UNIVERSIDADE FEDERAL DO PAR

INSTITUTO DE GEOCINCIAS
FACULDADE DE GEOFSICA
TRABALHO DE CONCLUSO DE CURSO




JSSICA LIA SANTOS DA COSTA




RECONHECIMENTOS DE FCIES EM PERFIL COM REDE NEURAL
COMPETITIVA









Belm - Par
2013
JSSICA LIA SANTOS DA COSTA






RECONHECIMENTOS DE FCIES EM PERFIL COM REDE NEURAL
COMPETITIVA







Trabalho de Concluso de Curso
apresentado Faculdade de Geofsica
do Instituto de Geocincias da
Universidade Federal do Par - UFPA,
em cumprimento s exigncias para
obteno de Bacharel em Geofsica.

Orientador: Andr Jos Neves Andrade








Belm - Par
2013
















Dados Internacionais de Catalogao-na-Publicao (CIP)
Sistema de Bibliotecas da UFPA

Costa, Jssica Lia Santos da

Reconhecimentos de fcies em perfil com rede neural
competitiva / Jssica Lia Santos da Costa; Orientador: Andr
Jos Neves Andrade 2013

Trabalho de Concluso de Curso (graduao em
geofsica) Universidade Federal do Par, Instituto de
Geocincias, Faculdade de Geofsica, Belm, 2013.



1. Geofsica. 2.Geofsca de Poo. 3. Interpretao
geolgica. 4. Algoritmos Inteligentes. I. Andrade, Andr Jos
Neves, orient. II. Universidade Federal do Par. III. Ttulo.
CDD 22 ed.: 550
JSSICA LIA SANTOS DA COSTA



RECONHECIMENTOS DE FCIES EM PERFIL COM REDE NEURAL
COMPETITIVA


Trabalho de Concluso de Curso
apresentado Faculdade de Geofsica do
Instituto de Geocincias da Universidade
Federal do Par-UFPA, em cumprimento
s exigncias para obteno de Bacharel
em Geofsica.

Data de Aprovao: 08 / 03 / 2013
Conceito: EXCELENTE
Banca Examinadora




____________________________________
Prof. Andr Jos Neves Andrade - Orientador
Doutor em Geofsica
Universidade Federal do Par

____________________________________
Prof. Carolina Barros da Silva Membro
Doutora em Geofsica
Universidade Federal do Par

____________________________________
Prof. Jos Geraldo das Virgens Alves Membro
Mestre em Geofsica
Universidade Federal do Oeste do Par































Luiz e Argemira Costa



AGRADECIMENTOS
Deus, meu Tudo. Meu mentor.
PETROBRS (Rede de Geofsica), pela oportunidade e suporte oferecido a minha
pesquisa, ao Curso de Graduao em Geofsica e ao Laboratrio de Geofsica de Poo
(Prolog).
Aos meus Pais, Luiz e M Argemira Costa, que estiveram sempre ao meu lado e so meu
porto seguro.
Minha Irm, Laila Giselle, pela tolerncia e apoio incondicional.
Meus Avs Osvaldo e Ila Santos; Samuel e Edith Costa (In memoriam), por todas as
palavras de incentivo.
Aos meus Tios e Primos que me apoiaram.
Shirlen, amiga que esteve ao meu lado nos momentos mais alegres e nos mais difceis.
Ao querido Adriano Barreto, pela amizade, apoio incondicional e pelos bons momentos.
Caroline Sena, Jorlivan Correa e ao Fabrcio da Silva (Dudu), pessoas que Deus colocou
para me ajudar nesse caminho e se tornaram especiais para mim.
turma de 2007, Diogo, Raza, Gabriela, Wilber, Boris e Raphael pelas palavras de apoio.
turma de 2008, turma que adotou em especial ao Rizimar (Padrinho), Cezar (Pai
postio), Jonatha (Mui amigo), sis (Especial).
turma de 2010 A todos, pois por eles cultivo afeto.
turma de 2011 especialmente ao David, ao Caio e a Aline.
Enfim, agradeo turma de 2009, Minha Turma, principalmente aqueles a quem levarei para
resto da vida: Celina Monteiro (Minha Celi), rico (Tenrio), Bruce (Fabinho), Diogo Maia
(Pseudo Filho), Ingrid (Rocha, minha Dupla), Augusto (Panda).
Amigos da Ps, Renata Santos, Marcelo Mendes, Girlan, Andrei, Karina, Alexandre Sodr,
Alexandre Costa, Jonathas, Gildenilson, Marcio, Lelis e Jerry por todo incentivo.
Ao Querido Prof Andr Andrade por ter confiado em mim, guiado minha pesquisa e me
apoiado.
Ao Coordenado Prof Cristiano Mendel, pelas palavras de apoio.
A Prof Ellen Gomes pela preocupao constante comigo e com meu trabalho.
Ao Prof Geraldo Alves, por sempre acreditar em mim.
A Prof Carolina Barros pelo apoio.
As queridas Benildes, Lucibela, Socorro e Elaine por todo suporte possvel e pela amizade.
Aqueles que no poderia esquecer Jedielson, Jefferson, Elna, Jaime, Wylismar,
Jaquelinne, Denise Maia, Misael Silva, Andrei Baptista, Henrique, Kennedy, Alexandre (In
Memoria), Derick, Antonio Marcos, Jacynei, Elren; Cristiane, Michele e Raquel Lima;
Adriely, Thais Priscila, Lucia Raquel. Pessoas indispensveis na minha histria.
Por fim, peo perdo s pessoas que de alguma forma ou de outra, contriburam na
realizao deste trabalho e aqui no foram citadas, meus sinceros agradecimentos.





























"Eu descobri em mim mesmo desejos os quais nada nesta Terra pode satisfazer.
A nica explicao lgica que eu fui feito para outro mundo."
(C.S. Lewis)

RESUMO

O reconhecimento das fcies sedimentares de um sistema deposicional
fundamental na geofsica de poo para realizar a caracterizao do sistema
petrolfero. Na ausncia da descrio de fcies em afloramento ou testemunhos,
apresenta-se uma metodologia baseada em algoritmos inteligentes para a
identificao destas fcies diretamente sobre os perfis geofsicos registrados em
poo no testemunhados. Nesta metodologia utiliza-se a rede neural competitiva
para extrair a informao geolgica a partir das propriedades fsicas do mineral
principal, que influenciam os perfis de porosidade codificados no Grfico M-N. Em
um poo testemunhado definem-se os parmetros N e M representativos da facie
de interesse, de modo que a operao do algoritmo inteligente consiga identific-la
em qualquer outro poo no testemunhado. A finalidade desta metodologia
codificar e transportar a informao geolgica obtida em poos testemunhados
para poos no testemunhados. Esta metodologia foi avaliada em dados sintticos
e com perfis de poos testemunhados do Campo de Namorado, Bacia de Campos,
Brasil.













Palavras-Chave: Geofsica. Geofsica de Poo. Interpretao geolgica. Algoritmos
Inteligentes.

ABSTRACT

The recognition of sedimentary facies in a depositional system has a key role in
formation evaluation to perform the characterization of an oil system. In the absence
of these facies description by cores or outcrop, we present a methodology based on
intelligent algorithm able to identify one facies of interest in wireline logs. This
methodology uses a competitive neural network to extract geological information
from the physical properties mapped in the M-N plot. The competition among
neurons identifies the facies of interest, which has been previously identified in a
cored borehole, in other non cored boreholes in an oil field. The purpose of this
methodology is to encode and transmit the geological information gained in cored
boreholes to non cored wells and thus achieve the geological interpretation of one
layer in an oil field. This methodology has been evaluated using synthetic data and
actual wireline logs from two boreholes drilled in the Namorado oil field, Campos
Basin, Brazil.














Keywords: Geophysics. Wireline logging. Geologic Interpretation. Intelligent
algorithm.

LISTA DE ILUSTRAES

Figura 1 Praia da Baronesa, Alcntara-MA. .......................................................... 15
Figura 2 - Exemplo de perfil estratigrfico. .............................................................. 16
Figura 3 Mapa de localizao do Campo de Namorado, com Limitao norte e sul
da Bacia de Campos representada pelas setas. .................................... 19
Figura 4 Grfico - (neutrnico - densidade). .................................................... 22
Figura 5 Grfico t- (snico densidade) .......................................................... 22
Figura 6 Grfico M-N. ............................................................................................ 24
Figura 7 Representao esquemtica de um neurnio a artificial. ........................ 26
Figura 8 Neurnios Competitivos .......................................................................... 27
Figura 9 Arquitetura geral da rede neural competitiva. .......................................... 27
Figura 10 Modelo de competio dos neurnios .................................................. 28
Figura 11 Representao do problema de classificao. ..................................... 29
Figura 12Representao da arquitetura para o problema de classificao. .......... 30
Figura 13 Representao visual da soluo do problema realizado pela ............ 30
Figura 14 Arquitetura desenvolvida neste trabalho. ............................................. 33
Quadro 1 Descrio das fcies do Poo I ............................................................ 34
Figura 15 - Poo I (Testemunhado) Dados Sinttico ............................................ 35
Figura 16 - Poo I - Grfico M-N. ............................................................................ 36
Figura 17 - Poo I - Grfico M-N. ............................................................................ 36
Quadro 2 Descrio das Fcies do Poo II .......................................................... 37
Figura 18 - Poo II Poo de prova - Dado Sinttico. ............................................ 38
Figura 19 - Poo II - Grfico M-N. ........................................................................... 38
Figura 20 - Poo II - Grfico M-N. ........................................................................... 39
Figura 21 - Poo II - Representao em profundidade da camada de interesse
identificada. ............................................................................................ 40
Figura 22 - Poo A (Testemunhado) ....................................................................... 41
Quadro 3 Descrio das Fcies do Poo A .......................................................... 41
Figura 23 - Poo A - Grfico M-N ............................................................................ 42
Quadro 4 Descrio das Fcies do Poo B .......................................................... 42
Figura 24 - Poo B (Poo de teste) ......................................................................... 43
Figura 25 - Poo B - Grfico M-N ............................................................................ 44
Figura 26 - Poo B - Grfico M-N ............................................................................ 45
Figura 27 - Poo B - Representao em profundidade da camada de interesse
identificada ............................................................................................. 45






























LISTA DE TABELA

Tabela 1 - Propriedades fsicas da matriz. .............................................................. 23
Tabela 2 - Parmetros M e N. ................................................................................. 24





























SUMRIO
1 INTRODUO .................................................................................................... 13
2 FCIES SEDIMENTARES .................................................................................. 14
3 BACIA DE CAMPOS- CAMPO DE NAMORADO .............................................. 18
4 AVALIAO DE FORMAO ........................................................................... 20
4.1 PERFIL DE DENSIDADE .................................................................................. 20
4.2 PERFILDE POROSIDADE NEUTRNICA ....................................................... 20
4.3 PERFIL SONICO ............................................................................................... 21
4.4GRFICO M-N ................................................................................................... 21
5 ALGORITMOS INTELIGENTES .......................................................................... 25
5.1 REDE NEURAL COMPETITIVA ........................................................................ 25
5.2 NEURNIO COMPETITIVO ............................................................................. 28
6 PROBLEMA DE CLASSIFICAO .................................................................... 29
7 METODOLOGIA .................................................................................................. 31
8 RESULTADOS ..................................................................................................... 34
8.1 DADOS SINTTICOS ....................................................................................... 34
8.2 DADOS REAIS .................................................................................................. 40
9 CONCLUSES .................................................................................................... 46
REFERNCIAS .................................................................................................. 47
13

1. INTRODUO
Um sistema petrolfero caracterizado por um conjunto de atributos
geolgicos, que determinam as condies de explotao do hidrocarboneto. Um
dos mais importantes atributos a descrio das fcies sedimentares, que
representadas na forma de uma coluna estratigrfica mostram a associao, os
agrupamentos e a sequencia deposicional das diversas camadas, que qualificam o
sistema petrolfero.
O termo fcies pode ser conceituado, para uma camada de sedimentos ou
rocha sedimentar, como o conjunto de suas caractersticas resultantes do seu
particular processo sedimentar (geometria, litologia, estruturas sedimentares,
padro de paleocorrentes, contedo fossilfero e etc.), que a individualiza em
relao s demais (SELLEY, 1970).
A testemunhagem a coleta de amostras de rocha com alterao mnima. A
anlise do testemunho permite a determinao das caractersticas geolgicas de
uma determinada camada ou a identificao da fcie sedimentar.
O reconhecimento de fcies sedimentares atravs de amostras se torna
invivel no caso de bacias sedimentares submersas ou na construo de poos
horizontais. Nas bacias submersas no possvel descrio das fcies devido a
ausncia de afloramento. No caso dos poos horizontais a testemunhagem
tecnicamente invivel.
Devido necessidade do conhecimento das fcies e da sua continuidade
lateral para a qualificao do sistema petrolfero, na ausncia da descrio direta
das fcies, apresenta-se um mtodo para o reconhecimento das fcies nos perfis
geofsicos convencionais. Esta metodologia prope a codificao da informao
geolgica de uma fcies em termos dos parmetros fsicos M e N derivados dos
perfis de porosidade (densidade, snico e porosidade neutrnica). Na maioria dos
casos a interpretao visual desses parmetros apresenta muitas dificuldades.
Assim, este trabalho apresenta uma alternativa para a interpretao computacional
utilizando um algoritmo inteligente baseado na rede neural competitiva.
A aplicao desta metodologia realizada utilizando dados sintticos e os
perfis convencionais registrados em dois poos testemunhados do Campo de
Namorado, na Bacia de Campos, Brasil.

14

2. FCIES SEDIMENTARES
As rochas sedimentares so formadas nas bacias sedimentares, onde os
sedimentos depositados so mantidos estticos por um tempo suficiente para que
ocorram os processos de compactao e cimentao, caractersticos da
diagnese, ou a sua transformao em rocha. As caractersticas da origem
sedimentos, dos processos sedimentares de deposio e diagnese resultam na
criao de rochas sedimentares dispostas na forma de camadas ou estratos.
O termo fcies foi introduzido em 1838 pelo Gelogo Suo Amanz Gressly
(DELLA FVERA, 2001) e foi uma de suas contribuies para a estratigrafia
moderna e pode ser conceituado, para uma camada de sedimentos ou rocha
sedimentar, como o conjunto de suas caractersticas resultantes do seu particular
processo sedimentar (geometria, litologia, estruturas sedimentares, padro de
paleocorrentes, contedo fossilfero e etc.), que a individualiza em relao s
demais (SELLEY, 1970).
A geometria dos corpos sedimentares est parcialmente relacionada
topografia do ambiente deposicional. A composio mineralgica das rochas
detrticas (rochas formadas a partir de pedaos de rochas pr-existentes)
proporciona a informao sobre a rea fonte. Da mesma forma, que a
granulometria, o grau de seleo e as estruturas sedimentares informam sobre os
processos de transporte e deposio, refletindo o nvel de energia do agente
transportador e separando os processos sedimentares envolvidos.
A partir da descrio e identificao das fcies em um campo petrolfero
possvel fazer a identificao do ambiente deposicional, que traduz as qualidades
do sistema petrolfero: Quantidade de matria orgnica presente na rocha
geradora, tipo e qualidade das rochas selantes, e principalmente, as caractersticas
da rocha reservatrio, como a porosidade e a saturao de hidrocarboneto.
A Figura 1 mostra um exemplo de um afloramento com a fcies descrita por
fases de dolomita em sua extenso vertical. Entre estes eventos ocorre a
alternncia de camadas de pelitos com crosta de intemperismo (avermelhada) e
pelitos ricos em paligosquita (mineral esbranquiado rico em magnsio). A
alternncia entre as camadas de pelitos e arenito fino caracteriza ambiente lagunar,
com baixa energia de deposio.

15



















Pode-se fazer a associao de fcies, agrup-las e relacion-las a um
determinado sistema deposicional. Para fazer a representao de uma sucesso
vertical de fcies presentes em uma determinada bacia, pode ser usado o perfil
estratigrfico como exemplificado na Figura 2, que uma escala de profundidade
com uma representao adequada e padronizada das caractersticas geolgicas de
cada camada.
Para fazer o perfil estratigrfico que representa o afloramento, usamos o que
chamamos de amostras. No poo a coleta dessas amostras chamada de
testemunhagem. Nela feita coleta com alterao mnima da rocha. A anlise do
testemunho ajuda a fazer a determinao das caractersticas de uma determinada
fcies sedimentar e assim fazer a identificao das litofcies na subsuperfcie.
Um sistema petrolfero caracterizado pelo sistema deposicional. A
caracterizao de fcies fundamental para a definio do sistema petrolfero e
definio dos processos de explorao do campo. No entanto em poos, isso

Fonte: Da autora
Figura 1 Praia da Baronesa, Alcntara-MA.
16

algumas vezes se torna invivel devido s localizaes e condies dos mesmos,
como por exemplo, em poos em mar profundo.

























Na ausncia de testemunho, a amostra de calha no determina a
profundidade. Ento quando se faz o perfil litolgico ou faciolgico, consegue-se
ver uma sucesso de camadas, mas no se consegue saber a escala de
profundidade o que necessrio para fazer a representao atravs do Perfil
Estratigrfico, porquanto a espessura das camadas tambm uma caracterstica
das fceis e uma caracterstica gentica.

Fonte: Da autora
Figura 2 - Exemplo de perfil estratigrfico.
17

O uso das fcies sedimentares importante, uma vez que nos traz base
conceitual e metodologias que definem elementos fundamentais para a explorao
de riquezas como petrleo, jazidas minerais e gua. Isso torna o seu uso
importante economicamente.
Da forma como as fcies so descritas, somente com a o uso da geologia,
no possvel fazer relao direta com o perfil geofsico de poo, visto que as
caractersticas descritas no so mensurveis atravs de propriedades fsicas, por
exemplo, o contedo fossilfero presente na rocha no est relacionado a nenhuma
propriedade fsica.
























18

3 BACIA DE CAMPOS- CAMPO DE NAMORADO
A bacia de Campos esta localizada no litoral norte do estado do Rio de
janeiro e a sul do estado do Espirito Santo, limitada ao sul pelo Arco de cabo Frio e
ao norte pelo Arco de Vitria (Figura 3). Possui mais de 1.600 poos perfurados em
uma rea aproximada de 100.000 km, ao longo de mais de trs dcadas de
explorao petrolfera. a bacia mais prolfica e aloja mais de 90% das reservas
petrolferas atuais.
O Campo de Namorado corresponde a Sequencia K70 que esta inserida na
Supersequncia Drift da Bacia de Campos. Esta Supersequncia composta pelos
sedimentos marinhos depositados sob um regime de subsidncia trmica
associada a tectonismo adiastrfico.
O Campo de Namorado foi descoberto em 1975 e localiza-se na poro
Centro Norte na zona onde se acumula os hidrocarbonetos da Bacia de Campos, a
cerca de 80 km do litoral e sob uma lmina de gua de 110 a 250 m (SOUZA
JUNIOR, 1997). A rocha reservatrio foi depositada em um complexo de canais,
junto frente deltaica denominado de arenitos turbidticos de namorado de idade
albiana-cenomaniana com excelentes caractersticas petrofsicas.
O sistema turbidtico de Namorado, segundo Souza Junior. (op.cit.),
caracterizado pela formao de trs sistemas de deposio, representando as
diferentes fases do reabastecimento do canal turbidtico. A primeira fase
corresponde aos depsitos grossos ligados s correntes turbidticas de alta
densidade, que formam os ciclos granodecrescentes caracterizados pela
associao vertical dos microconglomerados e pelas areias grossas a mdias
macias. A segunda fase representada pelos depsitos de corrente de turbidez
de baixa densidade. A ltima fase de reabastecimento do canal turbidtico
corresponde ao sistema de deposio de mar alto, constituindo-se por uma
associao de fcies pelticas (argilas, margas e calcilutitos), representando a
sedimentao hemipelgica da bacia.





19































Fonte: Modificado de Bacoccoliet al. (1980).
Figura 3 Mapa de localizao do Campo de Namorado, com Limitao norte e sul
da Bacia de Campos representada pelas setas.
20

4 AVALIAO DE FORMAO
Aqui so apresentadas as tcnicas de interpretao das medidas das
propriedades fsicas das rochas encontradas ao redor do poo. Medidas essas
usadas no desenvolvimento de modelos interpretativos para qualificao de
reservatrios e quantificao de HC em subsuperfcie.

4.1 PERFIL DE DENSIDADE
O perfil de densidade um registro contnuo das variaes das densidades
das formaes rochosas que so atravessadas por um poo. A medida realizada
leva em considerao densidade da matriz da rocha e a do fluido contido no
espao poroso, no caso a densidade eletrnica. Raios gamas so emitidos de uma
fonte, que interagem com os eltrons dos tomos da formao (ELLIS, 2008). A
interao considerada o Efeito Compton, que diretamente proporcional ao
nmero de eltrons por unidade de volume de material e este por sua vez so
proporcionais densidade das formaes, logo o perfil responde de forma direta
densidade da formao e inversamente a sua porosidade. Como resultado da
interao os raios gamas se dispersam, h uma diminuio da intensidade do feixe
emitido, essa diminuio que medida pelos detectores localizados nas
proximidades da parede do poo.

4.2 PERFILDE POROSIDADE NEUTRNICA
Os nutrons so partculas que no possuem carga eltrica e com massa
similar ao ncleo de hidrognio. Dessa forma penetram na matria profundamente,
chegando a atingir os ncleos dos elementos que constituem a rocha. Os nutrons,
atravs de sucessivas colises elsticas com os tomos da formao, perdem
parte da sua energia. Os detectores da ferramenta neutrnica so sensveis a
nutrons de baixa energia e a maior perda de energia ocorre quando os nutrons
se chocam com os ncleos do hidrognio, pois eles tm uma alta seo de choque
e, como j foi dito, massa igual ao nutron (ELLIS, 2008). O valor da porosidade
na rocha encontra-se diretamente relacionado com a presena do hidrognio na
rocha, em forma de gua ou HC. Logo, quanto maior a quantidade de hidrognio
medida no interior da rocha maior a sua porosidade.
21

4.3 PERFIL SONICO
O perfil snico usado na determinao da porosidade intergranular das
rochas. Uma sonda composta por um transmissor e dois receptores mede o tempo
de transito das ondas compressionais na rocha vizinha ao poo. O impulso sonoro
emitido propaga-se nas camadas ativando os dois receptores localizados a
distancias fixas na sonda de perfilagem (ELLIS, 2008). medida a diferena do
tempo de transito entre os dois receptores, ou seja, o inverso da velocidade de
propagao do som entre os dois receptores. H uma relao direta entre o tempo
de transito de uma onda sonora em uma rocha e sua porosidade. Quando
comparadas a rocha que tiver maior quantidade de fluidos em seu interior, logo
maior porosidade, ter um tempo de trnsito maior que aquela de menor volume de
fluido, portanto menor porosidade.


4.4 GRFICO M-N
O Grfico M-N (BURKE, 1969) produz informao litolgica a partir de trs
ferramentas de porosidade, ferramentas que geram os perfis de densidade,
neutrnico e snico. A informao litolgica extrada a partir da propriedade fsica
do mineral principal.
Cada rocha considerada, constituda por apenas um mineral representada
no Grfico M-N de forma, praticamente, independente da sua porosidade. Essa
representao no grfico M-N feita por pontos definidos pelas coordenadas ou
parmetros M e N. Esses parmetros so definidos nos grficos de porosidade,
que relacionam os perfis snico e densidade para definir o parmetro M e os perfis
de porosidade neutrnica e densidade para calcular o parmetro N. Em cada
grfico estes parmetros so tomados como a inclinao da reta que relaciona os
dois perfis envolvidos.





22

O parmetro N por definio igual inclinao da reta definida em um
grfico formado pelos perfis neutrnico e de densidade.

(1)













O parmetro M por definio igual inclinao da reta definida em um
grfico formado pelos perfis snico e de densidade.

(2)














Fonte: Da autora.
Figura 4 Grfico - (neutrnico - densidade).

Fonte: Da autora
Figura 5 Grfico t- (snico densidade)
23


Matriz (mineral
Principal)
(g/cm)
Densidade
(%)
Perfil neutrnico
t
Perfil Snico
Quartzo 2.65 -0.35 55.5
Calcita 2.71 0.0 47.6
Dolomita 2.86 0.05 43.5
Anidrita 2.98 0.0 50.0
Gipsita 2.35 0.49 52.0
Ortoclsio 2.55 -0.05 66,5
Gesso 2.32 0.06 55.7
Albita 2.62 -0.04 46.4
Sal 2.05 0.04 67.0


Nas equaes 1 e 2,

representam a porosidade neutrnica da gua

e do mineral principal;

representa a densidade do mineral principal e a da

gua;

representam o tempo de transito da gua e do mineral principal.

Com a aquisio dos parmetros M e N, constri-se o grfico M-N a partir
dos pares ordenados dos dois parmetros.
Quando substitudos nas equaes de M e N os valores das propriedades
fsicas da matriz extrados dos perfis de porosidade, eles geram pontos
caractersticos do mineral principal de determinada rocha. Desta forma, podemos
caracterizar a litologia de um determinado trecho do poo. Esses pontos so
representados no Grfico M-N.








Tabela 1 - Propriedades fsicas da matriz.
24


Mineral M N
Quartzo 0.81 0.64
Calcita 0.83 0.59
Dolomita 0.78 0.49
Anidrita 0.70 0.50
Gesso 1.01 0.30
Argilominerais
Ilita 0.6 0.49
Caolita 0.6 0.45
Smectita 0.6 0.50






















Fonte: Da autora
Figura 6 Grfico M-N.
Tabela 2 - Parmetros M e N.
25

5 ALGORITMOS INTELIGENTES
Algoritmos inteligentes formam um grupo de tcnicas computacionais, como
as redes neurais artificiais, os sistemas de inferncia fuzzy e os algoritmos
genticos, utilizados para a realizao da anlise e interpretao de uma grande
quantidade de dados, inserindo flexibilidade e capacidade de processamento da
informao para soluo de problemas da vida real. A principal caracterstica dos
algoritmos inteligentes a sua capacidade de operar e encontrar uma soluo
aceitvel para um dado problema, em condies severas de impreciso, incerteza
e parcialidade da informao, alm de apresentar uma grande tolerabilidade a
falhas e robustez, mesmo sob as condies mais adversas, principalmente para o
caso da soluo de problemas de deciso. Em outras palavras, os algoritmos
inteligentes apresentam uma oportunidade para a soluo de problemas que
envolvem a ambiguidade do pensamento e as incertezas da vida real
(NIKRAVESH, 2004).

5.1 REDE NEURAL COMPETITIVA
Uma rede neural artificial sutilmente inspirada na morfologia do crebro
dos mamferos, com a presena de elementos processadores (neurnios)
arranjados na forma de camadas conectadas entre si (sinapses) (HAYKIN, 2001).
Assim, a arquitetura de rede neural basicamente caracterizada pelo nmero de
camadas e pela forma como elas se conectam. O arranjo fixo dos neurnios
artificiais em camadas chamado de arquitetura. A arquitetura da rede neural um
conjunto de neurnios associados em camadas e a forma em que essas camadas
se conectam entre si.
O neurnio artificial um elemento processador, que possui uma nica
sada e vrias entradas. Fazendo referncia ao crebro, o axnio representado
pelo sinal de sada e os dendritos so representados pelos sinais de entrada. As
sinapses que realizam a ligao entre axnio e dendritos de neurnios diferentes
so representadas por um conjunto de valores especficos (pesos sinpticos).



26









A principal caracterstica de uma rede neural artificial a sua capacidade de
aprender a partir da percepo do ambiente no qual ela esta inserida. A
aprendizagem de uma rede neural definida pela determinao do valor dos pesos
sinpticos, que realizam as ligaes entre os neurnios de diferentes camadas.
Existem dois tipos de aprendizagem: A forma no supervisionada e a forma
supervisionada. Na forma supervisionada sabe-se a resposta ou parte da resposta
para um determinado dado de entrada. Na forma no supervisionada no
conhecida resposta para o dado de entrada.
A rede neural competitiva compartilha algumas das caractersticas gerais
das redes neurais artificiais, no entanto possuem caractersticas prprias. O sinal
de sada da rede a posio do neurnio vencedor da competio entre os
neurnios processadores por um dado de entrada.
Esta caracterstica da rede competitiva determina a sua arquitetura com
apenas duas camadas. A camada de entrada que recebe a informao do
ambiente e a camada competitiva na qual se processa a competio entre os
neurnios competitivos
A operao da rede competitiva mostrada na Figura 8, onde um dado de
entrada apresentado a um neurnio da camada de entrada, que apenas o
transmite camada competitiva. Aps a competio na camada competitiva um
nico neurnio estar ativo e produzir o sinal de sada da rede.
A camada de entrada recebe a informao de fora do sistema. A camada de
sada onde acontece a competio entre os neurnios.
No crebro humano as ligaes so espaciais com interaes de quatro
dimenses j estrutura da rede neural usada um plano. Outra caracterstica que
a soluo de um problema no depende da rede e sim de um conjunto de
dendritos
ncleo
axnio

Fonte: Da autora
Figura 7 Representao esquemtica de
um neurnio a artificial.
27

neurnios e de uma srie de parmetros da rede neurais.










Existem vrios modelos de rede neural competitiva, cada um empregado
de acordo com a necessidade. O modelo aqui utilizado o modelo de Kohonen
(KOHONEN, 1989), nele o neurnio competitivo que mais assemelha ao dado de
entrada vence a competio.
A Figura 9 mostra a arquitetura geral de uma rede neural competitiva. A
adequao de uma rede competitiva para a soluo de um particular problema,
segundo o modelo de Kohonen realizada a partir da determinao dos valores
dos pesos sinpticos que conectam a camada de entrada a camada competitiva.















Fonte: Da autora
Figura 9 Arquitetura geral da rede neural
competitiva.



Camada de
Entrada


Camada
Competitiva

Fonte: Da autora
Figura 8 Neurnios Competitivos
Camada
de
Entrada

Camada Competitiva
ou
Camada de Sada
28


Fonte: Da autora
Figura 10 Modelo de competio dos neurnios
5.2 NEURNIO COMPETITIVO
O neurnio competitivo opera de maneira completamente semelhante ao
neurnio artificial dos outros modelos de rede neural (KOHONEN, 1989). O seu
funcionamento pode ser descrito pela operao que produz o seu sinal de sada.
O sinal de sada de um neurnio competitivo resulta da interao entre os
dados de entrada e os seus pesos sinpticos e traduzido pela seguinte expresso,

(3)
Na equao3,

o sinal de sada no i-zimo neurnio da camada

competitiva. representa a distncia euclidiana.

o vetor de pesos
sinpticos que realiza a ligao entre a camada de entrada e o i-zimo neurnio da
camada competitiva. o vetor de entradas na rede neural competitiva.



















U
X1
X2
W1
W2
29

6 PROBLEMA DE CLASSIFICAO
Um problema de classificao de grupos de objetos representados por
pontos no plano, como mostrado na Figura 11 pode ser apresentado na seguinte
forma:
1. Objetos semelhantes so representados por pontos prximos no plano;
2. Cada grupo de objetos pode ser representado por um ponto de referncia,
que possui as caractersticas mdias do agrupamento.
















Apresentado o problema, a arquitetura da rede competitiva para a resoluo
do problema fica da seguinte forma:
Na camada de entrada o nmero de neurnio igual dimenso do
vetor de entrada que por sua vez igual ao nmero de classes, ou
seja, cada neurnio recebe uma coordenada do vetor de entrada.
Na camada competitiva o nmero de neurnios competitivos igual
ao nmero de classes, logo, cada neurnio competitivo representa
uma nica classe.
Os pesos sinpticos vo ser as coordenadas dos pontos de referncia
de cada classe.
Ponto de
referncia

Fonte: Da autora
Figura 11 Representao do problema de
classificao.
30













Segundo a regra de competio o neurnio com o maior valor de sada o
vencedor. A Figura 13 mostra a representao visual da soluo do problema
realizado pela rede neural competitiva. Na Figura 13, dA distncia do centro da
nuvem A ao Ponto (Xp, Yp) e dB a distancia do centro da nuvem B ao Ponto (Xp,
Yp). Considerando a classificao do vetor de entrada definido pelas coordenadas
(Xp, Yp), a rede neural competitiva com os pesos sinpticos A igual s
coordenadas do ponto A e B, coordenadas do ponto B. O neurnio vencedor seria
o neurnio B, que apresenta a menor distancia ao ponto.














Fonte: Da autora
Figura 12 Representao da
arquitetura para o problema de
classificao.

Figura 13 Representao visual da
soluo do problema realizado pela rede
neural competitiva.

Fonte: Da autora
31

7 METODOLOGIA
A descrio ou a identificao de fcies nos testemunhos requer um alto
nvel de ateno e experincia do gelogo em termos de elencar as caractersticas
geolgicas mais relevantes de cada camada ou conjunto de laminas que
individualiza uma fcie, em razo da relevncia dessas caractersticas para a
caracterizao do sistema deposicional ou do sistema petrolfero.
Considerando que na grande maioria dos casos as caractersticas usadas na
descrio da fcie no correspondem s variaes das propriedades fsicas
registradas nos perfis. Assim assume-se que, a variao de um conjunto de
propriedades fsicas medidas ao longo da espessura de uma camada possui uma
semelhana que as individualize em relao ao conjunto destas mesmas
propriedades mensuradas em outras camadas. Nesses termos, se estabelece a
relao entre a informao geolgica e as medidas fsicas.
Uma forma conveniente de se demonstrar a associao entre um conjunto
de propriedades fsicas e um conjunto de informao geolgica o grfico M-N
(BURKE, 1969). A utilizao convencional, que motivou a sua criao, foi a de
produzir a identificao do mineral principal na constituio de uma camada e
assim, produzir uma estimativa da litologia. Neste trabalho apresenta-se uma
reinterpretao do Grfico M-N.
Neste trabalho, assume-se que os parmetros M e N calculados ao longo de
uma camada formem um agrupamento no grfico. Deste modo, interpreta-se que
este conjunto de propriedades fsicas represente esta camada em termos de suas
caractersticas geolgicas. De tal modo que, como na interpretao convencional
do Grfico M-N, os pontos (N, M) de uma camada se agrupam na vizinhana de um
ponto fixo representativo do seu mineral principal. Neste trabalho assume-se que o
centro de gravidade (geomtrico) de um conjunto de pontos (N, M) calculados para
uma camada, que possui a descrio de um conjunto de caractersticas geolgicas
seja o representante desta fcie no Grfico M-N.
A interpretao visual do Grfico M-N, na grande maioria das situaes
prticas da avaliao de formao de difcil realizao, ambgua e sem contexto
geomtrico. Em razo do rudo presente nos dados (perfis de densidade, snico e
porosidade neutrnica) e principalmente pela limitao da ausncia da
32

argilosidade, pontos vizinhos de uma mesma camada podem ser classificados em
diferentes camadas.
Neste trabalho se resgata a utilizao do grfico M-N, apresentando-se um
algoritmo inteligente, baseado em uma rede neural competitiva construda para a
interpretao computacional do Grfico M-N, como mostrado na Figura 14.
A metodologia apresentada neste trabalho foi dividida em duas etapas. Na
primeira feita a Codificao da informao geolgica e na segunda faz-se a
Identificao de fcies em um poo no testemunhado.
Na primeira etapa realizada a codificao da informao geolgica, que
feita no Grfico M-N a partir dos perfis geofsicos (porosidade neurnica, snico e
densidade) registrados em um poo testemunhado e com a fcie de interesse
identificada. Nesta etapa feita a representao do intervalo de profundidade
correspondente camada testemunhada com a fcies identificada nos
correspondentes pares (N, M). Isto se traduz com o calculo do centro de gravidade
geomtrico. O par (N, M) do centro de gravidade da fcie de interesse se junta aos
pontos (N, M) dos minerais j existentes no Grfico M-N. Os pares ordenados
deste conjunto de pontos so tomados como os pesos sinpticos que realizam a
ligao entre a camada de entrada e a camada competitiva da rede.
Na segunda etapa realiza-se a operao da rede neural competitiva. Em um
intervalo de profundidade de um poo no testemunhado nas vizinhanas do poo
de referncia calculam-se os pares (N, M), que sero as entradas da rede neural. A
operao do algoritmo inteligente promove a competio entre os neurnios
competitivos por cada um dos pontos de entrada. Segundo a regra de competio
em que o maior valor negativo da distancia entre um ponto de entrada e um ponto
representado pelos pesos sinpticos define o neurnio vencedor. Somente so
retidos os pontos para os quais o neurnio representativo da fcies de interesse o
vencedor. Os pontos que so vencidos pelos outros neurnios da camada
competitiva, no representam a fcie de interesse e so descartados.
Como a informao de profundidade no preservada no Grfico M-N,
adota-se um filtro de correo que realiza a continuidade em profundidade da
camada de interesse.


33



































Figura 14 Arquitetura desenvolvida neste trabalho.
Fonte: Da autora
34

8 RESULTADOS
A metodologia apresentada neste trabalho apresentada em dois casos:
dados sintticos e dados reais. No caso dos dados sintticos apresentada
formalmente a metodologia aqui desenvolvida, enquanto no caso dos dados reais
e realizado um teste de validao com dois poos perfilados e testemunhados do
Campo de namorado, Bacia de Campos, Brasil.

8.1 DADOS SINTTICOS
Considera-se aqui um intervalo de um poo testemunhado que atravessa
trs camadas com fcies distintas, com duas rochas reservatrio que apresentam
baixa argilosidade de modo a satisfazer as premissas tericas de construo do
Grfico M-N.
O conjunto de informaes geolgicas utilizado para a descrio das fcies
formado pela litologia, porosidade e presena de hidrocarboneto. O poo,
denominado como Poo I, as fcies descritas esto apresentadas no Quadro 1.


Fcies Descrio
A
Calcoarenito (60% quartzo+ 40% calcrio), alta
porosidade, ocorrncia de HC.
B Folhelho
C
Calcrio (100% calcita), mdia porosidade e ausncia de
HC.


A Figura 14 mostra os perfis registrados no Poo I. Na primeira trilha
apresentado o perfil de raio gama natural que ser tomado como referncia do
intervalo testemunhado. Nas trilhas 2 3 e 4, so apresentados os perfis de
porosidade. Na trilha 5 apresentada a descrio do testemunho deste intervalo do
poo. De acordo com o Quadro 1, a fcies de interesse a fcie A, marcada pela
tarja em vermelho.
Quadro 1 Descrio das fcies do Poo I
35

A Figura 15 mostra o Grfico M-N com todos os pontos do Poo I
representados por cruzes pretas. Os pontos fixos do Grfico M-N so
representados pelos crculos azuis. Observa-se a dificuldade para a interpretao
visual da Figura 15 com a impossibilidade de identificao da camada de interesse.


















A Figura 16 mostra a identificao da fcie de interesse possibilitada pela
disponibilidade da informao do testemunho. Os pontos M e N calculados no
intervalo de profundidades definido pelo testemunho para a fcie de interesse esto
representados pelas cruzes vermelhas. Observa-se que para os dados sintticos
que satisfazem as premissas de construo do Grfico M-N, os pontos de interesse
formam um agrupamento que no possui interseo com os agrupamentos das
outras camadas neste trecho do poo. Uma vez identificada o agrupamento de
pontos representativo da fcie de interesse pode se calcular os seu centro de
gravidade, representado pelo quadrado cor verde na Figura 16. As coordenadas
deste ponto formam os pesos sinpticos de ligao do neurnio competitivo
representativo da fcie de interesse na rede neural.

Fonte: Da autora
Figura 15 - Poo I (Testemunhado) Dados Sinttico
36



































Fonte: Da autora
Figura 17 - Poo I - Grfico M-N.

Fonte: Da autora

Figura 16 - Poo I - Grfico M-N.

M
N
M
N
Camada de
Interesse
Centro de
Gravidade
37

Para verificar a habilidade da operao do algoritmo inteligente construiu-se
um conjunto de perfis para um segundo poo, poo de teste ou Poo II. Para o
modelamento dispe-se da informao das fcie, que no ser utilizada no
processamento da rede neural.
O Quadro 2 apresenta a descrio das fcies presentes no intervalo
perfilado do Poo II. Observa-se a presena da fcies de interesse (Fcies A), em
uma camada com espessura e posio diferentes da sua ocorrncia no Poo I.


Fcies Descrio
A
Calcoarenito (60% quartzo+ 40% calcrio), alta
porosidade, ocorrncia de HC.
B Folhelho
C
Calcrio (100% calcita), mdia porosidade e ausncia de
HC.
D
Arenito (100% quartzo), baixa porosidade e ausncia de
HC.


A Figura 18 mostra os perfis registrados no Poo II. Na primeira trilha
apresentado o perfil de raio gama natural que ser tomado como referncia do
intervalo testemunhado. Nas trilhas 2 3 e 4, so apresentados os perfis de
porosidade. Na trilha 5 apresentada a descrio do testemunho deste intervalo do
poo de acordo com o Quadro 2.
A Figura 19 mostra o Grfico M-N com todos os pontos do Poo II
representados por cruzes pretas. Os pontos fixos do Grfico M-N so
representados pelos crculos azuis. Observa-se a dificuldade para a interpretao
visual da Figura 19 com a impossibilidade de identificao da camada de interesse.






Quadro 2 Descrio das Fcies do Poo II
38



































Fonte: Da autora

Figura 18 - Poo II Poo de prova - Dado Sinttico.


Fonte: Da autora

Figura19 - Poo II - Grfico M-N.

M
N
39

A Figura 20 mostra o resultado do processamento da rede neural
competitiva com a identificao da fcie de interesse no Poo II, representados
pelas cruzes vermelhas. Observa-se que para os dados sintticos, que satisfazem
as premissas de construo do Grfico M-N, os pontos de interesse formam um
agrupamento que no possui interseo com dos agrupamentos das outras
camadas neste trecho do poo.


















Neste caso no h necessidade da utilizao do filtro de coerncia em
profundidade, como apresentado na Figura 21 que mostra na primeira trilha o perfil
de raio gama do Poo II, como referncia. Na segunda trilha so apresentados os
resultados do algoritmo inteligente em profundidade. Em sobreposio, na cor
vermelha ao perfil de raio gama natural apresenta-se o intervalo de profundidade
identificado pela rede neural como a fcie de interesse. Observa-se a correo da
identificao da fcies de interesse realizada e a descrio de testemunho a partir
da correta locao das profundidades de topo e base da camada de interesse no
Poo II.
M
N

Fonte: Da autora
Figura 20 - Poo II - Grfico M-N.
40



















8.2 DADOS REAIS
Para uma aplicao da metodologia desenvolvida neste trabalho com dados
reais de poos, selecionaram-se dois poos do Campo de Namorado, na Bacia de
Campos. Estes poos atravessam uma camada de arenito, denominada aqui como
fcies A, como descrita no Quadro 3. Estes poos so testemunhados e adotou-se
o poo denominado como Poo A como aquele que atuara como poo de
referncia para a identificao das profundidades de topo e base da camada A.
A Figura 22 mostra um intervalo do poo A onde aparece camada A e uma
segunda camada (camada B), com sua fcie descrita no Quadro 3.
No intervalo de profundidade de profundidades mostrado em destaque na
Figura 22 calcularam-se os pares M e N que definem os pontos da camada de
referncia, representados por cruzes vermelhas, no Grfico M-N apresentado na
Figura 23. As cruzes pretas mostram o espalhamento dos pontos correspondentes
ao intervalo de profundidades ocupado pela camada B. Observa-se que no poo de

Fonte: Da autora

Figura 21 - Poo II - Representao em profundidade da camada de interesse
identificada.
41

referncia a incluso de pontos no pertencentes camada de interesse no
apresentam nenhuma utilidade para operao da rede neural competitiva.
O centro de gravidade dos pontos pertencentes camada de interesse e
que formam os pesos sinpticos do neurnio competitivo, representativo dessa
camada, na rede neural esta marcado pelo quadrado verde mostrado na Figura 23.


Fcies Descrio
A Arenito mdio macio bem graduado
B Interlaminado silte e folhelho bioturbardo























Fonte: Da autora

Figura 22 - Poo A (Testemunhado)

Quadro 3 Descrio das Fcies do Poo A

A
B
Fcie de
Interesse
42




















A Figura 24 mostra os perfis e a descrio de testemunho do segundo poo,
que ser tomado como poo de teste (Poo B). Foi selecionado um intervalo com
duas camadas com composio mineralgica semelhante para mostrar a
capacidade da metodologia aqui apresentada na identificao da fcie de interesse
mesmo num caso complexo como apresentado na Figura 25.


Fcies Descrio
A Arenito mdio macio bem graduado
B
Arenito/ Folhelho Interestratificados - Intercalaes de at
1m de arenito mdio gradacional a arenito fino com
ripples e folhelho (Sequncia Bouma completa)



Fonte: Da autora

Figura 23 - Poo A - Grfico M-N

Quadro 4 Descrio das Fcies do Poo B
Camada de
Interesse
Centro de
Gravidade
M
N
43



















O Quadro 4 apresenta a descrio das fcies no Poo B mostrando a
semelhana litolgica destas duas camadas.
A Figura 25 mostra o Grfico M-N para o Poo B com todos os pontos do
intervalo de profundidades mostrado na Figura 24 marcados com cruzes pretas. A
semelhana litolgica determinada pela presena de quartzo nas duas camadas, o
rudo das medidas e a presena da argila so responsveis pela grande disperso
dos pontos, no Grfico M-N, nas proximidades do ponto de quartzo. Esta
distribuio complexa dos pontos torna difcil a interpretao visual do grfico M-N
ou a identificao visual da camada de interesse.






Fonte: Da autora
Figura 24 - Poo B (Poo de teste)
A
B
Fcie de
Interesse
44












A Figura 26 apresenta o Grfico M-N do Poo B com o resultado da
aplicao do algoritmo inteligente desenvolvido neste trabalho. As cruzes
vermelhas mostram os pontos identificados como pertencentes camada A pela
interpretao realizada pelo algoritmo inteligente.
No processamento com os dados reais pode se avaliar a qualidade da
interpretao produzida a partir da associao da rede neural competitiva com o
filtro de profundidade na identificao dos pontos pertencentes camada de
interesse mesmo nas situaes de grande complexidade de interpretao visual
como a apresentada na Figura 25.
A Figura 27 mostra o resultado da aplicao desta metodologia para a
situao de interesse prtico, ou seja, em funo da profundidade. Na primeira
trilha mostra-se o perfil de raio gama natural para o intervalo do Poo B em analise.
Na segunda trilha mostra-se atravs da linha vermelha em sobreposio ao perfil
de raio gama natural a interpretao da localizao em profundidade da camada de
interesse. No destaque sombreado mostra-se a adequao da interpretao da
camada de interesse em comparao com a descrio de testemunho do Poo B.


Fonte: Da autora

Figura 25 - Poo B - Grfico M-N

M
N
45































Fonte: Da autora

Figura 26 - Poo B - Grfico M-N
M
N
Fcie de
Interesse
IDENTIFICADA

Figura 27 - Poo B - Representao em profundidade da camada de interesse
identificada
Fonte: Da autora


A
Fcie de
Interesse
46

9 CONCLUSES
A descrio das fcies uma das fases fundamentais na explorao de
petrleo e envolve a associao de vrias reas do conhecimento, como a geologia
e a geofsica de poo. Neste caso, realizou-se a incorporao da informao
geolgica disponvel apenas em alguns poucos poos testemunhados aos perfis
geofsicos de poo, que so adquiridos em todos os poos de um campo
petrolfero.
A metodologia aqui apresentada tratou da construo de um algoritmo
inteligente baseado na rede neural competitiva. A aplicao da rede neural
competitiva associada ao filtro de coerncia de profundidade foi validada de forma
satisfatria, apresentando a possibilidade de codificar e transportar a informao
geolgica de poos testemunhados para poos no testemunhados. A efetivao
da integrao de informaes de natureza completamente diferentes, em termos de
um nico evento geolgico, que existncia de uma camada, somente foi possvel
com o desenvolvimento de um algoritmo inteligente, que realizou a extrao da
informao geolgica contida no Grfico M-N. Assim, apresentou-se uma nova
ferramenta para auxiliar na caracterizao de sistemas petrolferos.
No entanto, esta metodologia apresenta a limitao de identificar apenas
uma camada ou fcies, quando no caso prtico, se faz necessria a identificao
de mais de uma fcies. Contornar esta limitao o projeto para trabalhos futuros.

















47

REFERNCIAS
BACOCCOLI, G., MORAIES, R.G., CAMPOS, O.A.J. The Namorado oil field: a
Major Oil Discovery in the Campos Basin, Brazil. In: GIANT oil and gas fields of the
decade: 1968-1978. Tusla: American Association of Petroleum Geologists, 1980. p.
329-338. (AAPG Memoir, 30).

BURKE, J.A.; CAMPBELL JR, R.L.; SCHIMIDT, A.W The Litho-porosity cross plot a
method of determining rock characteristics for computation of log data. In: SPE
ILLINOIS BASIN REGIONAL MEETING, 1969, Evansville, Indiana. Illinois Basin.
Evansville, Indiana: Society of Petroleum Engineers, 1969. p. 187- 198.

ELLIS, D.V; SINGER, J.M. Singer well logging for earth scientists. 2.ed. New
York, USA: Springer, 2008. p. 644 648

FVERA, J.G.D. Fundamentos de estratigrafia moderna. 1. ed. Rio de Janeiro:
Eduerj, 2001.p.121 - 146.

FERREIRA JNIOR, P.D.; CASTRO, P.T.A. Associao vertical de fceis e anlise
de elementos arquitecturais: concepes concorrentes e complementares na
caracterizao de ambientes aluviais. Revista Electrnica de Cincias da Terra,
Geosciences On-line Journal, GEOTIC Sociedade Geolgica de Portugal. v.1,
n.1, p.01-35. 2001.

GIRO, G. N. Notaes de sala de aula. 2004. Disponvel em:
<http://geraldogirao.com/index.htm>. Acesso em outubro de 2012.

HAYKIN, S. Redes neurais: princpios e prticas. So Paulo: Bookman, 2001.

KOHONEN, T. Self-organization and associative memory. Berlin: Springer-
Verlag, 1989. 312 p.

MENDES, J.C. Elementos de estratigrafia, Rio De Janeiro: T.a. Queiroz Editor,
1984. v. 12

NIKRAVESH, M. Soft computing-based computational intelligent for reservoir
characterization. Expert Systems with Applications, v.26 p. 19-38. 2004.

SELLEY, R.C. An introduction to sedimentology. Londres: Academic Press.
1976.

SUGUIO, K. Rochas sedimentares: propriedades, gnese e Importncia
econmica. So Paulo, SP: Edgard Bucher, EDUSP. 1980.