil e a estimativa da porosidade. A segunda parte baseia-se em uma rede neural com funo de base radial, projetado para realizar uma integrao espacial dos dados, a qual pode ser dividida em duas etapas. A primeira etapa refere-se correlao de perfis de poo e a segunda produo de uma estimativa da distribuio lateral da porosidade. Esta metodologia ajudar o intrprete na definio do modelo geolgico do reservatrio e, talvez o mais importante, o ajudar a desenvolver de um modo mais eficiente as estratgias para o desenvolvimento dos campos de leo e gs. Os resultados ou as imagens da porosidade so bastante similares s sees geolgicas convencionais, especialmente em um ambiente deposicional simples dominado por clsticos, onde um mapa de cores, escalonado em unidades de porosidade aparente para as argilas e efetiva para os arenitos, mostra a variao da porosidade e a disposio geomtrica das camadas geolgicas ao longo da seo. Esta metodologia aplicada em dados reais da Formao Lagunillas, na Bacia do Lago Maracaibo, Venezuela.

ABSTRACT
Porosity images are graphical representations of the lateral distribution of rock porosity estimated from well log data. We present a methodology to produce this geological image entirely independent of interpreter intervention, with an interpretative algorithm approach, which is based on two types of artificial neural networks. The first is based on neural competitive layer and is constructed to perform an automatic interpretation of the classical b N cross-plot, which produces the log zonation and porosity estimation. The second is a feed-forward neural network with radial basis function designed to perform a spatial data integration, which can be divided in two steps. The first refers to well log correlation and the second produces the estimation of lateral porosity distribution. This methodology should aid the interpreter in defining the reservoir geological model, and, perhaps more importantly, it should help him to efficiently develop strategies for oil or gas field development. The results or porosity images are very similar to conventional geological cross-sections, especially in a depositional setting dominated by clastics, where a color map scaled in porosity units illustrates the porosity distribution and the geometric disposition of geological layers along the section. The methodology is applied over actual well log data from the Lagunillas Formation, in the Lake Maracaibo basin, located in western Venezuela.

1 INTRODUO
Atualmente, muitos estudos tm mostrado a aplicabilidade e eficincia das redes neurais artificiais em resolver um grande nmero de problemas geofsicos (Andrade & Luthi, 1997; Crocker et al., 1999; Fischetti & Andrade, 1999; Fitzgerald et al., 1999; Ali & Chawathe, 2000; Banchs & Michelena, 2000; Chang et al., 2000; Jamialahmadi & Javadpour, 2000). Um ponto em comum na maioria destes trabalhos a necessidade da interveno do intrprete no processamento das redes neurais, apresentando a resposta certa durante a fase de treinamento (Vander Baan & Jutten, 2000). Neste trabalho introduzimos o conceito de algoritmo interpretativo, o qual deve integrar toda a informao disponvel da geologia e geofsica de poo para produzir uma interpretao autnoma e geologicamente plausvel destes dados em uma escala regional. Aplica-se este conceito para um problema geolgico de interpretao de perfis de poo. O objetivo obter o imageamento da porosidade ou uma seo representativa da distribuio lateral da porosidade da rocha em subsuperfcie. Este algoritmo interpretativo realiza uma eficiente integrao dos dados dos perfis de poo com os procedimentos clssicos da interpretao dos perfis atravs das redes neurais artificiais. Convencionalmente, problemas geolgicos de interpretao de perfis requerem um alto grau de experincia do intrprete (Luthi, 2001). Todavia, mostra-se que o algoritmo interpretativo pode simular os processos de deciso envolvidos neste tipo de problema, particularmente em um ambiente deposicional dominado por clsticos (arenitos e folhelhos) e onde os processos diagenticos ainda no tenham produzido grandes diferenas entre as vrias partes do campo. Apresentamos a aplicao da metodologia sobre dados reais da Formao Lagunillas, na Bacia do Lago Maracaibo, Venezuela. A evoluo geolgica da Bacia do Lago Maracaibo, relevante para o desenvolvimento de sistemas petrolferos, inclui sedimentao e tectnica e vo do Cretceo ao Holoceno. A Formao Lagunillas derivada do inferior e mdio Mioceno, consistindo de arenitos, folhelhos e carvo depositados em ambientes que variam de fluviais a deltaicos (Talukdar & Marcano, 1994). Esta tese est estruturada na seguinte forma:

No Captulo 2 apresenta-se o embasamento da Geofsica de Poo necessrio para a compreenso do trabalho realizado. No Captulo 3 apresenta-se um resumo das redes neurais artificiais, enfatizando as redes neurais com camada competitiva e de funo de base radial, que foram as utilizadas neste trabalho. No Captulo 4 mostra-se a metodologia desenvolvida nesta tese para a obteno do imageamento da porosidade. V-se tambm o funcionamento de cada parte do algoritmo interpretativo e mostram-se os resultados obtidos em cada etapa do processamento. Mostra-se, ainda, a imagem da porosidade para dados reais de origem venezuelana. Nas Concluses destaca-se a adequabilidade, eficincia e ineditismo do mtodo aplicado, apresentando novas idias que iro refinar a metodologia apresentada.

2 GRFICOS DE POROSIDADE
2.1 INTRODUO
A porosidade a propriedade petrofsica caracterstica e peculiar das rochas sedimentares tipo reservatrio, que expressa a frao do volume total da rocha que pode ser ocupado por um fluido. Assim, a porosidade a propriedade que qualifica a capacidade armazenadora de um reservatrio. A sua determinao, atravs dos perfis geofsicos, no uma tarefa fcil e imediata, quando consideram-se as mltiplas possibilidades de composio e arranjo dos gros nas rochas sedimentares. Normalmente, um nico perfil, na maioria das situaes, incapaz de proporcionar uma estimativa confivel da porosidade, em funo das diversas formas de interao entre a constituio da rocha e a propriedade fsica mensurada pelas ferramentas. Assim, comum a utilizao de mais de um perfil para a sua determinao. A descrio litolgica, clssica da geologia, geralmente inclui, em adio ao mineral principal, a indicao da presena de vrios outros minerais chamados acessrios; no entanto para o objeto da geofsica de poo bastam os minerais principais componentes das rochas reservatrio. Pode-se incluir ainda, a depender do tipo de grfico de porosidade, rochas como a anidrita, a halita, a gipsita e outras rochas evaporticas. Para os gelogos, esta lista bastante limitada, mas suficiente para a soluo do problema geofsico da estimativa da porosidade em uma dada profundidade, cuja matriz seja desconhecida. Uma das formas eficientes para a determinao conjunta da litologia e da porosidade a utilizao dos, assim chamados, grficos de porosidade. Em um plano conveniente que possui como eixos dois perfis de porosidade, lanada a soluo da equao de Willye para uma dada litologia (Ellis, 1987). Neste tipo de interpretao, o termo matriz utilizado para designar os principais tipos de rocha reservatrio: arenito, calcrio e dolomita.

2.2 PERFIS DE POROSIDADE

Nesta seo discutem-se as trs ferramentas sensveis porosidade. A primeira a ferramenta de densidade, cujo parmetro medido a densidade da formao ( b ). Conforme a

porosidade aumenta, a densidade da rocha diminui. A segunda a ferramenta neutrnica, que sensvel presena do hidrognio. O registro da sua medida a porosidade neutrnica ( N ), associada porosidade da formao, em funo do ndice de hidrognio que reflete a quantidade deste elemento na formao, normalmente presente nos fluidos no espao poroso. Para finalizar, temos a ferramenta snica que mede o tempo de trnsito ( t ) da onda compressional, registrado em s / ft . Esta medida aumenta de acordo com o aumento da porosidade, em razo da baixa velocidade snica nos fluidos nos poros.

2.2.1 Perfil de Densidade

O perfil de densidade o registro contnuo das variaes das densidades das rochas atravessadas por um poo. No caso de rochas porosas, a medio realizada pelo perfil inclui tanto a densidade da matriz da rocha, como a do fluido contido no espao poroso. Sabe-se que a transmisso de raios gama, atravs da matria, pode ser relacionada com a densidade eletrnica se a interao predominante for o Efeito Compton. No ambiente do poo, uma medida do transporte dos raios gama pode ser usada para determinar a densidade da rocha prxima parede do poo. Com alguma informao sobre a composio do material, litologia e fluido, pode-se determinar a porosidade da rocha.

2.2.1.1 Princpio Ferramental

A fonte de raios gama normalmente utilizada o Csio (Cs137) , o qual emite raios gama com uma energia de 662 KeV, bem abaixo do limite para a ocorrncia do efeito de Produo de Par. Este istopo tem uma meia vida de cerca de trinta anos, o que d uma estabilidade na intensidade do feixe energtico, durante um perodo de tempo considervel. Algumas ferramentas utilizam o Cobalto (Co60), que emite raios gama de diferentes energias: 1332 e 1173 KeV. O poo bombardeado por um fluxo de raios gama produzido por uma fonte que se encontra no interior da ferramenta. Um cintilmetro, montado no mesmo corpo ferramental e protegido da radiao direta da fonte, registra o fluxo de raios gama difundido pela formao. O sinal observado relacionado com a densidade da formao, uma vez que ele representativo do nmero de raios gama que foram desviados de sua trajetria original, no interior da formao. Assim, quanto menor for o fluxo de raios gama detectados, maior o nmero de eltrons

(densidade eletrnica) responsveis pela mudana na trajetria dos raios gama pelo Efeito Compton, o que implica em um maior nmero de tomos por unidade de volume. Infelizmente, a ferramenta de densidade no responde diretamente densidade da rocha, mas sim ao nmero de eltrons por unidade de volume da mesma, ou seja, a densidade eletrnica. Ento, uma correo aplicada internamente, calibrando-se a ferramenta para o calcrio saturado com gua doce, visto atravs da equao (2.1), b = 1.0704 e 0.188 , (2.1)

a qual produz valores de densidade com preciso de 0.0001 g/cc nas litologias mais comuns. As ferramentas antigas consistiam de uma fonte de raios gama e um nico detetor. Entretanto, para eliminar o efeito da lama/reboco sobre as leituras do perfil, as ferramentas modernas (Figura 2.1) incorporaram dois detetores, geralmente ambos de NaI(Tl), que esto colocados em um tubo, que os protege da radiao direta proveniente da fonte. O detetor prximo mais influenciado pelo reboco (ou lama, se estiver em zonas desmoronadas) do que o detetor afastado, mais afetado pela formao.

Reboco

Formao Detetor afastado ________ Detetor ____ prximo ________ ________ Fonte _

Figura 2.1: Ferramenta de densidade no interior de um poo. A ferramenta est separada da parede do mesmo pela espessura t mc do reboco (modificada de Ellis, 1987).

Com estas duas leituras, em diferentes profundidades de investigao, acrescida da medida da espessura do reboco com a curva do caliper, a ferramenta realiza correes internas, ou compensaes no valor da densidade, e apresenta valores de densidade bem mais realistas que as antigas ferramentas de um detetor. A ferramenta comprimida contra a formao por um brao hidrulico, operado eletricamente na superfcie. Este brao d-nos tambm uma medida do dimetro ao longo do poo, em uma direo.

2.2.2 Perfil Neutrnico

A ferramenta de perfilagem neutrnica foi a primeira ferramenta nuclear a ser utilizada para obter-se uma estimativa direta da porosidade da formao. Os nutrons so partculas destitudas de carga eltrica, com massa quase idntica do ncleo de hidrognio. Sendo partculas neutras, eles podem penetrar profundamente na matria, atingindo os ncleos dos elementos que compem a rocha, onde interagem elstica ou inelasticamente com eles. O princpio ferramental baseia-se no fato que o hidrognio apresenta uma seo de choque relativamente grande e massa pequena, sendo bastante eficiente no processo de reduo da energia dos nutrons rpidos. Uma medida da distribuio espacial dos nutrons epitermais, resultantes da interao dos nutrons com a formao, d uma noo do contedo de hidrognio presente. Como este hidrognio (na forma de gua ou hidrocarboneto) est no interior do espao poroso da formao, isto faz com que esta medida esteja diretamente relacionada ao valor da porosidade.

2.2.2.1 Princpio Ferramental

Os nutrons, cujo conceito foi introduzido, em 1932, por Heisenberg (Ellis, 1987), classificam-se de acordo com seus nveis energticos (Tabela 1). Tabela 1: Classificao dos nutrons de acordo com o nvel de energia. NUTRON Rpido Epitermal Termal ENERGIA (E) E> 0.1 MeV 0.1 MeV>E> 0.025 eV E < 0.025 eV

As ferramentas neutrnicas modernas, Figura 2.2, so constitudas por uma fonte de nutrons e dois ou mais detetores. As principais fontes em uso so constitudas por
226 9 239 9 241 9 Ra88 . Be4 , Pu88 . Be4 e Am95 . Be4 , e foram projetadas para a emisso de nutrons rpidos. A

fonte emite nutrons rpidos, os quais penetram nas camadas adjacentes ao poo. Atravs das sucessivas e mltiplas colises elsticas, os nutrons perdem parte da energia com que foram injetados. Esta perda de energia depende da massa relativa ou seo de choque do ncleo com o qual o nutron colide. A maior quantidade de perda energtica ocorre, justamente, quando os nutrons se chocam com ncleos de massa praticamente igual sua, portanto, com o ncleo de hidrognio.

Poo Formao Detetor afastado Detetor prximo

Fase termal Fonte de nutrons Fase moderada

Figura 2.2: Representao de uma ferramenta de porosidade neutrnica com dois detetores (modificada de Ellis, 1987). A deteco da radioatividade e o conseqente produto final, o perfil, dependem do tipo de detetor utilizado, visto que dependendo do modelo, eles captam nutrons que variam de termais a epitermais; lembrando sempre que o amortecimento do nvel energtico dos nutrons rpidos,

depende da quantidade de hidrognio, por unidade de volume, das camadas prximas s paredes do poo. Na interpretao do perfil neutrnico deve-se estar atento para perturbaes inerentes ao ambiente da perfilagem, tais como o efeito da argila, matriz e gs sobre a ferramenta. Em zonas portadoras de gs ou hidrocarbonetos leves (condensados), ocorre a reduo da quantidade de tomos de hidrognio por unidade de volume, produzindo a diminuio do valor da porosidade nessas zonas. Na situao de gs, as ferramentas de densidade e snico no sofrem influncia pela reduo da densidade de hidrognio. Este comportamento propicia a indicao imediata das zonas de gs, a partir do cruzamento da curva de porosidade neutrnica com a curva de porosidade estimada pelos perfis de densidade ou snico.

2.2.3 Perfil Snico

A medida da porosidade, atravs do perfil snico, ocorre a partir da determinao do tempo gasto pela onda compressional para percorrer um determinado espao de formao. A velocidade do som varia segundo o meio em que suas ondas se propagam. Ela mais rpida nos slidos que nos lquidos e gases. Logo, o tempo gasto por uma onda sonora nos slidos, para percorrer uma mesma distncia fixa, bem menor que nos lquidos e gases. A maior vantagem do perfil snico provm da relao direta que existe entre o tempo de trnsito de uma onda sonora em uma rocha e sua porosidade, pois ao considerar-se duas rochas semelhantes, aquela que tiver maior quantidade de fluidos no seu espao poroso (maior porosidade), apresentar um tempo de trnsito maior que aquela de menor volume fluido (menor porosidade).

2.2.3.1 Princpio Ferramental

A ferramenta snica convencional mede o tempo de trnsito das ondas compressionais, na rocha vizinha ao poo, por meio de uma sonda composta por um transmissor e dois receptores (Figura 2.3). O impulso sonoro emitido com uma freqncia constante, pelo transmissor, propaga-se nas camadas at vir a ativar sucessivamente dois receptores localizados, a distncias fixas e pr-determinadas, na sonda de perfilagem. Mede-se, portanto, no o tempo gasto pelo som para atingir ambos receptores, mas sim o tempo gasto no percurso entre os mesmos. Em outras palavras, mede-se uma diferena de tempo de propagao (tempo de trnsito), que expressa em microssegundos por p de formao ( s / ft ).

Poo

Formao

Onda cisalhante

Onda compressional

Figura 2.3: Ferramenta snica padro, em atividade, no interior de um poo (modificada de Ellis, 1987). Os transmissores e os receptores consistem de transdutores feitos de cristais, cermicas ou bobinas magnticas, que possuem a funo de produzir uma deformao mecnica em resposta a um sinal eltrico (transmissor) ou produzir um sinal eltrico quando ele se deforma (receptor).

2.3 GRFICOS DE POROSIDADE

As medidas realizadas pelas ferramentas neutrnica, de densidade e snica no dependem exclusivamente da porosidade, mas da litologia da formao, do fluido nos poros e, em alguns casos, da geometria da estrutura porosa e da granulometria. Quando se conhece a litologia, representada pelos parmetros da matriz ( Nm , bm e t m ), pode-se obter o valor correto da porosidade com a utilizao dessas medidas, no caso de formaes limpas e saturadas com gua. Nas situaes mais comuns, o clculo da porosidade torna-se mais complexo quando no se conhece a litologia, que normalmente constitui-se por dois ou mais minerais em propores tambm desconhecidas, e o fluido nos poros apresenta parmetros muito distintos dos da gua. A fim de determinar-se a porosidade, necessita-se de mais dados do que aqueles produzidos por uma nica ferramenta, uma vez que as medies realizadas pelas ferramentas de porosidade so sensibilizadas diferentemente pela litologia, pelo tipo de fluido e geometria da estrutura porosa. Pode-se utilizar combinaes destas ferramentas com o propsito de se determinar a matriz e uma melhor estimativa da porosidade. Uma forma adequada de se representar a associao de medidas, ocorre atravs dos chamados grficos de porosidade, que mostram como vrias combinaes de medidas so sensibilizadas pela litologia e pela porosidade. Alm disso, proporcionam uma melhor percepo visual das diversas combinaes de minerais que formam a rocha que est sendo investigada. A sensibilidade dos perfis de porosidade, em relao matriz e porosidade das rochas, expressa atravs da equao (2.2), na qual a propriedade fsica registrada pela ferramenta (P) representada por uma combinao linear destas mesmas propriedades, medidas isoladamente na matriz ( Pm ) e no fluido contido no espao poroso ( Pf ), ponderadas pela porosidade ( ). Assim, podemos escrever, P = Pf + (1 ) Pm . (2.2)

A soluo simultnea para a determinao da matriz e da porosidade, requer a utilizao das medidas realizadas por, pelo menos, duas ferramentas, na forma de um sistema linear com duas equaes e duas incgnitas, ou seja, P1 = P1f + (1 ) P1m . P2 = P2 f + (1 )P2 m (2.3)

A soluo do sistema de equaes (2.3) obtida separadamente para cada uma das litologias caractersticas das rochas reservatrio, na forma P1=f(P2), onde f representa uma funo linear. A obteno de cada reta d-se pela substituio, no sistema (2.3), dos valores caractersticos da matriz (Tabela 2) e da gua, com a subseqente eliminao da porosidade. A representao grfica desta soluo vista nos chamados grficos de porosidade, onde cada reta escalonada em valores de porosidade, possibilitando assim uma avaliao conjunta da litologia e da porosidade para um par ordenado das medidas provindas de dois perfis de porosidade, a uma mesma profundidade. Tabela 2: Propriedades fsicas da matriz.

t m ( s / ft )
MATRIZ Quartzo Calcita Dolomita 55.5 47.5 43.5

bm ( g / cm3 )
2.65 2.71 2.86

Nm (%)
-0.02 0 0.04

2.3.1 Grfico b t
o grfico que mostra a resposta da associao entre as ferramentas de densidade e snica para as litologias mais comuns, considerando gua doce nos poros, como mostrado pelo sistema de equaes (2.4),

 b = bw + (1 ) bm t = t w + (1 )t m

(2.4)

na qual b representa a densidade da rocha lida no perfil, a porosidade, bw a densidade da gua, bm a densidade da matriz, t o tempo de trnsito lido no perfil, t w o tempo de trnsito na gua e t m o tempo de trnsito na matriz. A soluo deste sistema de equaes mostrada na Figura 2.4, para cada uma das trs litologias que compem as rochas reservatrios.

1.9

2 2.1

2.2

2.3

2.4

2.5 2.6

2.7

2.8 2.9

40

50

60

70

80

90

100

110

120

Figura 2.4: Grfico densidade-snico. Variaes de porosidade nos trs tipos de rochas reservatrios, produzem variaes no tempo de trnsito da onda compressional e na densidade da formao. A reta azul representa o calcrio, a vermelha representa o arenito e a verde representa a dolomita.

2.3.2 Grfico N t
Este grfico a representao da soluo do sistema de equaes (2.5), utilizando os perfis neutrnico ( N ) e snico ( t ), para cada uma das litologias mais comuns nas rochas sedimentares. N = Nw + (1 ) Nm . t = t w + (1 ) t m (2.5)

Na equao (2.5), N representa o valor da porosidade neutrnica lido no perfil, a porosidade, Nw a porosidade neutrnica na gua, Nm a porosidade neutrnica na matriz rochosa, t o tempo de trnsito lido no perfil, t w o tempo de trnsito na gua e t m o tempo de trnsito na matriz. Devido ao efeito da matriz, percebido pela ferramenta neutrnica, as trs curvas possuem agora uma maior separao entre elas, como mostra a Figura 2.5.
120

110

100

90

80

70

60

50

40 -0.1

-0.05

0.05

0.1

0.15

0.2

0.25

0.3

0.35

0.4

N
Figura 2.5: Grfico neutrnico-snico para determinao da porosidade, onde pode-se observar uma melhor distribuio das curvas para a discriminao da litologia. A reta vermelha representa o arenito, a azul representa o calcrio e a verde representa a dolomita.

2.3.3 Grfico b N
O grfico b N (densidade-neutrnico), Figura 2.6, o grfico padro para a interpretao de misturas binrias. Neste caso, a densidade da rocha expressa como uma funo da porosidade aparente do calcrio. Este grfico a representao da soluo do sistema de equaes 2.6. b = bw + (1 ) bm . N = Nw + (1 ) Nm (2.6)

No sistema (2.6), b representa a densidade da rocha lida no perfil, a porosidade, bw a densidade da gua, bm a densidade da matriz, N o valor da porosidade neutrnica lido no perfil, Nw a porosidade neutrnica na gua e Nm a porosidade neutrnica na matriz rochosa.
1. 9

2. 1

2. 2

2. 3

2. 4

2. 5

2. 6

2. 7

2. 8

2. 9

-0.1

-0.05

0. 05

0. 1

0. 15

0. 2

0. 25

0. 3

0. 35

0. 4

Figura 2.6: Grfico densidade-neutrnico para a determinao da litologia e porosidade em litologias simples. A reta vermelha representa o arenito, a azul representa o calcrio e a verde a dolomita.

3 REDES NEURAIS ARTIFICIAIS

3.1 INTRODUO
Por vrias dcadas a cincia tem alcanado um considervel progresso no desenvolvimento de mquinas ditas inteligentes. Essas mquinas seriam destinadas a executar tarefas com a habilidade de poder aperfeioar, no tempo, as suas prprias operaes. Entre as tecnologias empregadas para alcanar esse objetivo pode-se citar a matemtica biofsica, a ciberntica, a automtica, a biociberntica, a teoria geral de sistemas, os sistemas autoorganizativos, a inteligncia artificial, a cincia cognitiva e os sistemas neurais artificiais, tambm conhecidos por redes neurais artificiais. A criao de algoritmos para os sistemas neurais motivada pelo reconhecimento de que o crebro humano trabalha de forma inteiramente diferente que os computadores digitais convencionais, operando sob algoritmos seqenciais (Haykin, 2001). Assim, a idia fundamental das redes neurais artificiais a de simular, por meio de algoritmos, o comportamento do crebro humano, quando este trabalha na soluo de problemas triviais, mas que apresentam um tratamento bastante complexo e oneroso nos computadores convencionais. A histria das redes neurais artificiais tem como marco inicial o ano de 1943, quando Warren Mcculloh, um neurofisiologista, e Walter Pitts, um matemtico de apenas 18 anos de idade, escreveram um artigo intitulado about how neurons might work (Mcculloh & Pitts, 1943). Eles modelaram uma rede neural simples com circuitos eltricos. Dessa forma, eles conseguiram montar o primeiro modelamento matemtico de uma rede neural, que era capaz de processar dados, mas no era capaz de aprender com estes dados. Seis anos depois, em 1949, uma outra grande contribuio foi dada para o crescimento das redes neurais artificiais por Donald Hebb, quando tornou pblico o livro denominado The organization of behavior (Hebb, 1949), onde o mesmo props um esquema de aprendizagem para atualizao das conexes entre neurnios, resultando na elaborao da regra que hoje conhecida como regra de aprendizagem de Hebb. Na dcada de cinqenta, com os aperfeioamentos em hardware e software, os computadores de segunda gerao foram construdos e deu-se tambm nessa poca a primeira construo fsica de uma rede neural artificial, por Edmonds e Minsky (Minsky, 1954). Ainda nessa dcada, McClelland defende a idia de que a representao do conhecimento no crebro

faz-se de maneira distribuda (McClelland, 1986). Deste modo, a responsabilidade de armazenar um determinado conceito no fica a cargo de uma nica unidade, mas sim de um grupo de unidades (neurnios). Pesquisadores do laboratrio de pesquisa da IBM conduziram uma simulao em software de um mo delo de rede neural baseado no trabalho de Hebb, em 1950. A primeira tentativa falhou, mas com a colaborao de Hebb e outros, adaptaes foram feitas com sucesso. Nos anos seguintes, John Von Newmann escrevendo material para seu livro The Computer and the Brain (Von Newmann, 1958), faz sugestes de imitar-se as funes de um simples neurnio, usando rels de telgrafo e vlvulas eletrnicas. Frank Rosenblatt (Rosenblatt, 1958) apresenta o Perceptron , um modelo de rede neural que prometeu bastante, na medida em que era capaz de aprender padres e generalizar a partir dos padres aprendidos, pela modificao dos pesos das conexes. Esta idia foi uma das maiores contribuies teoria de redes neurais artificiais, servindo como base para os algoritmos de aprendizagem que hoje so estudados. Em 1959, Bernard Widrow e Marcian Hoff (Stanford) desenvolveram os modelos de rede ADALINE e MADALINE (Multiple ADAptive LINear Elements) (Widrow & Hoff, 1960). Esta foi a primeira rede neural no mundo aplicada um problema real: filtros adaptativos para eliminar ecos (rudos) sobre os sinais telefnicos. Eles introduziram uma nova regra de aprendizagem chamada Widrow-Hoff learning rule (Widrow & Hoff, 1966). Essa regra minimizava o somatrio dos quadrados dos erros, durante o treinamento envolvendo classificao de padres. Mais tarde a ADALINE foi usada com sucesso para o processamento adaptativo de sinais (Widrow et al., 1963; Widrow et al., 1973; Widrow et al., 1975; Widrow & Stearns, 1985), sistemas de controle (Widrow & Smith, 1964; Widrow, 1988), e sistemas adaptativos de antena (Widrow et al., 1967). Steinbuch, em 1961, foi um dos primeiros pesquisadores a desenvolver o mtodo da codificao da informao em um sistema neural artificial. O mtodo foi aplicado a problemas, tais como: reconhecimento de caracteres altamente distorcidos escritos mo, diagnsticos de falhas mecnicas e etc. (Steinbuch & Piske, 1963; Steinbuch & Zendeh, 1963). Apesar dos vrios sucessos obtidos e entusiasmo dos pesquisadores no incio e meados da dcada de 60, houve um esfriamento corrida das redes neurais artificiais. Com a publicao do livro Perceptrons, por Minsky & Papert (Minsky & Papert, 1969), aumentaram-se as dvidas

a respeito do potencial das redes neurais. Nesta obra, os autores provam, formalmente, a incapacidade dos perceptrons de aprenderem funes como, por exemplo, um simples XOR. Mostram tambm a existncia de mximos e mnimos locais que poderiam ser encontrados durante o processo de aprendizagem e que certamente conduziriam um processo de aprendizagem insatisfatrio. Mesmo com o ritmo desacelerado das pesquisas em redes neurais artificiais, a rea de inteligncia artificial continuou sendo alvo dos pesquisadores. Um dos maiores pesquisadores e que mais influenciou nas pesquisas de redes neurais artificiais, da dcada de 60 at os dias atuais, Stephen Grossberg (Boston University). Em 1964, Stephen Grossberg estudou exaustivamente os processos psicolgicos (mente), biolgicos (crebro) e fenmenos do processamento da informao humana, unindo-os dentro de uma teoria unificada (Grossberg, 1964). Ele divulgou vrios estudos sobre o paradigma das redes neurais artificiais, analisando formalmente aspectos do modelo de aprendizagem por competio (Grossberg, 1970; 1972; 1973; 1978 e 1987), teoria da ressonncia adaptativa (Grossberg, 1976), implementao binria (Carpenter & Grossberg, 1986; 1987) e implementao analgica (Carpenter & Grossberg, 1987). Com o passar dos anos muitos outros pesquisadores continuavam a trabalhar na teoria de sistemas neurais artificiais. Shun-Ichi Amari um desses pesquisadores. Ele realizou estudos sobre a aprendizagem competitiva em redes e da teoria matemtica das redes neurais (Amari, 1977; 1983). Kumihiko Fukushima tambm contribui para o avano tecnolgico das redes neurais artificiais. Em seu mais notvel trabalho desenvolveu uma classe de redes neurais chamada de neocognitron (Fukushima et al., 1983), aplicada ao reconhecimento de padres visuais. A partir da dcada de 70, Tuevo Kohonen realizou pesquisas em memria associativa (Kohonen, 1984). Paralelamente outros pesquisadores como Anderson (Anderson et al., 1977) e Steinbuch tambm o fizeram. Nesta mesma dcada Rumelhart & McClelland combinando seus esforos, inspirados pelo sistema de reconhecimento de voz "HEARSAY" da Universidade de Stanford, comearam seus trabalhos investigando as redes neurais artificiais pela formulao de um modelo semi-paralelo do processo mental. Posteriormente, Rumelhart & McClelland (1986) estenderam suas pesquisas para outras arquiteturas de redes neurais artificiais. Usaram o Processamento Paralelo e Distribudo (PDP) para descreverem seus trabalhos. Eles formaram um grupo de pesquisadores dedicados a estudar a estrutura mental da cognio. Os esforos do grupo

de pesquisa PDP removeram a maior barreira existente para o treinamento de redes, atravs da introduo de novos conceitos e regras de aprendizagem. A partir da dcada de 80 as redes neurais artificiais j mostravam grande parte do seu potencial. Em 1982, o interesse em redes neurais artificiais uma vez amadurecido, foi renovado. E vrios eventos convergiram para fazer desta o piv central do ano. Partiu-se ento, decisivamente, para a rea da aplicao prtica. Robert Hecht-Nielsen, fundador de um programa de pesquisas sobre neurocomputao, construiu dois neurocomputadores dedicados ao paradigma das redes neurais artificiais, contribuindo de forma significativa em vrios aspectos: engenharia, pesquisas, instruo e comercializao. Como instrutor, foi um dos primeiros a oferecer um curso que apresentava o teorema que prev a convergncia do algoritmo backpropagation para uma larga faixa de mapeamento e como empresrio, formou sua prpria companhia dedicada a por em prtica aplicaes reais de Sistemas Neurais Artificiais (HechtNielsen, 1987). A partir de ento, vrios programas de redes neurais artificiais foram desenvolvidos. John Hopfield apresentou seu artigo sobre redes neurais artificiais Academia Nacional de Cincias dos Estados Unidos, mostrando que as redes neurais podiam encontrar mnimos de energia e, com isso, dar solues a complicados problemas de otimizao. A partir da anlise global feita por Hopfield, criou-se um grande interesse em aplicaes ao paradigma das redes neurais artificiais. A lista das aplicaes que podem ser resolvidas pelo uso das redes neurais artificiais cresceu a partir da resoluo de pequenos problemas para grandes aplicaes prticas. A histria das redes neurais artificiais embora tenha tido os seus momentos de crdito e descrdito, prevaleceu a perseverana dos pesquisadores em busca de conhecimentos, indo cada vez mais longe. Podemos dizer que esta histria est apenas em seu primeiro estgio de desenvolvimento. Conhecer suficientemente bem a inteligncia e ser capaz de construir o seu modelo de trabalho, certamente o mais excitante problema de desafio da raa humana (McCordock, 1979).

3.2 O NEURNIO BIOLGICO

O neurnio biolgico a unidade fundamental constituinte do crebro humano. Tipicamente, um neurnio biolgico mais lento que um chip de silcio; no primeiro, os eventos ocorrem na ordem de 10-3 s, enquanto que no segundo so da ordem de 10-9 s (Sheperd & Koch, 1990). O crebro contorna a aparente lentido dos seus neurnios atravs da sua disposio espacial extremamente eficiente, a qual baseada na sua intensa interconexo (Sheperd & Koch, 1990). Para o estudo das redes neurais artificiais, as principais caractersticas morfolgicas do neurnio biolgico so o ncleo ou soma e os caminhos do fluxo dos sinais nervosos. Um tpico neurnio pode ser exemplificado pela clula piramidal, comum no crtex cerebral, como mostrada na Figura 3.1, onde o corpo principal da clula, o ncleo, o nico responsvel pelo processamento dos estmulos nervosos, de natureza eletroqumica, que chegam at ele. O soma composto por uma simples unidade processadora, a qual recebe e combina sinais oriundos de muitos outros neurnios e os repassa a outros neurnios. Esta classe de clulas possui dois tipos de caminhos para o fluxo da informao ou sinais nervosos, a saber: Dentritos Axnios Os dentritos so os vrios caminhos de entrada de informao ou estmulo e o axnio o nico caminho de sada percorrido pelo sinal. O axnio conecta-se aos dentritos de outros neurnios atravs de ligaes chamadas sinapses, como destacado na Figura 3.1. A quantidade de informao transferida entre os neurnios depende unicamente da fora desta ligao e, exatamente a fora da ligao sinptica que modificada quando o crebro aprende alguma nova informao oriunda do ambiente externo. A operao normal das sinapses ocorre por meio de dois processos: Pr-sinptico Ps-sinptico No primeiro, o impulso eltrico transforma-se em impulso qumico, enquanto que no pssinptico, o impulso qumico transforma-se em impulso eltrico.

De um modo simplificado, o neurnio recebe os estmulos de seu mundo exterior atravs de seus dentritos. A comunicao de um neurnio com o mundo externo depende da funo do neurnio dentro do circuito neural. Se o neurnio estiver no nvel de entrada, ou seja, for uma unidade que recebe os estmulos do mundo exterior, como por exemplo os neurnios da retina, no circuito da viso, a comunicao, pelo lado da entrada de estmulos (dentritos), feita atravs de sua sensibilidade ao mundo exterior. Nesse caso, os neurnios que recebem os estmulos no nvel de entrada, so algumas vezes denominados de sensores nervosos. A comunicao interna entre neurnios realizada atravs de sinapses, as quais so aberturas microscpicas, que relacionam dois neurnios. O impulso move-se do primeiro neurnio, que inicia um impulso no segundo e assim sucessivamente. Estes impulsos propagamse somente em uma nica direo, variando na razo de 10 120 metros por segundo. A seqncia a seguinte: o fim de uma fibra nervoso (axnio) estimulado at o limiar ou acima de sua sensibilidade; iniciam-se as trocas qumicas e eltricas, que so os impulsos. O impulso, ento, estende ao fim da fibra nervosa e pode induzir um impulso em outra clula nervosa, eventualmente resultando na ativao ou inibio fisiolgica desse neurnio, a depender de seu nvel particular de ativao.

Contatos Coluna dentrtica sinpticos Contatos sinpticos Trecho de um dentrito

Dentritos apicais

Corpo da clula

Dentritos basais

Axnio

Terminais sinpticos

Figura 3.1: Neurnio biolgico exemplificado pela clula piramidal, comum no crtex cerebral, mostrando os caminhos do fluxo do sinal (dentritos e axnio), o corpo da clula e, no detalhe, as microcavidades das ligaes sinpticas (modificada de Haykin, 2001).

3.3 O NEURNIO ARTIFICIAL

O neurnio artificial a unidade processadora fundamental para a computao das redes neurais artificiais. A Figura 3.2 mostra um modelo de um neurnio artificial tpico, onde identificam-se os seus trs componentes bsicos: 1. Dentritos, representados pelo vetor de entrada. As sinapses, formadas por um especificado conjunto de valores (pesos). A existncia de uma conexo entre dois neurnios quaisquer i e j caracterizada por um peso wij , onde os subndices i e j representam o ponto de chegada e o ponto de partida, respectivamente, de um sinal que percorre a rede. Podemos distinguir dois tipos de sinapses:

a) Sinapse excitatria, onde wij > 0 b) Sinapse inibitria, onde wij < 0

Funo de ativao Sinal de entrada Sada

Pesos Sinpticos

Potencial limite

Figura 3.2: Modelo de um neurnio artificial tpico, onde identificam-se os seus componentes bsicos, em analogia ao neurnio biolgico.

2. Ncleo, constitudo por dois elementos: 2.1. O somador, que produz uma combinao linear entre os sinais de entrada e os pesos sinpticos. 2.2. A funo de ativao, responsvel pela limitao da amplitude do sinal de sada do neurnio. A amplitude est comumente no intervalo fechado de [0,1] ou [-1,1]. 3. Axnio, representado pelo sinal de sada yk . O modelo do neurnio artificial, inclui tambm um parmetro externo i , o qual um valor limite ou valor limiar (treshold), que deve ser excedido para que o neurnio produza um sinal de sada eficaz. Matematicamente, pode-se descrever o estado de um neurnio k, em um instante qualquer, atravs do seguinte par de equaes uk = wkj x j
j =1 N

(3.1)

y k = ( u k k )

(3.2)

onde, de acordo com a Figura 3.2, x1 , x2 , ..., xN so os sinais de entrada de todos os N neurnios conectados ao neurnio k. wk 1 , wk 2 ,..., wkN so os pesos sinpticos das conexes que chegam ao neurnio k. Na equao 3.2, representa a funo de ativao responsvel pela forma de quantizao do sinal de sada ( yk ) , em um intervalo fechado pr-determinado. A utilizao de um valor limite, k , possui o efeito de aplicar uma transformao afim (Figura 3.3) sobre uk , como mostra a equao (3.3), para o nvel de atividade Pk . Pk = uk k Pk < 0 = 0 > 0 uk (3.3)

Figura 3.3: Transformao afim realizada pela introduo do termo k (potencial limite).

3.4 REDE NEURAL COMPETITIVA

Na aprendizagem competitiva, como o nome implica, os neurnios da rede neural competem entre si para que apenas um deles esteja ativo. Neste tipo de rede, somente um nico neurnio de sada est ativo em um determinado instante. essa caracterstica que torna a aprendizagem competitiva muito adequada para descobrir caractersticas estatisticamente relevantes, que podem ser utilizadas para classificar um conjunto de padres de entrada. Existem trs elementos bsicos na regra de aprendizagem competitiva (Rumelhart & Zisper, 1985):

Um conjunto de neurnios que so todos iguais entre si, exceto por alguns pesos sinpticos distribudos aleatoriamente, e que por isso respondem diferentemente a um dado conjunto de padres de entrada.

Um limite imposto sobre a fora de cada neurnio. Um mecanismo que permite que todos os neurnios compitam pelo direito de responder a um dado subconjunto de entradas, de forma que somente um neurnio, ou somente um neurnio por grupo particular, esteja ativo (i.e. ligado ) em um determinado instante. O neurnio que vence a competio denominado de neurnio vencedor.

Correspondentemente, os neurnios individuais da rede aprendem a se especializar em agrupamentos de padres similares; fazendo isso, eles se tornam detetores de caractersticas para classes diferentes de padres de entrada. Na forma mais simples de aprendizagem competitiva, Figura 3.4, a rede neural tem uma nica camada de neurnios competitivos, estando cada neurnio totalmente conectado aos ns de entrada e aos outros neurnios da camada por meio dos pesos sinpticos, que sero modificados no processo de treinamento da rede. Na aprendizagem competitiva, os neurnios competitivos competem entre si por cada dado de entrada, para produzir um neurnio vencedor que carregar o sinal de sada. A cada instante de tempo, somente um neurnio competitivo est ativo (Haykin, 2001). Assume-se o sinal de sada, para o neurnio vencedor, como sendo 1 (um) e o sinal de sada de todos os outros neurnios competitivos sendo 0 (zero). A aprendizagem competitiva mais comum utiliza as regras de Kohonen (Kohonen, 1989), onde o neurnio competitivo que mais se assemelha ao vetor de entrada ganha a competio, e tem seus pesos sinpticos movidos para prximo do vetor de entrada. Ento, cada neurnio competitivo tem seus pesos sinpticos migrando, progressivamente, para prximo do grupo dos vetores de entrada. Aps algumas iteraes a rede se estabiliza, tendo cada neurnio no centro da nuvem que ele representa. Se um neurnio qualquer no responde um particular vetor de entrada, nenhuma aprendizagem ir acontecer ou, ento, seus pesos sinpticos no sero alterados.

Figura 3.4: Arquitetura de uma rede neural competitiva simples, onde podemos observar a camada com os ns de entrada e a camada competitiva. Para um neurnio k ser o neurnio vencedor, seu potencial de ativao uk para um padro de entrada especificado x, deve ser o maior entre todos os neurnios da rede. O sinal de sada yk do neurnio vencedor k colocado em 1 (um); os sinais de sada de todos os neurnios que perdem a competio so colocados em 0 (zero). Com isso podemos escrever 1, se u k > u j , para todos j, j k yk = caso oposto 0, (3.4)

onde o potencial de ativao uk representa a ao combinada de todas as entradas diretas e realimentadas do neurnio k. Considere que wkj represente o peso sinptico conectando o n de entrada j ao neurnio k. Suponha que a cada neurnio seja alocada uma quantidade fixa de peso sinptico (i.e., todos os pesos sinpticos so positivos), que distribuda entre seus ns de entrada, ou seja,

w
j

kj

=1, para todo k .

(3.5)

Um neurnio, ento, aprende ao deslocar pesos sinpticos de seus ns de entrada inativos para os seus ns ativos. Se um neurnio no responde a um padro de entrada particular, ento no ocorrer aprendizado naquele neurnio. Se um neurnio particular vencer a competio, ento cada n de entrada deste neurnio libera uma certa proporo de seu peso sinptico e este peso liberado ser, ento, distribudo uniformemente entre os ns de entrada ativos. De acordo

com a regra de aprendizagem competitiva padro, a variao wkj aplicada ao peso sinptico wkj definida por ( x j wkj ), se o neuronio k vencer wkj = 0 , se o neuronio k perder (3.6)

onde o parmetro taxa de aprendizagem. Esta regra tem o efeito global de mover o vetor de peso sinptico w k do neurnio vencedor k em direo ao padro de entrada x. A anlise dos dados realizada por este tipo de rede neural comumente chamada de esquema descobridor de caractersticas, o qual realiza a separao em nuvens ou quantizao do espao de entrada (Saggaf & Nebrija, 2000) e pode ser utilizada para detectar padres estatisticamente significantes no espao de entrada e classific-los (Haykin, 2001).

3.5 REDE NEURAL DE FUNO DE BASE RADIAL

Neste item, tomamos um enfoque totalmente diferente ao ver o projeto de uma rede neural como um problema de ajuste de curva (aproximao). De acordo com este ponto de vista, aprender equivalente a encontrar uma superfcie, em um espao multidimensional, que fornea o melhor ajuste para os dados de treinamento, com o critrio de m elhor ajuste sendo medido em um sentido estatstico. No contexto de uma rede neural, as unidades ocultas oferecem um conjunto de funes que constituem uma base arbitrria para os padres (vetores) de entrada, quando eles so expandidos sobre o espao oculto: estas funes so chamadas de funes de base radial. A construo de uma rede neural de funo de base radial (RBF), em sua forma mais bsica, envolve trs camadas com papis totalmente diferentes (Figura 3.5). A camada de entrada constituda por unidades sensoriais que conectam a rede ao seu ambiente. A segunda camada, a nica camada oculta da rede, aplica uma transformao no-linear do espao de entrada para o espao oculto; na maioria das aplicaes o espao oculto de alta dimensionalidade. A camada de sada linear, fornecendo a resposta da rede ao padro (sinal) de ativao aplicado camada de entrada. Uma justificativa matemtica para a estratgia de uma transformao no-linear seguida de uma transformao linear remonta a um artigo original de Cover, em 1965 (Haykin, 2001). De acordo com este artigo, um problema de classificao de padres disposto em um espao de alta dimensionalidade tem maior probabilidade de ser linearmente separvel do que em

um espao de baixa dimensionalidade, da a razo de freqentemente se fazer com que a dimenso do espao oculto em uma rede RBF seja alta. Um outro ponto importante, o fato de que a dimenso do espao oculto est relacionada capacidade da rede de realizar um mapeamento entrada-sada suave (Mhaskar, 1996; Niyogi & Girosi, 1996); quanto mais alta for a dimenso do espao oculto, mais precisa ser a aproximao. As funes transferncia ou funes de base radial, na camada oculta da rede, so similares funo Gaussiana multivariada xc j j ( x) = exp 2 2 j
2

,
2

(3.7) a distncia Euclidiana entre o vetor de

onde j refere-se ao j-simo neurnio oculto, x c j

entrada (x) e o centro da funo de base radial (c j ) e j a sua largura. A camada de sada linear, dando as respostas da rede aos padres de ativao aplicados na camada de entrada. A operao realizada na camada de sada dada por yk ( x) = wkj j ( x) ,
j =1 N

(3.8)

onde yk o k-simo neurnio de sada para o vetor de entrada x, wkj o peso sinptico entre o ksimo neurnio de sada e o j-simo neurnio oculto. Neste trabalho, limitaremos nossas consideraes s funes Gaussianas com largura constante, as quais so as mesmas para todos os neurnios da camada oculta. O ajuste dos pesos sinpticos, na equao (3.8), realizado atravs da soluo dos mnimos quadrados, aps a seleo dos centros e largura das funes de base radial, a partir das amostras do treinamento. As redes neurais de funo de base radial possuem as mesmas propriedades da rede neural que utiliza o algoritmo de retro-propagao do erro, tais como generalizao e robustez. Elas, no entanto, tm a vantagem de possuir uma aprendizagem rpida e habilidade para detectar padres complexos durante a estimao (Devaraj et al., 2002).

Figura 3.5: Arquitetura de uma rede neural com funo de base radial, onde podemos observar a camada de entrada, composta por duas unidades sensoriais, a camada oculta, composta por quatro neurnios, e a camada de sada, composta por um neurnio .

4 IMAGEAMENTO DA POROSIDADE
4.1 INTRODUO
Para obtermos o imageamento da porosidade, construmos um algoritmo interpretativo composto por trs processos seqenciais envolvendo as redes neurais artificiais. O primeiro processo toma como entrada os perfis de porosidade neutrnica e densidade para produzir o perfil de porosidade. Este perfil processado, obtido em um poo de referncia, ir ditar a construo do conjunto de treinamento necessrio no segundo processo. Este processo recebe como entrada um conjunto de perfis de poo convencionais (raio gama, densidade, porosidade neutrnica e volume de argila) e o perfil de porosidade para a obteno das linhas de correlao ou as linhas que iro mostrar a estratigrafia do reservatrio. Finalmente, o ltimo processo utiliza toda a informao gerada nos processos anteriores para produzir o imageamento da porosidade ao longo da seo. Esta metodologia aplicada em trs poos perfilados na formao Lagunillas, na bacia do Lago Maracaibo, Venezuela. Os poos so mencionados como Poo A, Poo B e Poo C. As profundidades absolutas e distncias horizontais relativas no so indicadas nas figuras, mas o deslocamento horizontal relativo entre estes poos e a posio, em profundidade, de cada intervalo perfilado so mantidos. Na Figura 4.1 mostra-se a localizao do Campo de Lagunillas, na bacia do Lago Maracaibo e, no detalhe, apresenta-se a coluna estratigrfica referente Formao Lagunillas, caracterizada pela seqncia arenito-folhelho, sendo que os arenitos apresentam diferentes graus de contaminao por argila.

4.2 INTERPRETAO DENSIDADE-NEUTRNICO

AUTOMTICA

DO

GRFICO

Apresentamos neste tpico o perfil de porosidade, que a primeira parte do processo para a determinao do imageamento da porosidade, obtido atravs da interpretao automtica do grfico densidade-neutrnico ( b N ). Construmos um algoritmo interpretativo, baseado na arquitetura das redes neurais competitivas, cujas entradas so compostas pelos perfis de densidade e neutrnico e a sada o perfil de porosidade, que nos d, concomitantemente, a litologia e a porosidade de cada trecho do perfil.

Figura 4.1: Localizao do Campo de Lagunillas, na Bacia do Lago Maracaibo e, no detalhe, apresenta-se a coluna estratigrfica referente Formao Lagunillas, caracterizada pela seqncia arenito-folhelho, sendo que os arenitos apresentam diferentes graus de contaminao por argila (modificada de Talukdar & Marcano, 1994).

4.2.1 Perfil de porosidade

O perfil de porosidade composto por uma curva escalonada em unidades de porosidade, para cada litologia atravessada pelo poo. Construmos um algoritmo interpretativo, baseado na arquitetura das redes neurais competitivas, para a obteno do perfil de porosidade. Este algoritmo interpretativo simula a interpretao do grfico b N , o qual recebe como entrada o perfil de porosidade neutrnica ( N ) e o perfil de densidade ( b ). Assumimos que o perfil de porosidade neutrnica est calibrado para arenito. Logo, a linha dos arenitos limpos, no grfico b N , obtido a partir do Poo A, representada por uma linha reta, com 45 de inclinao, onde cada ponto caracterizado por um par-ordenado ( b , N ), representa um valor de porosidade para as amostras de arenito limpo (Figura 4.2).

1.9

Linha dos arenitos limpos

2.1

2.2

2.3

2.4

2.5

2.6

2.7

2.8

2.9

-0.1

0.1

0.2

0.3

0.4

0.5

N
Figura 4.2: Grfico b N , obtido a partir do Poo A, onde as cruzes representam os pares ordenados de entrada ( b , N ) e a linha azul representa a linha dos arenitos limpos. Cada ponto em profundidade, em cada perfil de entrada, representa um par-ordenado ( b , N ), ou um ponto no plano b N . Se plotarmos estes pontos a partir de um intervalo de

profundidade selecionado, veremos que eles esto arranjados em agrupamentos. A partir do critrio interpretativo do grfico b N e considerando o modelo deposicional arenito-folhelho, podemos identificar dois importantes agrupamentos no plano b N . As amostras de arenito limpo esto localizadas ao redor da linha dos arenitos limpos os pontos do arenito. Os pontos do arenito podem mostrar uma disperso ao redor da linha dos arenitos limpos por causa da presena de argila ou hidrocarboneto no espao poroso, ou efeito da matriz presena de alguma quantidade de feldspato, por exemplo. Um outro importante agrupamento est localizado distante da linha dos arenitos limpos, no canto inferior direito so os pontos do folhelho, os quais representam os pontos de entrada, cuja matriz dominada por folhelho. Nosso primeiro interesse construir uma rede neural competitiva para realizar o zoneamento do perfil, ou separar os pontos de matriz dominados por arenitos daqueles dominados pelo folhelho. Em outras palavras, queremos identificar o agrupamento, no plano b N , correspondente ao folhelho. A partir do conhecimento da posio da linha dos arenitos limpos e da localizao relativa do agrupamento do folhelho, construmos uma rede neural competitiva com dois neurnios na camada de entrada; cada um recebe, como entrada, o perfil de densidade e o perfil de porosidade neutrnica para cada ponto em profundidade (Figura 4.3). Para este trabalho utilizamos quatro neurnios na camada competitiva, representando o arenito limpo (neurnio 1), o arenito sujo (neurnio 2), o arenito portador de hidrocarboneto (neurnio 3) e o folhelho (neurnio 4). O processo de treinamento inicia-se com os pesos sinpticos de todos os neurnios prximos do centro do plano b N e termina quando estes pesos estabilizam-se, prximos do centro de cada agrupamento (Figura 4.4). Naturalmente, em virtude do espalhamento dos pontos do arenito, e para evitar uma interpretao errnea dos pontos do arenito sujo com os pontos do folhelho, utilizamos mais neurnios para caracterizar o agrupamento do arenito. Aps o treinamento da rede competitiva, retemos os pesos sinpticos do neurnio que se estabiliza mais longe da linha dos arenitos limpos, em direo ao folhelho o neurnio do folhelho. Os pesos sinpticos deste neurnio representam um ponto caracterstico no plano b N , o ponto do folhelho, que utilizado para corrigir a porosidade do arenito em relao ao contedo de argila (Ellis, 1987) e este ponto tem uma funo importante no zoneamento do perfil,

onde assumimos que este particular neurnio identifica, corretamente, o agrupamento do folhelho.

b
N
Ponto do folhelho

Figura 4.3: Arquitetura da rede neural competitiva para a obteno do ponto do folhelho. A camada de entrada composta por duas unidades sensoriais e a camada competitiva composta por quatro neurnios competitivos.

1 .9 2

Linha do arenito

2 .1

2 .2 2 .3

2 .4

2 .5

2 .6 2 .7

2 .8

2 .9

-0 . 1

0 .1

0 .2

0 .3

0 .4

0 .5

N
Figura 4.4: Posicionamento, aps o treinamento, dos pesos sinpticos dos quatro neurnios da camada competitiva da rede neural, representados por crculos verdes, para o estabelecimento do ponto do folhelho.

Agora somos capazes de produzir o zoneamento e estimar as porosidades de um determinado intervalo do perfil. Para isso, introduzimos o conceito de linha do folhelho e damos uma interpretao geolgica ao processamento da rede neural competitiva. Definimos a linha do folhelho, no grfico b N , como uma linha paralela linha dos arenitos limpos que passa pelo ponto do folhelho, identificado anteriormente (Figura 4.5). A prxima etapa a associao de um valor de porosidade a cada neurnio da camada competitiva. Isto significa que assumimos uma conveniente escala de porosidade e associamos cada par ordenado ( N , b ), de cada ponto da linha dos arenitos limpos e da linha dos folhelhos, como os pesos sinpticos que conectam cada neurnio da camada competitiva com os neurnios da camada de entrada. Assim, o nmero de neurnios na camada competitiva reflete a preciso na estimativa da porosidade (Figura 4.6).

1.9 2

Linha dos arenitos limpos Linha dos folhelhos

2.1

2.2 2.3

2.4

2.5

2.6 2.7

Ponto do folhelho

2.8

2.9

-0.1

0.1

0.2

0.3

0.4

0.5

N
Figura 4.5: Grfico b N , obtido a partir do Poo A, o ponto verde representa o ponto do folhelho e a linha verde a linha representativa dos folhelhos, que passa por este ponto.

Nesta aproximao, estimamos a porosidade com uma preciso de 0.01 unidades de porosidade (PU) e assumimos para os arenitos e folhelhos um intervalos de porosidade variando de 0 a 40 PU. Para mostrar a construo e comportamento desta camada competitiva, consideremos, por exemplo, uma camada competitiva composta por 82 neurnios. Neste caso, a estimativa da porosidade tem uma preciso de 1 PU. Os neurnios esto ordenados em ordem crescente. Os primeiros 41 neurnios representam os pontos da linha dos arenitos limpos e os 41 neurnios restantes representam os pontos da linha dos folhelhos. Se o neurnio ordenado pelo nmero 20 ganha a competio para um particular dado de entrada, isto significa que este dado proveniente do arenito e tem uma porosidade total igual a 19 PU. Para os folhelhos tomamos o mesmo mecanismo. Por exemplo, se o neurnio 65 ganha a competio, a sua porosidade de 23 PU. Atravs desta analogia, podemos observar que a operao da rede neural bastante simples. Cada par de dados de entrada fora a competio entre todos os neurnios. O neurnio vencedor aquele que tem os seus pesos sinpticos mais prximos do vetor de entrada. A posio do neurnio vencedor, na camada competitiva, d-nos a litologia e o valor da porosidade do ponto, em profundidade, representado pelo par ordenado de entrada.

Arenito

Folhelho

Figura 4.6: Arquitetura da rede neural competitiva para a obteno do zoneamento do perfil. A camada de entrada composta por duas unidades sensoriais e a camada competitiva composta por oitenta e dois neurnios competitivos.

Como resultados das operaes envolvidas neste algoritmo interpretativo, plotamos os valores da porosidade associados ao arenito, na segunda faixa, e os valores associados ao folhelho, na terceira faixa. Na primeira faixa temos o perfil de raios gama, que mostra a validade dos resultados obtidos nos perfis de porosidade (Figuras 4.7, 4.8 e 4.9). Assim, construmos o perfil de porosidade, escalonado em porosidade total. As descontinuidades, em ambas as faixas, marcam os limites verticais das camadas. Para refinar o clculo da porosidade, temos que corrigir a porosidade dos arenitos em relao ao volume de argila (Ellis, 1987). Primeiro, calculamos a porosidade devido ao densidade atravs da equao

D =

bM bF

bM b

(4.1)

onde D a porosidade calculada a partir do perfil de densidade, b M a densidade da matriz (2.65, para o arenito), b F a densidade do fluido (1.1, para gua salgada) e b a densidade medida no perfil. Ento, corrigimos os valores de porosidade, no perfil de porosidade do arenito, atravs da equao (Crain, 1986)

D N SH N DSH N SH DSH

(4.2)

onde a porosidade efetiva e N SH , DSH so os pesos sinpticos do neurnio do folhelho.

GR

150

Arenito

0.4

Folhelho

0.4

Figura 4.7: Perfil de porosidade para o Poo A. Na primeira faixa temos o perfil de raios gama. Na segunda faixa temos o perfil de porosidade para o arenito e na terceira faixa temos o perfil de porosidade para o folhelho.

GR

150

Arenito

0.4

Folhelho

0.4

Figura 4.8: Perfil de porosidade para o Poo B. Na primeira faixa temos o perfil de raios gama. Na segunda faixa temos o perfil de porosidade para o arenito e na terceira faixa temos o perfil de porosidade para o folhelho.

GR

150

Arenito

0.4

Folhelho

0.4

Figura 4.9: Perfil de porosidade para o Poo C. Na primeira faixa temos o perfil de raios gama. Na segunda faixa temos o perfil de porosidade para o arenito e na terceira faixa temos o perfil de porosidade para o folhelho.

4.3 LINHAS DE CORRELAO

As linhas de correlao conectam os pontos, em profundidade, associados ao topo e base de uma mesma camada, atravessada por diferentes poos. Assumimos que um par de linhas de correlao identifica o topo e base de uma camada geolgica. Apresentamos um algoritmo interpretativo que realiza a correlao de perfis de poo. Este algoritmo tem como ncleo uma rede neural de funo de base radial, que possui como entrada quatro perfis de poo convencionais (raio gama, densidade, porosidade neutrnica e volume de argila) e o perfil de porosidade. Geralmente, para fazer-se a correlao de poos, necessita-se da ajuda de um datum de correlao que deve representar um evento regional, que pode ser identificado nos perfis de todos os poos. Utilizamos como dados de correlao as camadas de folhelho, identificadas nos perfis de porosidade ( ). A arquitetura da rede neural composta por cinco neurnios de entrada, que recebem um valor lido no perfil, para cada profundidade, a cada instante de tempo; e por uma camada de sada, que possui um neurnio, cuja resposta 1 (um) para uma correlao verdadeira e 0 (zero), para uma correlao falsa. Utilizamos uma rotina que adiciona um neurnio camada oculta, a cada iterao, at que o erro estipulado entre a sada da rede e a sada desejada esteja dentro do intervalo pr-definido (Figura 4.10).

b
V sh
GR

Linhas de correlao

Figura 4.10: Arquitetura de rede neural de funo de base radial (RBF) para a determinao das linhas de correlao.

Cinco colunas compem a matriz de entrada, onde cada coluna representa um perfil de entrada com N amostras tomadas em uma janela de profundidade, na vizinhana de cada camada de folhelho, no perfil de porosidade do folhelho. A matriz de respostas desejadas igualmente construda com cinco colunas. Cada coluna formada de tal maneira que onde o perfil de porosidade do folhelho for diferente de zero, seu valor igual a 1 (um) e zero para o caso contrrio, com um nmero N de amostras. O trabalho realizado na fase de treinamento corresponde ao mapeamento de cada intervalo no nulo, do perfil de porosidade do folhelho, para a unidade, em todos os perfis de entrada, como mostrado na Figura 4.11. Isto significa que necessrio fazer um treinamento isolado para cada camada de folhelho. Perfis de entrada

Folhelho

Resposta desejada

Intervalo de treinamento

Figura 4.11: Conjunto de treinamento da rede neural de funo de base radial para a determinao das linhas de correlao. Destacado pelas linhas amarelas tracejadas, tem-se o intervalo de treinamento utilizado. Trabalhamos com dois poos na fase de operao o poo de referncia e o poo de teste. Este processo pode ser interpretado como a busca das camadas de folhelho no poo teste, assim

como aconteceu no poo de referncia. Na prtica, isto um trabalho mais delicado realizado pela rede neural. A generalizao das redes neurais pode produzir mais que uma resposta, mas para cenrios geolgicos simples podemos evitar isto utilizando duas regras. A primeira a posio relativa da camada de folhelho em cada poo, onde assume-se a ausncia de falhas e/ou planos de descontinuidade. A segunda regra toma uma aproximao estatstica. A sada atual da rede um vetor que contm valores prximos de zero, para a ausncia de correlao, e valores prximos de 1 (um), quando uma correlao estabelecida. Tomamos um valor mediano. Se o valor mdio prximo da unidade, ento existe equivalncia lateral entre as camadas de folhelho. Este critrio bom o suficiente para evitar ambigidades na correlao das camadas de folhelho ou o cruzamento destas, assegurando que camadas com diferentes espessuras sejam corretamente correlacionadas (Figura 4.12). O processo continua para as outras camadas de folhelho no poo teste. Poo A Poo C Poo B

Figura 4.12: Perfis de raio gama natural dos Poos A, B e C mostrando as linhas de correlao estabelecidas para a primeira camada de folhelho, atravs do processamento da rede neural de funo de base radial.

A definio de linhas de correlao para os folhelhos pode estabelecer um plano deposicional horizontal antigo, modificado por eventos tectnicos posteriores. Deste modo, se trabalharmos em ambientes geolgicos simples, as linhas de correlao podem muito bem representar a equivalncia litoestratigrfica entre as mesmas camadas atravessadas por diferentes poos, em campos de leo ou gs. Tabela 3: Validao das profundidades, em metros, para o topo e a base da camada de folhelho determinada pelo algoritmo interpretativo, por comparao com os resultados de Luthi et al. (1995) e por um gelogo da empresa Maraven S.A., proprietria dos dados.

Poo

Gelogo TOPO BASE 2858.7 2864.5

Luthi et al. (1995) 2858.4 2864.4

Algoritmo interpretativo 2858.6 2864.7

A B C

TOPO BASE

2873.9 2881.2

2873.5 2880.9

2873.4 2880.9

TOPO BASE

2789.6 2797.1

2789.6 2796.8

2789.8 2797.4

4.4 IMAGEAMENTO DA POROSIDADE

O imageamento da porosidade a representao grfica da distribuio lateral da porosidade estimada a partir de dados de perfis de poo. Esta imagem, obtida em ambientes deposicionais dominados por clsticos e caracterizados por uma seqncia, com alternncia em profundidade, de arenitos e folhelhos, em muito se assemelha seo geolgica convencional. Em que pese a escala de cores adotada ser representativa da porosidade, a particular escolha da utilizao dos valores de porosidade aparente, para representar os folhelhos, e os valores de porosidade efetiva, para os arenitos, permite-nos deduzir a litologia e a geometria das camadas. A

interpretao deste tipo de imagem tem aplicaes imediatas na geologia do petrleo, possibilitando uma boa aproximao da seo geolgica em campos novos e, bem como, no desenvolvimento de reservatrios, possibilitando melhores indicaes de novas perfuraes em funo das variaes laterais da porosidade efetiva pela contaminao de seus poros pela argila. Neste tpico utiliza-se toda a informao produzida nos tpicos anteriores, a partir da construo de um algoritmo interpretativo que possui como ncleo uma rede neural de funo de base radial. A arquitetura base da rede neural de funo de base radial composta por uma camada de entrada, que recebe os valores da porosidade, tomadas em uma mesma profundidade, para o poo de referncia ( 1 ) e para um poo de teste ( 2 ). A camada de sada da rede composta por um neurnio, cuja resposta ser o valor da porosidade ( ) nesta profundidade, para o perfil interpolado resultante. Para este processamento utilizamos quatro neurnios de base radial na camada oculta, conforme ilustrado na Figura 4.13.

Figura 4.13: Arquitetura de rede neural de funo de base radial para a determinao da porosidade nos perfis interpolados.

Agora, exploramos a capacidade de interpolao da rede neural. Este mapeamento guiado pela direo estabelecida pelas linhas de correlao, que ligam todos os poos envolvidos no processo, possibilitando que as interpolaes ocorram entre valores da mesma litologia e geologicamente relacionados. Para um melhor entendimento das entradas e sada da rede neural de funo de base radial para a determinao do perfil de porosidade interpolado (Figura 4.13), assume-se como entradas, para cada profundidade, os pares de porosidade dos Poos A e B, em vermelho, obtendo-se, na posio intermediria entre estes poos, o perfil interpolado em azul (Figura 4.14).

Poo A

Poo B

Poo C

Figura 4.14:

Visualizao do processo de interpolao da porosidade adotado pelo

algoritmo interpretativo. Em vermelho tm-se os perfis de porosidade originais. Em azul mostrase o primeiro perfil de porosidade interpolado.

A rede trabalha como se ns colocssemos um nmero de poos hipotticos entre cada dois poos reais (Figura 4.15), permitindo assim a estimativa da distribuio da porosidade e apresentar o resultado como uma seo, mostrando o comportamento geomtrico das camadas.

Poo A

Poo B

Poo C

Figura 4.15: Interpolao dos perfis de porosidade realizado pelo algoritmo interpretativo para a determinao do imageamento da porosidade. Os perfis em vermelho so referentes aos Poos A, B e C. Em azul temos os perfis interpolados. Aps a finalizao do processamento da rede neural temos uma matriz a matriz de porosidade, onde as colunas representam as posies dos poos e as linhas representam as profundidades. Cada elemento desta matriz representa um valor de porosidade. Adicionam-se

zeros nas posies onde no existem valores de porosidade, ou seja, nos limites verticais de cada trecho de perfil. A matriz de porosidade , ento, convertida para o conjunto de matrizes RGB, gerando uma imagem colorida, ou para uma outra matriz em nvel de cinza, atravs dos mtodos convencionais do processamento de imagens, para, finalmente, apresentar a imagem da porosidade (Figura 4.16). A variao das cores representa a distribuio dos valores de porosidade ao longo da seo. A cor preta indica valores de porosidade iguais a zero ou os limites verticais da seo. A cor laranja claro indica altos valores de porosidade que esto associados porosidade aparente das argilas. Deste modo, conceituamos a escala de porosidade com os altos valores associados s cores claras e os baixos valores, associados s cores escuras.
0.4 0.35 0.3 0.25 0.2 0.15 0.1 0.05 0

Figura 4.16: Imagem da porosidade mostrando as suas variaes laterais. Na Figura 4.16, mostra-se ainda a escala de porosidade adotada. Assim, podemos interpretar a cor marrom, prxima ao meio da seo, como sendo representativa de um arenito sujo, o qual perde o seu contedo de argila em direo s bordas da seo.

A Figura 4.17 mostra a mesma imagem da porosidade que a Figura 4.16, apenas com um maior nvel de detalhe possibilitando-nos produzir algumas interpretaes de carter geolgico, como: 1. Na base da seo temos um corpo arenoso que mostra o decrescimento nos valores da porosidade da esquerda para a direita da seo. 2. Pela verificao visual da Figura 4.15 poderia-se imaginar que a camada de folhelho mais profunda, no Poo A, tivesse alguma correlao com a segunda camada no Poo B. V-se na Figura 4.17, que essas camadas no se correlacionam. 3. A mesma situao aplica-se ao pico de folhelho visto, na Figura 4.15, no Poo C.

Figura 4.17: Imageamento da porosidade. A variao das cores representa a distribuio dos valores de porosidade ao longo da seo.

5 CONCLUSES
Apresentou-se, nesta tese, um novo conceito para a interpretao integrada dos perfis geofsicos de poo, voltada caracterizao de reservatrios, na forma do assim chamado algoritmo interpretativo. A inteno aqui no foi esgotar todas as possibilidades da sua aplicao na melhoria do conhecimento geolgico de subsuperfcie, atravs da utilizao dos perfis geofsicos de poo, mas sim apresentar to somente um exemplo de sua aplicao para o caso da determinao da variao lateral da porosidade e, particularmente, para os cenrios geolgicos dominados por clsticos. Mostrou-se, ainda, a possibilidade da identificao litolgica e o mapeamento geomtrico das camadas. O algoritmo interpretativo possui como ncleo uma ou mais redes neurais artificiais, que operam seqencialmente na extrao de informao dos dados de poo, associadas aos algoritmos seqenciais da computao cientfica convencional. Com o objetivo de simular os processos de deciso envolvidos na interpretao, foi produzida uma ferramenta para a reduo do volume de dados a serem processados e criada uma memria interativa da interpretao dos reservatrios de hidrocarboneto. O algoritmo interpretativo pode guardar a interpretao da porosidade realizada e integr-la a um novo conjunto de dados de um modo bastante eficiente. Permite, ainda, o estabelecimento de novas sees de porosidade, melhorando a construo de um modelo do reservatrio de uma maneira prtica e com um alto grau de automao. A metodologia apresentada nesta tese pode ser expandida para incluir outros perfis de entrada, mais sofisticados e geologicamente mais relevantes, tais como o perfil de imageamento ultrassnico ou eltrico de poo, os perfis de ressonncia magntica nuclear e os perfis geoqumicos. Pode tambm ser estendido para incluir outros parmetros geolgicos de sada, tais como permeabilidade, saturao de fluidos, mineralogia, acamamento ou cronoestratigrafia das camadas.

REFERNCIAS BIBLIOGRFICAS
ALI, M. & CHAWATHE, A. 2000. Using artificial intelligence to predict permeability from petrographic data. Computers and Geosciences, 26: 915-925. AMARI, S. 1977. Neural theory of association and concept-formation. Biological Cyibernetics, 26: 175-185. AMARI, S. 1983. Field theory of self-organizing neural nets. IEEE Transactions on Systens, Man and Cybernetics SMC,-13: 741-748. ANDERSON, J.A.; SILVERSTEIN, J.W.; RITE, S.; JONES, R.S. 1977. Distinctive features, categorical perception and probability learning: Some applications of a neural model. Psych. Ver., 84: 413-451. ANDRADE, A.J.N. & LUTHI, S. M. 1997. Correlao estratigrfica de perfis de poo atravs de rede neuronal direta multicamadas. In: CONGRESSO INTERNACIONAL DA SOCIEDADE BRASILEIRA DE GEOFSICA, 5., So Paulo. Anais So Paulo. V.1, p.369-372. BANCHS, R. & MICHELENA, R. 2000. Well log estimates and confidence intervals by using artificial neural networks. In: ANNUAL MEETING SOCIETY OF EXPLORATION GEOPHYSICISTS. 1 CD-ROM. BRYANT, I. D.; BAYGN, B.; HERRON, M. M.; MATTESON, A.; RAMAMOORTHY, R.; STEWART, L.; TARIQ, S. M.; COLL, C.; CORDOVA, P.; VILLARROEL, H.G.; HERNNDEZ, L.; JIMENEZ, Z.; LEN, K.; RONDN, L. 1998. Integration of old and new measurements to optimize redevelopment of the Lower Lagunillas Reservoir of Bloque IV, Lake Maracaibo, Venezuela. SPE Reservoir Evaluation & Engineering, June. CARPENTER, G. & GROSSBERG, S. 1986. Adaptive resonance theory: stable self-organization of neural recognition codes in response to arbitrary lists of input patterns. In: ANNUAL CONFERENCE OF THE COGNITIVE SCIENCE SOCIETY, 8. p.45-62.

CARPENTER, G. & GROSSBERG, S. 1987. Invariant pattern recognition and recall by an attentive self-organizing ART architecture in a nonstationary world. In: IEEE INTERNATIONAL CONFERENCE ON NEURAL NETWORKS, 1. Proceedings. V.2, p. 737-746. CHANG, H.C.; CHEN, H.C.; DURRANS, S.R.; KOPASKA-MERKEL, D.C. 2000. Lithofacies identification using multiple adaptive resonance theory neural networks and group decision expert system. Computer and Geosciences, 26, (5):591-601. CRAIN, E. R. 1986 The log analysis handbook. Tulsa, PennWell Books. CROCKER, H.; FUNG, C.C.; WONG, K.W. 1999. The stag oil field formation evaluation: a neural network approach. Australian Petroleum Production and Exploration Association Journal, 38: 451-459. DEVARAJ, D.; YEGNANARAYANA, B.; RAMAR, K. 2002. Radial basis function networks for fast contingency ranking. Electrical Power and Energy Systems, 24: 387-395. ELLIS, D. V. 1987. Well logging for earth scientists. USA, Elsevier. FISCHETTI, A.I. & ANDRADE, A.J.N. 1999. Automatic lithologies identification from well logs. In: CONGRESSO INTERNACIONAL DA SOCIEDADE BRASILEIRA DE GEOFSICA. 6. CD-ROM. FITZGERALD, E.M.; BEAN, C.J.; REILLY, R. 1999. Fracture-frequency prediction from borehole wireline logs using artificial neural networks. Geophysical Prospecting, 1031-1044. FUKUSHIMA, K.; MIYAKE, S.; ITO, T. 1983. Neocognitron: a neural network model for a mechanism of visual pattern recognition. IEEE Transactions on Systems, Man and Cybernetics SMC, 13: 826-834. GALLANT, A.R. & WHITE, H. 1988. There exist a neural network that does not make avoidbable mistakes. In: IEEE INTERNATIONAL CONFERENCE ON NEURAL NETWORKS, 1., San Diego. p.657-664.

GROSSBERG, S. 1964. The theory of embedding fields with applications to psycology and neurophysiology. Rockfeller Institute of Medical Research. GROSSBERG, S. 1970. Neural pattern discrimination. Journal of Theoretical Biology, 27: 291-337. GROSSBERG, S. 1972. Neural expectation: cerebellar and retinal analogues of cells fired by unlearnable and learnable pattern classes. Kybernetik, 10: 49-57. GROSSBERG, S. 1973. Contour enchancement, short-term-memory, and constancies in reverberating network. Studies in Applied Mathematics, 52: 217257. GROSSBERG, S. 1976. Adaptive pattern classification and universal recording: II. Feedback, expectation, olfaction, illusions. Biological Cybernetics, 23: 187202. GROSSBERG, S. 1978. Competition, decision and consensus. Journal of Analytic Applications, 66: 470-493. GROSSBERG, S. 1987. Competitive learning: from interactive activation to adaptive resonance. Cognitive Science, 11: 23-63. HAYKIN, S. 2001. Redes neurais: princpios e prticas. So Paulo, Bookman. HEBB, D.O. 1949. The organization of behavior: a neuropsychological theory. New York, Wiley. HECHT-NIELSEN, R. 1987. Kolmogorov's mapping neural network existence theorem. In: IEEE INTERNATIONAL CONFERENCE ON NEURAL NETWORKS, 1. V. 3, p. 11-14. JAMIALAHMADI, M. & JAVADPOUR, F.G., 2000. Relationship of permeability, porosity and depth using an artificial neural network. Journal of Petroleum Science and Engineering, 26: 235-239. KOHONEN, T. 1984. Self-organization and associative memory. Berlim, SpringerVerlag

KOHONEN, T. 1989. Self-organization and associative memory. Berlim, SpringerVerlag. LUTHI, S. 2001. Geological well logs: their use in reservoir modeling. Springer. LUTHI, S.; BRYANT, I.; VILLAROEL, H. 1995. Well log correlation using backpropagation neural networks. In: CONGRESSO INTERNACIONAL DA SOCIEDADE BRASILEIRA DE GEOFSICA, 4. V. 2, p.733-736. McCLELLAND, J. 1986. The appeal of parallel distributed processing. McCORDOCK, P. 1979. Machine who thinks. W. H. Freeman and Company. p. 113. McCULLOH, W.S. & PITTS, W. 1943. A logical calculus of the ideas immanent in nervous activity. Bulletin of Mathematical Biophysics, 5: 115-133. MHASKAR, H.N. 1996. Neural networks for optimal approximation of smooth and analytic functions. Neural Computation, 8: 1731-1742. MINSKY, M.L. 1954. Theory of neural-analog reinforcement systems and its application to the brain-model problem. New Jersey, Princeton University. (Ph.D. Thesis). MINSKY, M.L. & PAPERT, S.A. 1969. Perceptrons. Cambridge, MA: MIT Press. NIYOGI, P. & GIROSI, F. 1996. On the relationship between generalization error, hiptesis complexity, and sample complexity for radial basis functions. Neural Computation, 8: 819-842. ROSENBLATT, F. 1958. The perceptron: a probabilistic model for information storage and organization in the brain. Psychological Review, 65: 386-408. ROSENBLATT, F. 1962. Principles of neurodynamics. Spartan Books.

RUMELHART, D.E. & MCCLELLAND, J.L. 1986. Parallel distributed processing: explorations in the microstructure of cognition, 1. Cambridge, MA: MIT Press. RUMELHART, D.E. & ZISPER, D. 1985. Feature discovery by competitive learning. Cognitive Science, 9: 75-112. RUMELHART, D.E.; HINTON, G.E.; WILLIAM, R.J. 1986, Learning internal representation by error propagation. Parallel distributed processing: explorations in the microstructure of cognition, 1: 318-362. SAGGAF, M.M. & NEBRIJA, E. M. 2000. Estimation of lithologies and depositional facies from wire-line logs. AAPG Bulletin, 84 (10). SHEPERD, G.M. & KOCH, C. 1990. Introduction to synaptic circuits. In THE SYNAPTIC organization of the brain. New York, Oxford University Press. p.331. STEINBUCH, K. & PISKE, U.A.W. 1963. Learning matrices and their applications. IEEE Transactions on Electronic Computers,12: 846-862. STEINBUCH, K. & ZENDEH, F. 1963. Self-conecting translator circuits. Information Processing, 359-365. TALUKDAR, S. C. & MARCANO, F. 1994. Petroleum systems of the Maracaibo basin, Venezuela. The petroleum system: from source to trap. AAPG Memoir 60. VANDER BAAN, M. & JUTTEN, C. 2000. Neural networks in geophysical applications. Geophysics, 65 (4): 1032-1047. VON NEWMANN, J. 1958. The computer and the brain. Yale University Press. WIDROW, B. 1988. The original adaptive neural network broom balancer. In: INTERNATIONAL SYMPOSIUM ON CIRCUITS AND SYSTEMS. p.351-357.

WIDROW, B. & HOFF, M.E. 1960. Adaptive switching circuits. IRE WESCON Convention Record, 96-104. WIDROW, B. & HOFF, M.E. 1966. Adaptive swiching circuits. IRE WESCOM Convention Record. WIDROW, B. & SMITH, F. 1964, Pattern-recognizing control system. Computer and Information Sciences, 288-317. WIDROW, B. & STEARNS, S.D. 1985. Adaptive signal processing. Englewood Cliffs, Prentice-Hall. WIDROW, B.; GLOVER, J.R.; McCOOL, J.M.; KAUNITZ, J.; WILLIAMS, C.S.; HEARN, R.H.; ZEIDLER, J.R.; DONG, J.; GOODLIN, R.C. 1975. Adaptive noise cancelling: principles and applications. Proceedings of the IEEE, 63: 1692-1716. WIDROW, B.; GRONER, G.; HU, M.; SMITH, F.; SPECHT, D.; TALBERT, L. 1963. Pratical applications for adaptive data-processing system. WESCON Convention Record, Section 11.4. WIDROW, B.; GUPTA, N.K.; MAITRA, S. 1973. Punish/reward: Learning with a critic in adaptive treshold systems. IEEE Transactions on Systems, Man and Cybernetics SMC-3, 455-465. WIDROW, B.; MANTEY, P.; GRIFFITHS, L. 1967. Adaptive antenna systems. IEEE Transactions on Systems, Man and Cybernetics, 55: 2143-2159.