UNIVERSIDADE FEDERAL DO PAR

CENTRO DE GEOCINCIAS

CURSO DE PS-GRADUAO EM GEOFSICA





DISSERTAO DE MESTRADO


CORRELAO DE POOS COM MLTIPLOS PERFIS ATRAVS DA REDE
NEURAL MULTICAMADAS


MDIO DA SILVA AMARAL









BELM
2001
UNIVERSIDADE FEDERAL DO PAR
CENTRO DE GEOCINCIAS
CURSO DE PS-GRADUAO EM
GEOFSICA


CORRELAO DE POOS COM MLTIPLOS PERFIS ATRAVS DA
REDE NEURAL MULTICAMADAS



TESE APRESENTADA POR


MDIO DA SILVA AMARAL


COMO REQUISITO PARCIAL OBTENO DE GRAU DE
MESTRE EM CINCIAS NA REA DE GEOFSICA


Data de Aprovao: 23/11/2001

COMIT DE TESE:


____________________________________
Prof. Dr. Andr J os Neves Andrade (Orientador)

____________________________________
Prof. Dr. Carlos Augusto Gonalves

____________________________________
Prof. Dr. J adir da Conceio da Silva

BELM - PA
2001
























AMARAL, Mdio da Silva. Correlao de poos com mltiplos perfis atravs da rede
neural multicamadas. Belm, Universidade Federal do Par. Centro de Geocincias, 2001.
34p.

Tese (Mestrado em Geofsica) Curso de Ps-Graduao em Geofsica,
UFPA, 2001.

1. GEOFSICA DE POO 2. REDE NEURAL ARTIFICIAL
3.INTERPRETAO GEOLGICA I. ANDRADE, Andr J os Neves,
Orientador II.Ttulo

i
Dedico este rduo trabalho aos meus pais, Antnio Maria do Amaral (In
Memorian) e Maria Ivone da Silva Amaral, por terem gerado-me e dado suporte educacional e de
carter, os quais fazem-me sobreviver neste mundo de desigualdades e discriminaes.
Ao meu orientador, Prof. Dr. Andr Andrade, pela colaborao e companheirismo
durante todas as etapas, os quais foram fundamentais para a realizao deste trabalho.
Aos meus irmos, Marcelo, Mrcio e Bianca, pelo companheirismo.
minha namorada, Ana Cludia, pela compreenso.
Aos meus colegas e amigos companheiros gelogos e geofsicos, que colaboraram
direta e indiretamente para a realizao deste trabalho.






















ii
AGRADECIMENTOS
Os autores expressam seus agradecimentos ao CNPq, e ao convnio de infra-estrutura
ANP/FINEP - UFPA.



























iii





















As pessoas no devem lamentar-se
por serem pobres ou ricas, e sim,
dar graas Deus por terem o privilgio
de participar do verdadeiro milagre que a vida.

Mdio da Silva Amaral
iv
SUMRIO


DEDICATRIA----------------------------------------------------------------------------------------------i

AGRADECIMENTOS--------------------------------------------------------------------------------------ii

EPGRAFE---------------------------------------------------------------------------------------------------iii

LISTA DE ILUSTRAES-------------------------------------------------------------------------------v

ABSTRACT---------------------------------------------------------------------------------------------------2

1- INTRODUO-------------------------------------------------------------------------------------------3

2- METODOLOGIA----------------------------------------------------------------------------------------6
2.1- CORRELAO ESTRATIGRFICA---------------------------------------------------------------6
2.2- REDE NEURAL ARTIFICIAL----------------------------------------------------------------------13
2.2.1- Rede Neural Multicamadas-----------------------------------------------------------------------14
2.3- CORRELAO ESTRATIGRFICA AUTOMTICA ----------------------------------------15
2.3.1- Conjunto de Treinamento------------------------------------------------------------------------16

3- RESULTADOS------------------------------------------------------------------------------------------18
3.1- ASPECTOS GEOLGICOS-------------------------------------------------------------------------18
3.2- CONSTRUO DO BLOCO DIAGRAMA------------------------------------------------------21

4- CONCLUSES------------------------------------------------------------------------------------------31

REFERNCIAS BIBLIOGRFICAS-----------------------------------------------------------------33


v
LISTA DE ILUSTRAES


FIGURAS:

Figura-1: Seo transversal mostrando um exemplo sinttico de uma correlao a partir de perfis
geofsicos de poo............................................................................................................................9

Figura-2: Exemplo de uma interpretao equivocada da geologia durante o processo de
correlao realizada pelo intrprete................................................................................................11

Figura-3: Analogia entre os neurnios naturais e os neurnios artificiais......................................14

Figura-4: Rede neural artificial multicamadas mostrando a estrutura das camadas e os sentidos
dos sinais durante a fase de aprendizagem e operao...................................................................16

Figura-5: Funo de ativao do tipo sigmide..............................................................................17

Figura-6: Provncias sedimentares da Venezuela (Meja, et al., 1988)..........................................19

Figura-7: Mapa Paleogeogrfico do Mioceno Mdio (Meja, et al., 1988)....................................20

Figura-8: Mapa de localizao dos poos e das sees..................................................................21

Figura-9: Treinamento realizado pela rede utilizando-se de quatro tipos de perfis durante a fase
de correlao...................................................................................................................................22

Figura-10: Poos utilizados durante a fase de operao.................................................................23

Figura-11: Correlao automtica realizada pela rede de topo e base de cinco poos...................24

Figura-12: Seo S1, composta pelos poos W706, W991 e W1112............................................26
vi
Figura-13: Seo S2, composta pelos poos W706, W1112 e W866............................................27

Figura-14: Seo S3, composta pelos poos W706, W893 e W966..............................................28

Figura-15: Seo S4, composta pelos poos W893, W1112 e W991............................................29

Figura-16: Bloco diagrama mostrando o comportamento do datum de correlao ao longo dos
perfis, resultado da correlao automtica......................................................................................30


TABELAS:

Tabela-1: Comparao entre a correlao realizada pelo intrprete e pela rede neural
(profundidades em metros).............................................................................................................25









RESUMO

A correlao estratigrfica busca a determinao da continuidade lateral das rochas, ou a
equivalncia espacial entre unidades litolgicas em subsuperfcie, a partir de informaes
geolgico-geofsicas oriundas de poos tubulares, que atravessam estas rochas. Normalmente,
mas no exclusivamente, a correlao estratigrfica realizada a partir das propriedades fsicas
registradas nos perfis geofsicos de poo. Neste caso, busca-se a equivalncia litolgica a partir
da equivalncia entre as propriedades fsicas, medidas nos vrios poos de um campo petrolfero.
A tcnica da correlao estratigrfica com perfis geofsicos de poo no uma atividade
trivial e sim, sujeita a inmeras possibilidades de uma errnea interpretao da disposio
geomtrica ou da continuidade lateral das rochas em subsuperfcie, em funo da variabilidade
geolgica e da ambigidade das respostas das ferramentas. Logo, recomendvel a utilizao de
um grande nmero de perfis de um mesmo poo, para uma melhor interpretao.
A correlao estratigrfica fundamental para o engenheiro de reservatrio ou o gelogo,
pois a partir da mesma, possvel a definio de estratgias de explotao de um campo
petrolfero e a interpretao das continuidades hidrulicas dos reservatrios, bem como auxlio
para a construo do modelo geolgico para os reservatrios, a partir da interpretao do
comportamento estrutural das diversas camadas em subsuperfcie.
Este trabalho apresenta um mtodo de automao das atividades manuais envolvidas na
correlao estratigrfica, com a utilizao de vrios perfis geofsicos de poo, atravs de uma
arquitetura de rede neural artificial multicamadas, treinada com o algoritmo de retropropagao
do erro. A correlao estratigrfica, obtida a partir da rede neural artificial, possibilita o
transporte da informao geolgica do datum de correlao ao longo do campo, possibilitando ao
intrprete, uma viso espacial do comportamento do reservatrio e a simulao dos possveis
paleoambientes.
Com a metodologia aqui apresentada foi possvel a construo automtica de um bloco
diagrama, mostrando a disposio espacial de uma camada argilosa, utilizando-se os perfis de
Raio Gama (RG), Volume de Argila (Vsh), Densidade (
b
) e de Porosidade Neutrnica (
n
)
selecionados em cinco poos da regio do Lago Maracaibo, na Venezuela.




2

ABSTRACT

Stratigraphic correlation using well logs is a non-trivial geological activity and subject to
endless possibilities of misunderstanding about the geometry or continuity of rock layers, for
many reasons, like the geological variability and the ambiguous answers of the log tools. Thus, it
is common to utilize a great log suite from the same well, for better comprehension.
The stratigraphic correlation is a fundamental tool for a geologist or petroleum
geophysist, because from its knowledge it is possible to interpret the hydraulic continuities of the
reservoirs and to reconstruct the geological setting environment, which may corroborate for the
construction of the reservoir geological model.
This work produces an automation of manual activities involved in the stratigraphic
correlation, with the use of the various well logs, and a convenient architecture of artificial neural
network, trained with the backpropagation algorithm.
The stratigraphic correlation, obtained from this method, makes the transport of the
geological information possible along the basin and gives the interpreter, a general view of the
structural behavior of the oil reservoir.
With This methodology was possible the automatic construction of a geological block
diagram showing the spatial disposition of a particular shale layer, from the well logs: Gamma
Ray (GR), Clay Volume (Vsh), Density (
b
) and the Neutron Porosity (
n
), selected in the five
wells on the Maracaibo Lake basin, in Venezuela.












3

1- INTRODUO

A correlao estratigrfica busca a determinao da continuidade lateral das rochas, ou a
equivalncia espacial entre diversas unidades litolgicas em subsuperfcie, a partir da informao
oriunda de poos que atravessam estas rochas.
A correlao estratigrfica pode ser realizada com base em diversos critrios, como:
identificao de elementos fsseis; posio relativa na seqncia sedimentar (idade da rocha);
textura; relaes faciolgicas e perfis geofsicos de poo. Normalmente, mas no exclusivamente,
a correlao pode ser realizada a partir das propriedades fsicas registradas nos perfis geofsicos
de poo. Neste caso, busca-se a equivalncia litolgica a partir da equivalncia entre as
propriedades fsicas, medidas nos vrios poos de um campo petrolfero. Na correlao realizada
a partir dos perfis, as formaes so descritas basicamente atravs de suas propriedades fsicas,
petrofsicas e da seqncia estratigrfica.
A metodologia adotada pelo intrprete pode ser descrita como a interpretao de alguns
dos perfis disponveis em um poo, chamado poo base, na busca de um particular evento
geolgico, que aparece caracterizado em todos os poos, e assim tenha uma representatividade
regional. Essa particular caracterstica nas curvas do perfil referida como um datum de
correlao. De posse deste datum, com os respectivos intervalos de profundidade, o gelogo
procura identificar nos vrios perfis dos outros poos do mesmo campo, a sua possvel
continuidade lateral. Definida a continuidade lateral do datum, so ento estabelecidas as linhas
de correlao, que guiaro a definio da continuidade das outras unidades litolgicas
atravessadas por estes poos.
A correlao estratigrfica atravs dos perfis geofsicos uma das ferramentas principais
da geologia para o modelamento da subsuperfcie, e muito do esforo realizado pelos gelogos
tm sido procurar mtodos prticos, rpidos e confiveis, que possibilitem o transporte da
informao geolgica de um ponto a outro da bacia, com o objetivo de buscar a reconstituio
dos vrios ambientes geolgicos em que se dispem as rochas em profundidade, corroborando
para a construo de um modelo geolgico para o reservatrio de interesse.
As correlaes estratigrficas manuais envolvem sempre longos perodos de tempo, o que
torna seu trabalho cansativo e tedioso. Estas correlaes so geralmente executadas com apenas
um ou dois perfis de poo, o que potencialmente leva a indeterminaes da disposio geomtrica


4

ou continuidade das rochas em subsuperfcie, em funo da variabilidade geolgica e da
ambigidade das respostas das ferramentas. Assim, recomendvel a utilizao de um grande
nmero de perfis de um mesmo poo para uma melhor interpretao. Quanto maior o nmero de
perfis geofsicos envolvidos na correlao, maior ser o grau de certeza e melhor ser a
visualizao do comportamento do reservatrio ao longo dos perfis.
Neste trabalho, apresenta-se uma arquitetura de rede neural artificial, que possibilita a
automao das atividades manuais da correlao estratigrfica com a utilizao de vrios perfis
geofsicos de poo.
As redes neurais artificiais vm mostrando-se como uma excelente ferramenta de auxlio
na interpretao de dados geofsicos (Luthi et al., 1995; Gonalves et al., 1995; Andrade & Luthi,
1997 e Fischetti & Andrade, 1999), pois uma de suas principais caractersticas, a capacidade de
simular o comportamento do intrprete geofsico.
Luthi et al. (1995) utilizaram as redes neurais aplicadas para a correlao estratigrfica
com apenas um tipo de perfil (Vsh) para cada poo. Utilizaram uma arquitetura de rede neural
multicamadas, treinada com o algoritmo de retropropagao do erro. O processamento ocorria a
partir do reconhecimento em um poo, dito poo-base, de um datum de correlao o qual
apresentado rede, na fase de treinamento. Na fase de operao este datum era identificado nos
perfis dos outros poos.
Gonalves et al. (1995) usaram tcnicas estatsticas multivariada e a rede neural artificial
multicamadas com retropropagao do erro para a identificao das heterogeneidades em
formaes complexas e avaliao de seus limites. No seu trabalho, fez uma comparao entre os
resultados obtidos pela rede neural artificial e as tcnicas estatsticas.
Andrade & Luthi (1997) utilizaram uma rede multicamadas, onde os perfis foram
associados a sries temporais. A correlao dos perfis dos poos gerada se dava camada a
camada, e os vrios topos e bases eram correlacionados simultaneamente pela rede.
Fischetti & Andrade (1999) usaram a rede neural direta multicamadas para a identificao
das primeiras quebras em traos ssmicos, a partir de dados sintticos obtidos de um modelo
convolucional e da teoria do raio.
A arquitetura de rede aqui apresentada utiliza-se dos mesmos critrios de apresentao
dos dados, ou seja, admite-se um poo como poo-base, sobre o qual interpreta-se nos vrios
perfis as posies de topo e base das camadas de interesse. Esta interpretao ser a base do


5

conjunto de treinamento utilizado pela rede neural. O processamento sobre os vrios perfis dos
outros poos, busca a equivalncia com as formas das curvas armazenadas no conjunto de
treinamento. Com a rede neural aqui apresentada possvel correlacionar vrios tipos de perfis de
cada poo, com os perfis dos outros poos envolvidos na correlao. Esta operao pode se dar a
qualquer momento durante a perfilagem, o que lhe confere uma boa praticidade e rapidez na
incorporao de novos dados, para a construo de blocos diagramas ilustrativos do
comportamento do reservatrio ou reservatrios em estudo. Outro aspecto importante na
utilizao da rede aqui apresentada o treinamento da rede com vrios perfis de um poo, pois
com a utilizao de vrios perfis, a rede ganha mais suporte na caracterizao e identificao do
datum a ser correlacionado durante a fase de operao, uma vez que a rede faz uma comparao
entre todos os perfis envolvidos no processo, resultando numa maior preciso e confiabilidade
para o intrprete.
Para a execuo da correlao com os mltiplos perfis foram selecionados cinco poos da
regio do Lago Maracaibo, na Venezuela, onde se utilizaram os perfis de Raio Gama (RG),
Volume de Argila (Vsh), Densidade (
b
) e de Porosidade Neutrnica (
n
).
















6

2- METODOLOGIA

Nesta seo, apresenta-se a arquitetura de rede neural artificial, que possibilita a
simulao do comportamento do intrprete para a realizao da correlao estratigrfica
utilizando-se vrios perfis geofsicos. A partir do mapeamento de caractersticas especficas das
curvas (datum) nos vrios perfis de todos os poos envolvidos na correlao, pode-se obter um
modelo descritivo da geologia de subsuperfcie, e visualizar em profundidade, o comportamento
das rochas reservatrio.

2.1- CORRELAO ESTRATIGRFICA

A correlao estratigrfica uma das principais ferramentas da geologia para a
determinao da equivalncia entre unidades estratigrficas, e muito do esforo realizado pelos
gelogos tem sido procurar mtodos de correlao prticos e cada vez mais precisos e eficientes.
O conceito de correlao fundamental, ou mesmo, central para a estratigrafia. Entretanto,
a despeito da sua importncia, o significado de correlao, quando aplicado estratigrafia,
ambguo e aberto ao debate. A maneira como um determinado gelogo trata a correlao mostra
a essncia de sua filosofia geolgica.
Para a realizao da correlao utilizando os perfis geofsicos de poo, deve-se levar em
considerao certos critrios geolgicos, denominados como leis da estratigrafia e critrios
geofsicos, como o conceito de eletrofcies (Serra & Abbott, 1982).
Dos princpios bsicos da estratigrafia, utilizados pelos gelogos nas correlaes
estratigrficas, destacam-se:
Princpio da Superposio. Na fase de deposio ou de acumulao dos sedimentos, a
camada superior mais jovem que a subseqente.
Princpio da Horizontalidade dos Estratos. Nas acumulaes dos sedimentos, os
sedimentos tendem a se depositar em camadas aproximadamente horizontais.
Princpio da Continuidade Lateral. Existe uma continuidade lateral das camadas e
desenvolvem-se at que uma superfcie preexistente as intercepte.
Princpio da Interseco. Quando uma rocha truncada por outra, a rocha mais antiga a
que est sendo truncada, enquanto que a mais nova a que trunca esta.


7

Princpio da Incluso. No caso de uma rocha conter os fragmentos de outra, ela ser mais
nova que a rocha que se constitui destes fragmentos.
Princpio do Uniformitarismo. O presente a chave do passado. Todos os fenmenos
fsicos que ocorrem hoje so os mesmos que ocorreram no passado, no variando a
intensidade. Atravs deste princpio, os gelogos buscam explicaes mais convincentes e
concretas dos fenmenos que hoje persistem na terra.
Princpio do Atualismo. As leis naturais que regem os fenmenos geolgicos no presente,
so as mesmas que agiram no passado, mas sua intensidade e configurao mudam com o
tempo.
Princpio da Sucesso Faunstica. Cada espcie fssil viveu por um determinado tempo,
no podendo reaparecer jamais aps sua extino. Conhecido o tempo de existncia de uma
espcie, as rochas que apresentam esses fsseis tem a mesma idade de formao dos fsseis.
Princpio da Identidade Paleontolgica ou Zoneamento paleontolgico. Consiste em
admitir que um conjunto de estratos de mesmo contedo paleontolgico de mesma idade
que outro conjunto de estratos que contenha o mesmo contedo paleontolgico. Este princpio
no vlido para todos os fsseis, pois muitos fsseis tm longa durao. necessrio usar
fsseis iguais, isto , fsseis de pequena distribuio vertical (durao) e ampla disperso
horizontal.
Princpio da Correlao. Mostra que a equivalncia estratigrfica materializada em
mapas geolgicos locais, regionais e mundiais.
Lei da Sucesso de Fcies ou Lei de Walther. Estabelece que as fcies que sobrejazem
outras concordantemente em uma seqncia vertical devem ter sido adjacentes lateralmente
quando da deposio.
Princpio da Continuidade. A natureza no d saltos, contnua no tempo e no espao.

A correlao desde o incio da estratigrafia baseou-se essencialmente na equivalncia da
litologia e do contedo fssil (paleontologia), mas a procura de uma melhor metodologia de
correlao tem sido infindvel. Aps a dcada de cinqenta, a estratigrafia voltou-se tambm
para os mtodos fsicos, qumicos e mineralgicos para a realizao de novas formas de
correlao e novas escalas de tempo geolgico. Atualmente, os perfis mais antigos com
aquisio analgica so digitalizados para serem usados no processo de automatizao da


8

correlao, porm, mesmo a correlao automtica deve ser cuidadosamente examinada pelo
gelogo, pois em muitos casos o computador pode realizar correlaes errneas, principalmente
em reas com complicao estrutural ou mudanas de fcies.
Os critrios geofsicos se referem principalmente ao conceito de eletrofcies, onde os
perfis de poo registram as diferentes propriedades fsicas das rochas (litologia, mineralogia,
natureza e importncia dos fluidos, textura, acamamento, distribuio do tamanho do gro e
mergulho dos estratos) encontradas durante a perfurao de um poo. Essas medidas
(radioatividade natural, potencial expontneo, densidade, porosidade, resistividade e snico)
definem para cada camada uma eletrofcie, expresso pelo caracter das curvas registradas, e
podem ser usados em correlao. Serra & Abbott (1982), define o termo eletrofcie como o
conjunto de respostas dos perfis de poo que caracterizam um sedimento, e permite que este seja
passvel de ser distinguido de outros sedimentos.
Feita esta classificao em cada perfil de poo selecionado pelo intrprete, os perfis sero
agrupados, e obedecendo a conceitos geolgicos fundamentais da estratigrafia, inicia-se o que
chamamos de correlao manual. Na Figura 1, apresenta-se um exemplo sinttico da correlao
de poos com a utilizao dos perfis geofsicos, onde se mostra a curva do raio gama associado a
uma interpretao litolgica para trs poos.
















9



















Figura-1: Seo transversal mostrando um exemplo sinttico de uma correlao a partir de perfis
geofsicos de poo.

Para a correlao de poos com os perfis geofsicos so utilizados normalmente a
comparao das formas das curvas do potencial espontneo (SP) e das curvas de resistividade,
como os melhores mtodos de correlao (Lang, 1986). As propriedades correlativas das rochas
so medidas atravs de vrias ferramentas de perfilagem, que so relativamente inalteradas pelo
ambiente do poo.
As respostas dos perfis (eltrico, nuclear, acstico, dipmeter, etc.) que indicam os
aspectos quantitativos, bem como, qualitativo (caractersticas das curvas) representam, portanto,
os elementos componentes das eletrofcies. Conhecendo-se assim estas relaes fundamentais
das respostas das vrias ferramentas utilizadas na perfilagem, pode-se definir a litologia presente
na formao atravs das eletrofcies (Serra, 1989).
270
240
230
270
280
260
250
250
260
300
310
290
270
280
260
250
260
280
270
260
250
250
260
280
270
230
240
220
210
Poo-3 Poo-2 Poo-1
P
r
o
f
u
n
d
i
d
a
d
e
s

(
m
)


10

As eletrofcies trazem informaes sobre a composio mineralgica das rochas presentes
na formao, sua textura e tambm suas estruturas sedimentares, ou seja, os perfis de poo vo
nos mostrar um aspecto particular das propriedades das rochas. Na realidade, quando da
utilizao de uma a duas curvas de perfil, nem sempre esta identificao o suficiente para a
determinao das caractersticas equivalentes das rochas. Neste caso, se faz necessrio uma
combinao entre um maior nmero de perfis, o que definir com clareza as caractersticas das
rochas analisadas. Um conjunto diversificado de perfis de poo representar melhor os
parmetros geolgicos, ou em outras palavras, um espectro suficientemente rico em detalhes das
litofcies atravs dos dados do perfil.
Pirson (1977) associa uma fcies e um ambiente deposicional a cada forma das curvas do
perfil e as interpreta como um indicador da velocidade dos processos de transgresso e regresso.
Este tipo de anlise de curvatura muito usado pelos gelogos para a construo dos mapas de
fcies, essenciais para a reconstituio dos vrios ambientes deposicionais utilizados nos
processos de correlao.
Um outro termo muito utilizado pelos geofsicos a eletrosequncia. Serra & Abbott
(1982) definiu o termo, como sendo o intervalo de profundidade em que a resoluo vertical da
ferramenta apresenta uma evoluo progressiva e contnua entre os dois valores extremos do
parmetro de medida, traando uma rampa. Estas variaes podem ser refletidas em diversos
fatores, tais como: mudana progressiva na composio mineralgica com a profundidade;
evoluo dos parmetros texturais, aumento de saturao na zona de transio entre reservatrios
de gua e leo, etc.
As litologias e seus ambientes deposicionais, podem ento ser definidos nos perfis por
este tipo de anlise e critrios geolgicos e geofsicos, obtendo-se assim, uma representao da
realidade geolgica quanto continuidade lateral do reservatrio atravs da correlao dos poos.
Na prtica, um gelogo tenta estabelecer o traado lateral contnuo de uma unidade
litoestratigrfica identificado num perfil para o outro, assim sucessivamente, pois desta forma,
pode-se estabelecer a possvel equivalncia entre as unidades litoestratigrficas. Partindo-se deste
princpio, nem sempre a realidade condizente, pois podem ocorrer eventualmente erros durante
a interpretao, como mostra a Figura 2, o que levar a uma pseudo-interpretao da correlao.




11
















Figura-2: Exemplo de uma interpretao equivocada da geologia durante o processo de
correlao realizada pelo intrprete.

Neste caso, um exemplo comum de uma interpretao equivocada da geologia, realizada
pelo intrprete, a partir das perfilagens realizada em dois poos de uma mesma regio. Na
situao A da Figura 2, tem-se a situao real do comportamento da geologia representativo de
seu ambiente deposicional, enquanto na situao B, temos uma possvel interpretao feita pelo
intrprete.
Durante a correlao, um critrio muito utilizado pelos gelogos nas correlaes de
subsuperfcie, a semelhana litolgica, correlacionando partes isoladas de uma unidade
estratigrfica. A semelhana ou identidade litolgica pode ser estabelecida com base na
variedade de propriedades petrofsicas das rochas expressa pelo carter das curvas registradas
nos perfis geofsicos de poo. Entretanto, este critrio tem levado muitos gelogos a equivocar-
se e cometer erros, que s mais tarde sero reparados por outros pesquisadores que reestudam a
rea. Este fato revelado pelas caractersticas litolgicas, pois podem formar-se em ambientes
deposicionais semelhantes amplamente separados no tempo e no espao, que muita das vezes so
A
B


12

imperceptveis na interpretao dos perfis de poo. Este tipo de correlao particularmente
difcil em seqncias cclicas, tais como os ciclotemas ou quando uma unidade muda de fcies,
dificultando sobremaneira o trabalho do intrprete.
Quanto ao relacionamento com camadas inferiores e superiores, as unidades estratigrficas
tem uma relao seqencial com discordncias, dobramentos, rochas intrusivas, extrusivas e
metamrficas. A relao de uma unidade individual a tais feies pode ser de considervel valor
para o estabelecimento da correlao de uma unidade sobre uma rea limitada. Entretanto, tais
feies no devem ser consideradas para reas amplas ou alm dos confins da bacia sob estudo.
Um tipo muito comum de correlao estratigrfica realizada no que chamamos de
correlao atravs de amostras de calha. Este tipo de correlao muito comum dos gelogos se
d no momento da perfurao de um poo, onde amostras extradas pela broca provindas do
fundo do poo so coletadas em superfcie, identificada mineralogicamente e posicionadas de
acordo com as suas respectivas profundidades, compondo-se assim, num perfil litolgico
correlacionvel a outros perfis de poos circunvizinhos. Na realidade, este tipo de correlao na
maioria das vezes no a expresso da verdade, pois a depender de incontveis variveis, tais
como, profundidade, tempo de perfurao, bombeio do fluido de perfurao, etc., tais amostras
no representam as profundidades referidas pelo operador, tornando o mtodo inseguro e
impreciso.
Um problema muito comum de correlao advm do efeito terminologia, o qual se d
quando uma mesma unidade estratigrfica possui incorretamente dois ou mais nomes,
dificultando sobremaneira o trabalho de mapeamento e identificao das unidades. Quando as
mesmas sees estratigrficas apresentam diferentes subdivises e nomenclatura, o trabalho do
gelogo consiste tambm em correlacionar nomes em vez de correlacionar formaes.
Em verdade, os gelogos devem fazer uma leitura cerca da literatura da rea de estudo,
procurando familiarizar-se com a multiplicidade de nomes locais dado a uma unidade de rocha
que possua grande extenso geogrfica em diferentes subdivises polticas ou fisiogrficas, no
se deixando ficar limitado apenas em observaes adquiridas nas operaes de campo.

2.2- REDE NEURAL ARTIFICIAL

A inteligncia artificial surgiu como uma tentativa de adequar o modo de pensamento do
homem, atravs de programas computacionais. Esta ousadia partiu do princpio de que o crebro


13

humano, uma verdadeira mquina capaz de produzir e guardar milhares de informaes ao longo
do tempo, e execut-las assim que ordenado, foi alvo de diversos estudos, e ento despertou o
interesse de diversos aficionados pelo assunto, os quais vem buscando ao longo do tempo,
adequ-las a nossa realidade numa tentativa de sanar os mais diversos problemas.
Atualmente, a inteligncia artificial abarca diversas linhas de pesquisa e tcnicas, que
vem mudando constantemente a cada nova adaptao aos problemas, onde cada vez se
apresentam mais complexos, e naturalmente, mais inteligentes. Paralelamente, estas tcnicas
esto sendo combinadas para a soluo dos mais diversos problemas ainda no solucionados pelo
homem, e so chamas hoje em dia de Sistemas Hbridos.
As redes neurais baseiam-se exatamente na neurotransmisso ocorrida nos animais para
lanar suas bases de fundamentao. Diante disto, faz-se uma analogia entre as clulas nervosas
vivas e o processo eletrnico. Partindo-se deste princpio, tcnicas vem sendo utilizadas para o
reconhecimento de padres humanos, como fala e viso.
Combinando diversos neurnios pode-se formar o que se chama de rede de neurnios, ou
simplesmente, uma rede neural. As entradas podem ser conectadas em muitos neurnios com
vrios pesos, resultando desta forma numa srie de sadas, uma para cada neurnio. Em
comparao com o sistema biolgico, so representadas pelo contato dos dentritos com outro
neurnio, formando as sinapses. A Figura 3 faz essa analogia entre os neurnios naturais e
artificiais.














14









Figura-3: Analogia entre os neurnios naturais e os neurnios artificiais.

A criao de algoritmos para os sistemas neurais motivada pelo conhecimento de que o
crebro humano trabalha de forma inteiramente diferente dos computadores digitais
convencionais, que operam sob algoritmos seqenciais (Haykin, 2001).

2.2.1- Rede Neural Multicamadas
A rede neural direta multicamadas, tambm chamada perceptrons multicamadas,
apresenta uma arquitetura tpica composta por um conjunto de camadas, que so agrupamentos
de neurnios artificiais, dispostos ordenadamente em funo da direo de propagao do sinal
no seu interior.
Esta classe de rede neural artificial mostra ser possvel trein-la eficientemente com
camadas ocultas de modo a produzir uma aproximao atravs de qualquer funo (Haykin,
2001).
Este tipo de rede neural artificial foi aplicado com sucesso para resolver vrios problemas
da interpretao geofsica, como Gonalves, et al. (1995); Andrade & Luthi (1997) e Fischetti &
Andrade (1999). Tornou-se a tcnica mais popular de aprendizagem das redes neurais a partir
dos estudos de Parker (1985) e Rumelhart & McClelland (1986).
Nesta seo, apresentaremos nosso problema de aproximao da correlao automtica
em vrios perfis de poos como uma forma de um problema de deciso atravs do treinamento da
rede neural direta multicamadas alimentada com o algoritmo da retropropagao do erro.


F

F
F
x2
x1
x3

15

2.3- CORRELAO ESTRATIGRFICA AUTOMTICA

O processo da correlao automtica busca simular o modo como o intrprete toma
decises para fazer a correlao dos perfis de poo. Este processo pode ser mostrado da seguinte
forma: 1) identificar o datum de interesse nos perfis do poo base e 2) de posse deste datum,
identificar nos outros poos a continuidade lateral a partir do datum.
Na forma manual, o intrprete tem que escolher entre um grupo finito, composto por
todos os eventos registrados nos perfis do poo base, um evento baseado na sua experincia e nos
critrios de anlise dos perfis. Deste modo, as caractersticas requeridas para a simulao do
sistema visual do intrprete, atravs da rede neural so:
Os perfis geofsicos sero a nica fonte de informao.
Localizao em profundidade nos perfis dos outros poos do datum interpretado nos
perfis do poo base.
A simulao do processo de deciso do intrprete, baseado na concepo de uma rede
neural com aprendizado supervisionado, necessita da interferncia do intrprete para a definio
do conjunto de treinamento, iniciando uma escolha apropriada de um grupo de perfis de poos,
onde ele identifica a profundidade de ocorrncia de topo e base do datum.
A arquitetura da rede neural para a realizao da correlao estratigrfica com mltiplos
perfis (Figura 4), formada por 3 (trs) camadas, sendo que a primeira camada, possui o nmero
de neurnios igual ao nmero de perfis utilizados no processo de correlao, que no nosso caso
so 4 (quatro) neurnios correspondente aos perfis de Raio Gama (GR), Volume de Argila (Vsh),
Densidade (
b
) e Porosidade Neutrnica (
N
). A segunda camada composta por 50 neurnios
processadores, com a funo sigmide como funo de ativao, e a camada de sada, que
composta por um nico neurnio que, a cada intervalo de profundidade produzir um vetor
binrio (0,1), contendo o valor 1(um) exatamente nas profundidades de topo e base
correspondente existncia da correlao, e zeros em todas as profundidades no
correlacionadas com o treinamento.






16
















Figura-4: Rede neural artificial multicamadas mostrando a estrutura das camadas e os sentidos
dos sinais durante a fase de aprendizagem e operao.

2.3.1- Conjunto de Treinamento
A arquitetura da rede neural para a realizao da correlao estratigrfica com mltiplos
perfis, formada por trs camadas, sendo que a primeira camada possui o nmero de neurnios
igual ao nmero de perfis utilizados no processo de correlao. Assume-se que foram efetuadas
as correlaes ambientais e que as amostras dos perfis correspondam ao mesmo ponto mensurado
em profundidade. A segunda camada composta por 50 neurnios processadores, com a funo
sigmide como funo de ativao (Figura 5). A camada de sada, definida atravs de uma funo
linear, segundo o teorema da aproximao de funes das redes neurais treinadas com o
algoritmo da retropropagao do erro, composta por um nico neurnio que, a cada intervalo de
profundidade produzir uma sada igual a 1 (um), quando da existncia de correlao, e um valor
prximo de 0 (zero) para a inexistncia de correlao. Deste modo, se a rede treinada para a
busca de uma nica camada por todos os poos envolvidos no processamento, o sinal ideal de
sada da rede ser um vetor binrio (0,1), contendo o valor 1(um) exatamente nas profundidades
de topo e base correspondente a existncia de correlao, e zeros em todas as profundidades no
correlacionadas com a camada de treinamento.
Camada
de entrada
Camada
oculta
Camada
de sada
.
.
.
Processo de aprendizado
Sinal de operao
Sinal de erro
GR
Vsh

N



17














Figura-5: Funo de ativao do tipo sigmide.

Tomamos o conjunto de treinamento para a simulao da deciso visual do intrprete para
a correlao automtica, com as seguintes caractersticas.
O conjunto de estmulos formado por um grupo de perfis que apresenta vrios
eventos. As litologias caractersticas que formaro, ento estimulam o conjunto que ser
escolhido pelo intrprete.
O conjunto de respostas desejado criado numa forma binria, no qual o valor 1 (um)
indica a litologia presente e o valor 0 (zero), do outro modo. A definio da posio da
litologia dentro da resposta do vetor desejado pode ser acompanhado de acordo com o
conhecimento emprico do intrprete.
Neste processo de aprendizado h um ajuste dos pesos para que a classificao desejada
seja obtida, ou seja, na identificao ou no do datum de correlao nos mltiplos perfis
envolvidos no processo. Do contrrio, os pesos sero reajustados at que a resposta da rede seja
a sada desejada. Desta forma teremos aps o trmino do treinamento as correlaes de topo e
base alcanados pela rede a partir do poo, dito poo base.


-10 -8 -6 -4 -2 0 2 4 6 8 10
-0.5
0
0.5
1
1.5
X
Y
) 1 (
1
x
e
y

+
=


18

3- RESULTADOS

Este trabalho envolvendo rede neural artificial para a correlao automtica com mltiplos
perfis, faz parte de um estudo realizado em trechos de perfis de 5 (cinco) poos caractersticos da
formao Lagunillas, localizado no Bloco IV do campo de Bachaquero, Lago Maracaibo,
Venezuela.
Nos ltimos 65 anos foram realizados diversos levantamentos geofsicos e geolgicos na
Venezuela, e perfurou-se aproximadamente 3.400 poos exploratrios, e como resultado,
descobriu-se aproximadamente 50 bilhes de barris de reservas comprovadas (Meja et al, 1988).
Seus campos petrolferos apresentam grande abundncia de armadilhas estratigrficas e de
acumulaes de petrleo controladas estruturalmente, que por sua vez, na maioria das vezes,
esto inter-relacionados na maioria dos campos petrolferos. Estas interaes do meio geolgico
com o objetivo da perfilagem de poo, que o descobrimento de possveis reservatrios de
hidrocarbonetos, bem como, seu comportamento ao longo destes grandes campos petrolferos,
podem ser solucionados atravs da correlao automtica de mltiplos perfis geofsicos,
utilizando-se a rede neural multicamadas, a qual a partir dos perfis, gera em profundidade o
comportamento da geologia local ou mesmo no mbito regional da rea estudada.

3.1- ASPECTOS GEOLGICOS

A Venezuela est situada no extremo setentrional da Amrica do Sul, limitada ao norte
pela placa continental do mar do Caribe que se prolonga at o oceano Atlntico; ao sul e sudeste
forma parte do Escudo da Guayana e limitada com o Brasil e Guiana respectivamente; ao
sudoeste limitada pela Cordilheira dos Andes e a oeste pela Cordilheira Oriental e a Serra do
Perij, limite com a Colmbia.
Pelas suas caractersticas tectono-estruturais, histria geolgica e a existncia de petrleo
na Venezuela, foram divididas cinco provncias, das quais quatro so sedimentares e uma gnea-
metamrfica, vistas na Figura 6 (Meja, et al., 1988). Porm, dentro destas cinco provncias,
estudamos apenas a provncia Maracaibo-Falcon, a qual est inserida a rea estudada.




19















Figura-6: Provncias sedimentares da Venezuela (Meja, et al., 1988).

Baseado em estudos anteriores a cerca da geologia da rea (Meja, et al., 1988 e Bryant, et
al., 1998), identificou-se atravs das correlaes dos perfis dos poos, seqncias de arenitos e
folhelhos intercalados, distribuindo-se por toda a rea estudada. Observando-se a distribuio
destas seqncias ao longo dos poos atravs dos perfis de RG (raio gama) pela correlao
automtica, principalmente destacada pelos folhelhos (Figura 16), pode-se relacionar aos vrios
ciclos deposicionais ocorridos durante o Cenozico, poca do Mioceno, depois de vrios ciclos
deposicionais. Estes ciclos se deram principalmente por ambientes costeiros, conforme mostrado
atravs de um mapa paleogeogrfico (Figura 7).










20











Figura-7: Mapa Paleogeogrfico do Mioceno Mdio (Meja, et al., 1988).

A estratigrafia da Formao Lagunillas formada principalmente por seqncias de
folhelhos, argilas e arenitos armazenadores de petrleo. Nesta seo, destaca a presena da
formao Palmar, ao sudeste da Provncia. Correlaciona tambm o Grupo El Fausto com a
Formao Lagunillas, posicionado na poro leste (Meja, et al., 1988).
A grande distribuio lateral da seqncia de arenito-folhelho provavelmente se d
principalmente pelos processos de transgresso marinha, distribuindo estes sedimentos durante a
deposio da Formao Lagunillas.
A partir de interpretaes sedimentolgicas e das razes de boro/ilita dos testemunhos, e
de perfis geoqumicos, estabeleceu-se um novo conceito deposicional para o reservatrio,
definindo o Membro Lagunillas como sendo composto por uma seqncia transgressiva de trs
ciclos. Estes ciclos compreendem seqncias de arenitos e folhelhos. Estes arenitos so,
sobretudo, provenientes de canais, apresentando granulometria grossa a fina. Os folhelhos
apresentam-se intercalados e associados a deltas influenciados pela mar, representados por um
extenso folhelho lagunal (Bryant & Villarroel, 1995).
As reas portadoras de petrleo da bacia de Maracaibo foram submetidas a diversos
eventos tectnicos, os quais condicionaram processos sedimentares e estratigrficos ao longo do
tempo geolgico. Estes eventos variaram intercaladamente entre fases extencionais e
compressionais, expondo toda a rea a longos perodos de eroso e de basculamento, o qual


21

influenciou na distribuio espacial do leo confinado atravs de processos biodegradacionais
(Ivan, et al., 1998).

3.2- CONSTRUO DO BLOCO DIAGRAMA

Procede-se a uma aplicao da metodologia apresentada para a construo de um bloco
diagrama representativo do comportamento estrutural de uma camada argilosa, assumida como
datum de correlao, em cinco poos da regio do Lago Maracaibo, Venezuela. Para a
visualizao do comportamento do datum de correlao, mostra-se na Figura 8 um mapa
hipottico da localizao dos cinco poos estudados, constituda de quatro sees as quais
abrangem todos os poos utilizados no processo de correlao automtica.














Figura-8: Mapa de localizao dos poos e das sees.

Na fase de treinamento foi escolhido como poo base, o poo W1112, onde foram
utilizados perfis de Raio Gama (RG), Volume de Argila (Vsh), Densidade (
b
) e Porosidade
Neutrnica (
N
), como pode ser visto na Figura 9.

66 12'
W991
S1
S2
W706
66 12'
W866
W1112
S4
66 43'
W893
S3
66 43'
06 58'
07 22' 07 22'
06 58'
N


22

















Figura-9: Treinamento realizado pela rede utilizando-se de quatro tipos de perfis durante a
fase de correlao.

O poo tomado como poo base, um poo denominado de W1112, como mostrado na
Figura 9. Escolheu-se como topo do datum, a profundidade de 3.158,76 (m), e como base, a
profundidade de 3.164,52 (m), representados como crculos nos perfis.
Os perfis de Raio Gama (RG), Volume de Argila (Vsh) e Porosidade Neutrnica (
N
)
apresentam em seu aspecto geral, respostas bastante semelhante no que diz respeito s respostas
da ferramenta para com a formao tomada como datum. Este efeito nos perfis executa o trabalho
de melhorar o armazenamento ou a construo da memria da rede neural, na sua fase de
treinamento. O perfil de densidade incorporado ao conjunto de treinamento no sentido de que a
rede incorpore a maior quantidade de informao sobre o datum de correlao.
A fase de operao da rede ocorreu em diversas associaes, como visto na Figura 8,
atravs das sees S1, S2, S3 e S4. A operao da rede buscou um particular evento, datum de
Vsh n
GR
3220
3200
3180
3160
0
3140
100 200 0 0.5 0 0.5 1 2 2.5 3
b
P
r
o
f
u
n
d
i
d
a
d
e

(
m
)
(UAPI) (%) (g/cm )
3
(%)


23

correlao em todos os outros poos que no caso, est representado pelo mapeamento de uma
camada de folhelho, base de um dos reservatrios da Formao Lagunillas.
A Figura 10 mostra trs dos quatro perfis utilizados para a realizao da correlao dos
cinco poos na Formao Lagunillas.


























Figura-10: Poos utilizados durante a fase de operao.
3280
3270
3250
3260
3220
3240
3230
200
GR
0 100
W866
n
0 0
Vsh
0.5 1 0.5
n Vsh GR
3140
3120
3100
3080
3060
0 100 200 1 -1 0 0.5 1
W706
0
Vsh n GR
3210
3230
3220
3190
3200
3180
3160
3170
0
3150
0.5 100 200 0 0.5 0 1
W991
3140
3150
3130
3110
3120
3080
3100
3090
200
GR
0 100
W893
n
0 1 0
Vsh
0.5 1 0.5


24

Na Figura 11, mostrado o resultado do processamento da correlao automtica
realizada pela rede neural, atravs da correlao do permetro delimitado pelos cinco poos
representados por crculos nos perfis de argilosidade (Vsh), de cada poo, mostrando as
profundidades de topo e base do datum de correlao. Na Tabela 1, apresentada uma
comparao entre a correlao do topo e base do datum, produzido pela rede e a correlao
realizada por um intrprete. Apresenta-se tambm o clculo do erro absoluto em metros entre as
duas abordagens.





















Figura-11: Correlao automtica realizada pela rede de topo e base de cinco poos.


W991
W866
W1112
W706
W893



25

Tabela-1: Comparao entre a correlao realizada pelo intrprete e pela rede neural
(profundidades em metros).

Intrprete Rede Neural Erro Poos
Topo Base Topo Base Topo Base
W1112 3158.76 3164.52 3158.7 3164.4 0.06 0.12
W991 3173.94 3181.26 3173.7 3180.8 0.24 0.46
W893 3089.61 3097.17 3089.8 3095.3 0.19 1.87
W866 3239.13 3243.6 3239.2 3245.9 0.07 2.23

Na Figura 12, apresenta-se a seo representativa da continuidade lateral do folhelho de
direo NWSE (segundo a seo S1). Observa-se que o datum de correlao adquire um
acentuado mergulho na direo do poo W706 para o poo W991. Acompanhando este
mergulho, tem-se um considervel aumento na espessura da camada de folhelho, o que no se
observa no poo W706, situado mais a NW do mapa de localizao.


















26

















Figura-12: Seo S1, composta pelos poos W706, W991 e W1112.

A seo S2 mostrada na Figura 13. Apresenta a mesma direo da seo S1, porm,
compreende os poos W706, W1112 e W866. Observa-se o contnuo aumento da espessura da
camada de folhelho, principalmente na transio do poo W1112 para o poo W866, localizado
na poro mais a SE do mapa de localizao da rea. Nesta rea, observa-se tambm um
crescente aumento na profundidade do datum correlacionado.








3250
3220
3240
3230
3210
3200
3140
3180
3190
3170
3160
3150
3130
3120
3100
3110
3090
3060
3080
3070
3050
W991
W1112
W706
S1
P
r
o
f
u
n
d
i
d
a
d
e

(
m
)


27




















Figura-13: Seo S2, composta pelos poos W706, W1112 e W866.

A seo S3 apresentada na Figura 14, perfazendo a posio mais a leste do mapa de
localizao, representada pelos poos W706, W893 e W866. Apresenta um contnuo aumento na
espessura da camada de folhelho, com suave transio de profundidade do datum correlacionado
entre os poos W706 para o W893, porm, com um aumento considervel na espessura do
folhelho e na profundidade do topo do datum correlacionado entre os poos W893 para o W866,
passando da profundidade de topo de 3089m para a profundidade de 3239m.




3250
3220
3230
3240
3200
3210
W866
3140
3170
3190
3180
3150
3160
3120
3130
3090
3100
3110 W1112
W706
3060
3070
3080
3050
S2
P
r
o
f
u
n
d
i
d
a
d
e

(
m
)


28




















Figura-14: Seo S3, composta pelos poos W706, W893 e W966.

Na seo S4, representada pela Figura 15, perfazendo a parte mais central do mapa de
localizao da rea (direo NESW), representado pelos poos W893, W1112 e W991, observa-
se um suave aumento na espessura do folhelho e na profundidade do datum correlacionado.







3190
3250
3220
3230
3240
3210
3200
W866
3140
3180
3170
3150
3160
3110
3130
3120
3100
3090
3060
3070
3080
3050
W706
W893
S3
P
r
o
f
u
n
d
i
d
a
d
e

(
m
)


29

















Figura-15: Seo S4, composta pelos poos W893, W1112 e W991.

A partir das correlaes dos perfis foi montado um bloco diagrama (Figura 16),
posicionando-se os poos de forma ilustrativa, mostrando-se a distribuio espacial do datum de
correlao.










3190
3250
3220
3230
3240
3210
3200
3140
3180
3170
3150
3160
3110
3130
3120
3100
3090
W893
3060
3070
3080
3050
W1112
W991
S4
P
r
o
f
u
n
d
i
d
a
d
e

(
m
)


30



















Figura-16: Bloco diagrama mostrando o comportamento do datum de correlao ao longo dos
perfis, resultado da correlao automtica.

No bloco diagrama tem-se a viso completa do comportamento do datum de correlao ao
longo dos 5 (cinco) poos. Na poro NW do bloco, observa-se uma grande diminuio na
espessura da camada de folhelho, o contrrio das partes S e SE, onde a argilosidade
considervel. Observa-se tambm um grande aumento de profundidade do datum correlacionado
nesta mesma rea, principalmente na parte SE da rea estudada, o que reflete no aspecto tectnico
da rea como um anticlinal, que possivelmente est associado aos fraturamentos e falhamentos
ocorridos durante a evoluo tectnica da bacia.



NN


31

4- CONCLUSES

A correlao estratigrfica automtica a partir de vrios perfis geofsicos de poo
utilizando as redes neurais artificiais, surge como uma nova abordagem para a modelagem da
geologia de subsuperfcie, que com a definio do comportamento em profundidade dos
reservatrios, seja este na diversidade estratigrfica ou na complicao estrutural, habilita o
intrprete a melhor avaliar e discriminar os possveis campos produtores de hidrocarbonetos.
A rede neural artificial multicamadas mostra-se como mais uma ferramenta para a
correlao de poos, a partir da utilizao de vrios perfis, alcanando resultados que podem se
equivaler quando comparados aos resultados obtidos por um intrprete, como mostrado na Tabela
1, onde os valores alcanados pela rede so muito prximos queles definidos pelo intrprete.
Alm dos resultados alcanados pela rede serem muito prximos dos resultados
assinalados pelo intrprete, o modelo de rede aqui apresentado, se prope a facilitar a vida do
gelogo, auxiliando-o na correlao com mltiplos perfis de forma rpida, prtica e eficiente,
livrando-o da correlao tradicional, que envolve longos perodos de tempo, e que na maioria das
vezes cansativo e tedioso, o que aumenta as possibilidades de erro durante a correlao manual,
o que no acontece quando da utilizao da correlao automtica, pois em questo de minutos
pode-se fazer a correlao de vrios perfis de diferentes poos, e ainda visualizar o
comportamento do reservatrio de interesse ao longo da bacia, e com isso, gerar um modelo
geolgico. Estas informaes podem ser geradas durante a aquisio dos dados de perfilagem, e
com isso, conciliar os dados de outros poos previamente correlacionados aos dados dos novos
poos a serem inseridos na correlao. Assim, ainda em campo, o intrprete pode acompanhar o
modelamento do reservatrio por toda a bacia de estudo, e discriminar as novas perfuraes a
partir do modelo gerado pela correlao automtica.
A utilizao de vrios perfis pela rede neural multicamadas mostrou-se eficiente para a
realizao da correlao estratigrfica, uma vez que o datum de correlao foi convenientemente
mapeado em todos os perfis dos poos envolvidos. Destaca-se ainda, a grande exatido na
operao da rede na busca do datum com os quatro tipos de perfis utilizados no trabalho,
resultando numa maior confiabilidade quanto busca pelo intrprete de um possvel reservatrio
de interesse.


32

O comportamento do datum de correlao observado no bloco diagrama montado a partir
das correlaes dos cinco poos, mostra-nos um possvel anticlinal associado aos eventos
tectnicos ocorridos na bacia durante sua evoluo. Segundo Ivan et al. (1998), estas reas
portadoras de petrleo na bacia de Maracaibo, a qual est inserido o Membro Lagunillas, foram
submetidas a diversos eventos tectnicos, variando entre fases extencionais e compressionais,
expondo toda a rea a longos perodos de eroso e de basculamento, o qual influenciou na
distribuio espacial do leo confinado.
Apesar da complexidade de se transportar informaes geolgicas de um ponto para outro
da bacia, o mtodo apresentado mais uma ferramenta a disposio do gelogo para auxili-lo na
delimitao do reservatrio de interesse, de modo facilmente integrar a informao de novos
poos para a proposio do modelo geolgico para o reservatrio.




















33

REFERNCIAS BIBLIOGRFICAS

ANDRADE, A. J . N. & LUTHI, S. M. 1997. Correlao estratigrfica de perfis de poo atravs
de rede neural direta multicamadas. In: CONGRESSO INTERNACIONAL DA
SOCIEDADE BRASILEIRA DE GEOFSICA, 5., So Paulo, 1997. Anais..., So Paulo,
SBGf, v.1, p. 369-372.

BRYANT, I. D. & VILLARROEL, H. G. 1995. Sedimentology of the lower Lagunillas
reservoir, pilot area, bloque IV, Lake Maracaibo, Venezuela. p.1-15 (SPE).

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.; J IMENEZ, 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. Society of Petroleum Engineers. SPE Reservoir Evaluation
& Engineering. p.180-191. Paper (SPE 36096).

FISCHETTI, A. I. & ANDRADE, A. 1999. Automatic first breack picking in seismic traces by
neural network. In: CONGRESSO INTERNACIONAL DA SOCIEDADE BRASILEIRA
DE GEOFSICA, 6., Rio de J aneiro, 1999. Anais..., Rio de J aneiro, SBGf. CD-ROM.

GONALVES, C. A.; HARVEY, P. K.; LOVELL, M. A. 1995. Using a multilayer neural
network and statistical techniques to characterize oceanic crust. In: CONGRESSO
INTERNACIONAL DA SOCIEDADE BRASILEIRA DE GEOFSICA, 4., Rio de J aneiro,
1995. Anais..., Rio de J aneiro, SBGf, v.2, p.747-748.

HAYKIN, S. 2001. Redes neurais princpios e prtica. 2.ed., Porto Alegre, Bookman.

IVAN, R.; NAVARRO, A.; GHOSH, S. 1998. Nueva fronteira exploratoria en la cuenca
petrolfera del Lago de Maracaibo: Zulia Orienta, Venezuela Occidental. p. 565-582.



34

LANG, W., H. 1986. Correlation with multiple logs. The Log Analyst.

LUTHI, S. M.; BRYANT, I.; VILLAROEL, H. G. 1995. Well log correlation using
backpropagation neural networks. In: CONGRESSO INTERNACIONAL DA
SOCIEDADE BRASILEIRA DE GEOFSICA, 4., Rio de J aneiro, 1995. Anais..., Rio de
J aneiro, SBGf, v.2, p.733-736.

MEJ A, D. P.; KISER, G. D.; MAXIMOWITSCH, B.; YOUNG, G. A. 1988. Geologia de
Venezuela. pag.: I.1 I.23.

PARKER, D. B. 1985. Learning logic: casting the cortex of the human brain in silicon.
Technical Reporter TR-44, Center for Computational Research in Economics and
Management Science.

PIRSON, S. J . 1977. Geologic Well Log Analysis. 2. ed., Houston, Gulf.

RUMELHART, D. E., & J . L. McCLELLAND (eds.). 1986. Parallel Distributed Processing:
explorations in the microstructure of cognition, Vol. 1. Cambridge, MA, MIT Press.

SCHLUMBERGER WELL SERVICES. 1989. Principios/Aplicaciones de la Interpretacin de
Registros. Mexico. p.1-198.

SERRA, O. 1989. Sedimentary Environments from Wireline logs. Schlumberger. 2. ed., p.1-234.

SERRA, O. & ABBOTT, H.T. 1982. The Contribution of logging data to sedimentology and
stratigraphy. In: FALL TECHN. CONF. SPE OF AIME, 55., Analles (paper SPE 9270).