Tese Imageamento Porosidade Perfis

UNIVERSIDADE FEDERAL DO PAR
CENTRO DE GEOCINCIAS
CURSO DE PS-GRADUAO EM GEOFSICA
Tese de Doutorado
IMAGEAMENTO DA POROSIDADE ATRAVS DE PERFIS

GEOFSICOS DE POO.
ANNA ILCA FISCHETTI MIRANDA
BELM
2004
Ao meu filho, Rafael Fischetti

Miranda, com muito amor e carinho. Que
esta tese sirva como estmulo na sua vida
estudantil.
AGRADECIMENTOS
Ao CNPq pelo suporte dado atravs da minha bolsa de doutorado.
Aos meus pais, Giuseppe Fischetti e Maria da Conceio Rocha Fischetti, pelos
incentivos e oportunidades que me propiciaram.
Ao meu marido, Luis Marcos Moura Miranda, pela sua pacincia, tolerncia e apoio nos
momentos mais difceis.
minha irm, Anna Carmela Fischetti Ferreira, pela confiana e apoio.
professora Josefina Irene Pinheiro (in memorian) pela amizade e incentivo.
s professoras Dra. Brgida Ramati Pereira da Rocha (CT/UFPa) e Dra. Valquria
Macedo Gusmo (CT/UFPa) pelas contribuies nesta tese.
Aos membros da banca de defesa de tese, Prof Dr. Mrio Vicente Caputo (CG/UFPa),
Prof Dr. Roberto Clio Limo de Oliveira (CT/UFPa), Prof Dr. Jadir da Conceio da Silva
(DG/UFRJ) e Prof Dr. Antnio Abel Gonzles Carrasquilla (LENEP/UENF), pelas sugestes
feitas esta tese.
Ao meu orientador, Prof Dr. Andr Jos Neves Andrade (CG/UFPa), agradeo a
oportunidade e confiana em mim depositadas em todos estes anos de trabalho. Muito obrigada.
Sumrio
DEDICATRIA...........................................................................................
AGRADECIMENTOS.................................................................................
LISTA DE ILUSTRAES........................................................................
RESUMO......................................................................................................
ABSTRACT..................................................................................................
1 INTRODUO........................................................................................
i
ii
iv
1
2
3
2 GRFICOS DE POROSIDADE.............................................................
2.1 INTRODUO......................................................................................
2.2 PERFIS DE POROSIDADE....................................................................
2.2.1 Perfil de Densidade............................................................................
2.2.1.1 Princpio Ferramental.........................................................................
2.2.2 Perfil Neutrnico................................................................................
2.2.3 Perfil Snico........................................................................................
2.3 GRFICOS DE POROSIDADE.............................................................
2.3.1 Grfico b t ....................................................................................
2.3.2 Grfico N t ....................................................................................
2.3.3 Grfico b N ...................................................................................
3 REDES NEURAIS ARTIFICIAIS..........................................................
3.1 INTRODUO......................................................................................
3.2 O NEURNIO BIOLGICO.................................................................
3.3 O NEURNIO ARTIFICIAL..................................................................
3.4 REDE NEURAL COMPETITIVA..........................................................
3.5 REDE NEURAL DE FUNO DE BASE RADIAL..............................
4 IMAGEAMENTO DA POROSIDADE..................................................
4.1 INTRODUO......................................................................................
4.2 INTERPRETAAO AUTOMTICA DO GRFICO DENSIDADENEUTRNICO..............................................................................................
4.2.1 Perfil de Porosidade...........................................................................
4.3 LINHAS DE CORRELAO.................................................................
4.4 IMAGEAMENTO DA POROSIDADE...................................................
5 CONCLUSES........................................................................................
REFERNCIAS BIBLIOGRFICAS........................................................
APNDICE- Porosity images from well logs...........................
5
5
5
6
6
8
8
10
10
12
13
15
16
17
17
21
23
25
28
31
31
31
33
42
45
51
52
58
Lista de Ilustraes
FIGURAS
Figura 2.1
Figura 2.2
Figura 2.3
Figura 2.4
Figura 2.5
Figura 2.6
Figura 3.1
Figura 3.2
Figura 3.3
Figura 3.4
Figura 3.5
Ferramenta de densidade no interior de um poo. A

ferramenta est separada da parede do mesmo pela
espessura tmc do reboco (modificada de Ellis, 1987)..............
Representao de uma ferramenta de porosidade neutrnica
com dois detetores (modificada de Ellis, 1987)......................
Ferramenta snica padro, em atividade, no interior de um
poo (modificada de Ellis, 1987)............................................
Grfico densidade-snico. Variaes de porosidade nos trs
tipos de rochas reservatrios produzem variaes no tempo
de trnsito da onda compressional e na densidade da
formao..................................................................................
Grfico nutron-snico para determinao da porosidade,
onde pode-se observar uma melhor distribuio das curvas
para a discriminao da litologia............................................
Grfico densidade-neutrnico para a determinao da
litologia e porosidade em litologias simples...........................
Neurnio biolgico exemplificado pela clula piramidal,
comum no crtex cerebral, mostrando os caminhos do fluxo
do sinal (dentritos e axnios), o corpo da clula e, no
detalhe, as microcavidades das ligaes sinpticas
(modificada de Haykin, 2001)................................................
Modelo de um neurnio artificial tpico, onde identifica-se
os seus componentes bsicos, em analogia ao neurnio
biolgico................................................................................
Transformao afim realizada pela introduo do termo k
(potencial limite)....................................................................
Arquitetura de uma rede neural competitiva simples, onde
podemos observar a camada com os ns de entrada e a
camada competitiva...............................................................
Arquitetura de uma rede neural com funo de base radial,
onde podemos observar a camada de entrada, composta por
duas unidades sensoriais, a camada oculta, composta por
quatro neurnios, e a camada de sada, composta por um
neurnio................................................................................
7
9
11
14
15
16
23
24
25
27
30
Figura 4.1
Localizao do Campo de Lagunillas, na Bacia do Lago

Maracaibo e, no detalhe, apresenta-se a coluna estratigrfica
referente Formao Lagunillas, caracterizada pela
seqncia arenito-folhelho, sendo que os arenitos
apresentam diferentes graus de contaminao por argila
(modificada de Talukdar & Marcano, 1994)...........................
Figura 4.2 Grfico b N , obtido a partir do Poo A, onde as cruzes
representam os pares ordenados de entrada ( b , N ) e a linha
azul representa a linha dos arenitos limpos.............................
Figura 4.3 Arquitetura da rede neural competitiva para a obteno do
ponto do folhelho. A camada de entrada composta por
duas unidades sensoriais e a camada competitiva composta
por quatro neurnios...............................................................
Figura 4.4 Posicionamento, aps o treinamento, dos pesos sinpticos
dos quatro neurnios da camada competitiva da rede neural,
representados por crculos verdes, para o estabelecimento do
ponto do folhelho....................................................................
Figura 4.5 Grfico b N , obtido a partir do Poo A, o ponto verde
representa o ponto do folhelho e a linha verde a linha
representativa dos folhelhos, que passa por este ponto..........
Figura 4.6 Arquitetura da rede neural competitiva para a obteno do
zoneamento do perfil. A camada de entrada composta por
duas unidades sensoriais e a camada competitiva composta
por oitenta e dois neurnios competitivos...............................
Figura 4.7 Perfil de porosidade zoneada para o Poo A. Na primeira
faixa temos o perfil de raios gama. Na segunda faixa temos
o perfil de porosidade zoneada para o arenito e na terceira
faixa temos o perfil de porosidade zoneada para o folhelho...
Figura 4.8 Perfil de porosidade zoneada para o Poo B. Na primeira
Figura 4.9 Perfil de porosidade zoneada para o Poo C. Na primeira
Figura 4.10 Arquitetura de rede neural de funo de base radial (RBF)
para determinao das linhas de correlao............................
Figura 4.11 Conjunto de treinamento da rede neural de funo de base
radial para a determinao das linhas de correlao.
Destacado pela linha amarela tracejada, temos o intervalo de
treinamento utilizado..............................................................
32
33
35
35
36
37
39
40
41
42
Figura 4.12
Figura 4.13
Figura 4.14
Figura 4.15
Figura 4.16
Figura 4.17
radial para a determinao das linhas de correlao.

Destacado pela linha amarela tracejada, temos o intervalo de
treinamento utilizado..............................................................
Perfis de raio gama natural dos Poos A, B e C mostrando
as linhas de correlao estabelecidas para a primeira camada
de folhelho, atravs do processamento da rede neural de
funo de base radial...............................................................
Arquitetura de rede neural de funo de base radial para a
determinao da porosidade nos perfis interpolados............
Visualizao do processo de interpolao da porosidade
adotado pelo algoritmo interpretativo. Em vermelho tm-se
os perfis de porosidade originais. Em azul mostra-se o
primeiro perfil de porosidade interpolado...............................
Interpolao de perfis realizada pela rede neural de funo
de base radial para a determinao do imageamento da
porosidade. Os perfis em vermelho so referentes aos Poos
A, B e C. Em azul temos os perfis interpolados......................
Imageamento da porosidade mostrando as suas variaes
laterais...................................................................................
Imageamento da porosidade. A variao das cores
representa a distribuio dos valores da porosidade ao longo
da seo...................................................................................
43
44
46
47
48
49
50
RESUMO
O imageamento da porosidade uma representao grfica da distribuio lateral da

porosidade da rocha, estimada a partir de dados de perfis geofsicos de poo. Apresenta-se aqui
uma metodologia para produzir esta imagem geolgica, totalmente independente da interveno
do intrprete, atravs de um algoritmo, dito, interpretativo baseado em dois tipos de redes neurais
artificiais. A primeira parte do algoritmo baseia-se em uma rede neural com camada competitiva
e construdo para realizar uma interpretao automtica do clssico grfico b N , produzindo
um zoneamento do perfil e a estimativa da porosidade. A segunda parte baseia-se em uma rede
neural com funo de base radial, projetado para realizar uma integrao espacial dos dados, a
qual pode ser dividida em duas etapas. A primeira etapa refere-se correlao de perfis de poo e
a segunda produo de uma estimativa da distribuio lateral da porosidade.
Esta metodologia ajudar o intrprete na definio do modelo geolgico do reservatrio e,
talvez o mais importante, o ajudar a desenvolver de um modo mais eficiente as estratgias para o
desenvolvimento dos campos de leo e gs. Os resultados ou as imagens da porosidade so
bastante similares s sees geolgicas convencionais, especialmente em um ambiente
deposicional simples dominado por clsticos, onde um mapa de cores, escalonado em unidades
de porosidade aparente para as argilas e efetiva para os arenitos, mostra a variao da porosidade
e a disposio geomtrica das camadas geolgicas ao longo da seo.
Esta metodologia aplicada em dados reais da Formao Lagunillas, na Bacia do Lago
Maracaibo, Venezuela.
ABSTRACT
Porosity images are graphical representations of the lateral distribution of rock porosity
estimated from well log data. We present a methodology to produce this geological image
entirely independent of interpreter intervention, with an interpretative algorithm approach, which
is based on two types of artificial neural networks. The first is based on neural competitive layer
and is constructed to perform an automatic interpretation of the classical b N cross-plot,
which produces the log zonation and porosity estimation. The second is a feed-forward neural
network with radial basis function designed to perform a spatial data integration, which can be
divided in two steps. The first refers to well log correlation and the second produces the
estimation of lateral porosity distribution.
This methodology should aid the interpreter in defining the reservoir geological model,
and, perhaps more importantly, it should help him to efficiently develop strategies for oil or gas
field development. The results or porosity images are very similar to conventional geological
cross-sections, especially in a depositional setting dominated by clastics, where a color map
scaled in porosity units illustrates the porosity distribution and the geometric disposition of
geological layers along the section.
The methodology is applied over actual well log data from the Lagunillas Formation, in
the Lake Maracaibo basin, located in western Venezuela.
1 INTRODUO
Atualmente, muitos estudos tm mostrado a aplicabilidade e eficincia das redes neurais
artificiais em resolver um grande nmero de problemas geofsicos (Andrade & Luthi, 1997;
Crocker et al., 1999; Fischetti & Andrade, 1999; Fitzgerald et al., 1999; Ali & Chawathe, 2000;
Banchs & Michelena, 2000; Chang et al., 2000; Jamialahmadi & Javadpour, 2000). Um ponto em
comum na maioria destes trabalhos a necessidade da interveno do intrprete no
processamento das redes neurais, apresentando a resposta certa durante a fase de treinamento
(Vander Baan & Jutten, 2000).
Neste trabalho introduzimos o conceito de algoritmo interpretativo, o qual deve integrar
toda a informao disponvel da geologia e geofsica de poo para produzir uma interpretao
autnoma e geologicamente plausvel destes dados em uma escala regional.
Aplica-se este conceito para um problema geolgico de interpretao de perfis de poo. O
objetivo obter o imageamento da porosidade ou uma seo representativa da distribuio lateral
da porosidade da rocha em subsuperfcie. Este algoritmo interpretativo realiza uma eficiente
integrao dos dados dos perfis de poo com os procedimentos clssicos da interpretao dos
perfis atravs das redes neurais artificiais.
Convencionalmente, problemas geolgicos de interpretao de perfis requerem um alto
grau de experincia do intrprete (Luthi, 2001). Todavia, mostra-se que o algoritmo interpretativo
pode simular os processos de deciso envolvidos neste tipo de problema, particularmente em um
ambiente deposicional dominado por clsticos (arenitos e folhelhos) e onde os processos
diagenticos ainda no tenham produzido grandes diferenas entre as vrias partes do campo.
Apresentamos a aplicao da metodologia sobre dados reais da Formao Lagunillas, na
Bacia do Lago Maracaibo, Venezuela. A evoluo geolgica da Bacia do Lago Maracaibo,
relevante para o desenvolvimento de sistemas petrolferos, inclui sedimentao e tectnica e vo
do Cretceo ao Holoceno. A Formao Lagunillas derivada do inferior e mdio Mioceno,
consistindo de arenitos, folhelhos e carvo depositados em ambientes que variam de fluviais a
deltaicos (Talukdar & Marcano, 1994).
Esta tese est estruturada na seguinte forma:
No Captulo 2 apresenta-se o embasamento da Geofsica de Poo necessrio para a

compreenso do trabalho realizado.
No Captulo 3 apresenta-se um resumo das redes neurais artificiais, enfatizando as redes
neurais com camada competitiva e de funo de base radial, que foram as utilizadas neste
trabalho.
No Captulo 4 mostra-se a metodologia desenvolvida nesta tese para a obteno do
imageamento da porosidade. V-se tambm o funcionamento de cada parte do algoritmo
interpretativo e mostram-se os resultados obtidos em cada etapa do processamento. Mostra-se,
ainda, a imagem da porosidade para dados reais de origem venezuelana.
Nas Concluses destaca-se a adequabilidade, eficincia e ineditismo do mtodo aplicado,
apresentando novas idias que iro refinar a metodologia apresentada.
2 GRFICOS DE POROSIDADE
2.1 INTRODUO
A porosidade a propriedade petrofsica caracterstica e peculiar das rochas sedimentares
tipo reservatrio, que expressa a frao do volume total da rocha que pode ser ocupado por um
fluido. Assim, a porosidade a propriedade que qualifica a capacidade armazenadora de um
reservatrio. A sua determinao, atravs dos perfis geofsicos, no uma tarefa fcil e imediata,
quando consideram-se as mltiplas possibilidades de composio e arranjo dos gros nas rochas
sedimentares. Normalmente, um nico perfil, na maioria das situaes, incapaz de proporcionar
uma estimativa confivel da porosidade, em funo das diversas formas de interao entre a
constituio da rocha e a propriedade fsica mensurada pelas ferramentas. Assim, comum a
utilizao de mais de um perfil para a sua determinao.
A descrio litolgica, clssica da geologia, geralmente inclui, em adio ao mineral
principal, a indicao da presena de vrios outros minerais chamados acessrios; no entanto para
o objeto da geofsica de poo bastam os minerais principais componentes das rochas reservatrio.
Pode-se incluir ainda, a depender do tipo de grfico de porosidade, rochas como a anidrita, a
halita, a gipsita e outras rochas evaporticas. Para os gelogos, esta lista bastante limitada, mas
suficiente para a soluo do problema geofsico da estimativa da porosidade em uma dada
profundidade, cuja matriz seja desconhecida.
Uma das formas eficientes para a determinao conjunta da litologia e da porosidade a
utilizao dos, assim chamados, grficos de porosidade. Em um plano conveniente que possui
como eixos dois perfis de porosidade, lanada a soluo da equao de Willye para uma dada
litologia (Ellis, 1987). Neste tipo de interpretao, o termo matriz utilizado para designar os
principais tipos de rocha reservatrio: arenito, calcrio e dolomita.
2.2 PERFIS DE POROSIDADE

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

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

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

A fonte de raios gama normalmente utilizada o Csio (Cs137) , o qual emite raios gama
com uma energia de 662 KeV, bem abaixo do limite para a ocorrncia do efeito de Produo de
Par. Este istopo tem uma meia vida de cerca de trinta anos, o que d uma estabilidade na
intensidade do feixe energtico, durante um perodo de tempo considervel. Algumas ferramentas
utilizam o Cobalto (Co60), que emite raios gama de diferentes energias: 1332 e 1173 KeV.
O poo bombardeado por um fluxo de raios gama produzido por uma fonte que se
encontra no interior da ferramenta. Um cintilmetro, montado no mesmo corpo ferramental e
protegido da radiao direta da fonte, registra o fluxo de raios gama difundido pela formao. O
sinal observado relacionado com a densidade da formao, uma vez que ele representativo do
nmero de raios gama que foram desviados de sua trajetria original, no interior da formao.
Assim, quanto menor for o fluxo de raios gama detectados, maior o nmero de eltrons
(densidade eletrnica) responsveis pela mudana na trajetria dos raios gama pelo Efeito
Compton, o que implica em um maior nmero de tomos por unidade de volume. Infelizmente, a
ferramenta de densidade no responde diretamente densidade da rocha, mas sim ao nmero de
eltrons por unidade de volume da mesma, ou seja, a densidade eletrnica. Ento, uma correo
aplicada internamente, calibrando-se a ferramenta para o calcrio saturado com gua doce, visto
atravs da equao (2.1),
b = 1.0704 e 0.188 ,
(2.1)
a qual produz valores de densidade com preciso de 0.0001 g/cc nas litologias mais comuns.
As ferramentas antigas consistiam de uma fonte de raios gama e um nico detetor.
Entretanto, para eliminar o efeito da lama/reboco sobre as leituras do perfil, as ferramentas
modernas (Figura 2.1) incorporaram dois detetores, geralmente ambos de NaI(Tl), que esto
colocados em um tubo, que os protege da radiao direta proveniente da fonte. O detetor prximo
mais influenciado pelo reboco (ou lama, se estiver em zonas desmoronadas) do que o detetor
afastado, mais afetado pela formao.
Reboco
Formao
Detetor
afastado
________
Detetor
____
prximo
________
________
Fonte
_
Figura 2.1: Ferramenta de densidade no interior de um poo. A ferramenta est separada da

parede do mesmo pela espessura t mc do reboco (modificada de Ellis, 1987).
Com estas duas leituras, em diferentes profundidades de investigao, acrescida da medida

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

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

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

E < 0.025 eV
As ferramentas neutrnicas modernas, Figura 2.2, so constitudas por uma fonte de

nutrons e dois ou mais detetores. As principais fontes em uso so constitudas por
226
241
Ra88
. Be49 , Pu88239 . Be49 e Am95
. Be49 , e foram projetadas para a emisso de nutrons rpidos. A
fonte emite nutrons rpidos, os quais penetram nas camadas adjacentes ao poo. Atravs das
sucessivas e mltiplas colises elsticas, os nutrons perdem parte da energia com que foram
injetados. Esta perda de energia depende da massa relativa ou seo de choque do ncleo com o
qual o nutron colide. A maior quantidade de perda energtica ocorre, justamente, quando os
nutrons se chocam com ncleos de massa praticamente igual sua, portanto, com o ncleo de
hidrognio.
Poo
Formao
Detetor
afastado
Detetor
prximo
Fase
termal
Fonte de
nutrons
Fase
moderada
Figura 2.2: Representao de uma ferramenta de porosidade neutrnica com dois detetores
(modificada de Ellis, 1987).
A deteco da radioatividade e o conseqente produto final, o perfil, dependem do tipo de
detetor utilizado, visto que dependendo do modelo, eles captam nutrons que variam de termais a
epitermais; lembrando sempre que o amortecimento do nvel energtico dos nutrons rpidos,
depende da quantidade de hidrognio, por unidade de volume, das camadas prximas s paredes
do poo. Na interpretao do perfil neutrnico deve-se estar atento para perturbaes inerentes ao
ambiente da perfilagem, tais como o efeito da argila, matriz e gs sobre a ferramenta.
Em zonas portadoras de gs ou hidrocarbonetos leves (condensados), ocorre a reduo da
quantidade de tomos de hidrognio por unidade de volume, produzindo a diminuio do valor da
porosidade nessas zonas. Na situao de gs, as ferramentas de densidade e snico no sofrem
influncia pela reduo da densidade de hidrognio. Este comportamento propicia a indicao
imediata das zonas de gs, a partir do cruzamento da curva de porosidade neutrnica com a curva
de porosidade estimada pelos perfis de densidade ou snico.
2.2.3 Perfil Snico

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

A ferramenta snica convencional mede o tempo de trnsito das ondas compressionais, na
rocha vizinha ao poo, por meio de uma sonda composta por um transmissor e dois receptores
(Figura 2.3). O impulso sonoro emitido com uma freqncia constante, pelo transmissor,
propaga-se nas camadas at vir a ativar sucessivamente dois receptores localizados, a distncias
fixas e pr-determinadas, na sonda de perfilagem.
Mede-se, portanto, no o tempo gasto pelo som para atingir ambos receptores, mas sim o
tempo gasto no percurso entre os mesmos. Em outras palavras, mede-se uma diferena de tempo
de propagao (tempo de trnsito), que expressa em microssegundos por p de formao
( s / ft ).
Poo
Formao
Onda
cisalhante
Onda
compressional
Figura 2.3: Ferramenta snica padro, em atividade, no interior de um poo (modificada de Ellis,
1987).
Os transmissores e os receptores consistem de transdutores feitos de cristais, cermicas ou
bobinas magnticas, que possuem a funo de produzir uma deformao mecnica em resposta a
um sinal eltrico (transmissor) ou produzir um sinal eltrico quando ele se deforma (receptor).
2.3 GRFICOS DE POROSIDADE

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

das medidas realizadas por, pelo menos, duas ferramentas, na forma de um sistema linear com
duas equaes e duas incgnitas, ou seja,
P1 = P1f + (1 ) P1m
.
P2 = P2 f + (1 )P2 m
(2.3)
A soluo do sistema de equaes (2.3) obtida separadamente para cada uma das
litologias caractersticas das rochas reservatrio, na forma P1=f(P2), onde f representa uma funo
linear. A obteno de cada reta d-se pela substituio, no sistema (2.3), dos valores
caractersticos da matriz (Tabela 2) e da gua, com a subseqente eliminao da porosidade. A
representao grfica desta soluo vista nos chamados grficos de porosidade, onde cada reta
escalonada em valores de porosidade, possibilitando assim uma avaliao conjunta da litologia e
da porosidade para um par ordenado das medidas provindas de dois perfis de porosidade, a uma
mesma profundidade.
Tabela 2: Propriedades fsicas da matriz.
t m ( s / ft )
bm ( g / cm3 )
Nm (%)
MATRIZ
Quartzo
55.5
2.65
-0.02
Calcita
47.5
2.71
Dolomita
43.5
2.86
0.04
2.3.1 Grfico b t
o grfico que mostra a resposta da associao entre as ferramentas de densidade e snica
para as litologias mais comuns, considerando gua doce nos poros, como mostrado pelo sistema
de equaes (2.4),
b = bw + (1 ) bm
t = t w + (1 )t m
(2.4)
na qual b representa a densidade da rocha lida no perfil, a porosidade, bw a densidade da

gua, bm a densidade da matriz, t o tempo de trnsito lido no perfil, t w o tempo de
trnsito na gua e t m o tempo de trnsito na matriz. A soluo deste sistema de equaes
mostrada na Figura 2.4, para cada uma das trs litologias que compem as rochas reservatrios.
1.9
2
2.1
2.2
2.3
2.4
2.5
2.6
2.7
2.8
2.9
40
50
60
70
80
90
100
110
120
Figura 2.4: Grfico densidade-snico. Variaes de porosidade nos trs tipos de rochas
reservatrios, produzem variaes no tempo de trnsito da onda compressional e na
densidade da formao. A reta azul representa o calcrio, a vermelha representa o arenito e
a verde representa a dolomita.
2.3.2 Grfico N t
Este grfico a representao da soluo do sistema de equaes (2.5), utilizando os perfis
neutrnico ( N ) e snico ( t ), para cada uma das litologias mais comuns nas rochas
sedimentares.
N = Nw + (1 ) Nm
.
t = t w + (1 ) t m
(2.5)
Na equao (2.5), N representa o valor da porosidade neutrnica lido no perfil, a

porosidade, Nw a porosidade neutrnica na gua, Nm a porosidade neutrnica na matriz
rochosa, t o tempo de trnsito lido no perfil, t w o tempo de trnsito na gua e t m o
tempo de trnsito na matriz. Devido ao efeito da matriz, percebido pela ferramenta neutrnica, as
trs curvas possuem agora uma maior separao entre elas, como mostra a Figura 2.5.
120
110
100
90
80
70
60
50
40
-0.1
-0.05
0.05
0.1
0.15
0.2
0.25
0.3
0.35
0.4
N
Figura 2.5: Grfico neutrnico-snico para determinao da porosidade, onde pode-se
observar uma melhor distribuio das curvas para a discriminao da litologia. A reta
vermelha representa o arenito, a azul representa o calcrio e a verde representa a dolomita.
2.3.3 Grfico b N
O grfico b N (densidade-neutrnico), Figura 2.6, o grfico padro para a
interpretao de misturas binrias. Neste caso, a densidade da rocha expressa como uma funo
da porosidade aparente do calcrio. Este grfico a representao da soluo do sistema de
equaes 2.6.
b = bw + (1 ) bm
.
N = Nw + (1 ) Nm
(2.6)
No sistema (2.6), b representa a densidade da rocha lida no perfil, a porosidade, bw

a densidade da gua, bm a densidade da matriz, N o valor da porosidade neutrnica lido
no perfil, Nw a porosidade neutrnica na gua e Nm a porosidade neutrnica na matriz
rochosa.
1. 9
2. 1
2. 2
2. 3
2. 4
2. 5
2. 6
2. 7
2. 8
2. 9
-0.1
-0.05
0. 05
0. 1
0. 15
0. 2
0. 25
0. 3
0. 35
0. 4
Figura 2.6: Grfico densidade-neutrnico para a determinao da litologia e porosidade em

litologias simples. A reta vermelha representa o arenito, a azul representa o calcrio e a verde a
dolomita.
3 REDES NEURAIS ARTIFICIAIS

3.1 INTRODUO
Por vrias dcadas a cincia tem alcanado um considervel progresso no
desenvolvimento de mquinas ditas inteligentes. Essas mquinas seriam destinadas a executar
tarefas com a habilidade de poder aperfeioar, no tempo, as suas prprias operaes. Entre as
tecnologias empregadas para alcanar esse objetivo pode-se citar a matemtica biofsica, a
ciberntica, a automtica, a biociberntica, a teoria geral de sistemas, os sistemas autoorganizativos, a inteligncia artificial, a cincia cognitiva e os sistemas neurais artificiais,
tambm conhecidos por redes neurais artificiais.
A criao de algoritmos para os sistemas neurais motivada pelo reconhecimento de que
o crebro humano trabalha de forma inteiramente diferente que os computadores digitais
convencionais, operando sob algoritmos seqenciais (Haykin, 2001). Assim, a idia fundamental
das redes neurais artificiais a de simular, por meio de algoritmos, o comportamento do crebro
humano, quando este trabalha na soluo de problemas triviais, mas que apresentam um
tratamento bastante complexo e oneroso nos computadores convencionais.
A histria das redes neurais artificiais tem como marco inicial o ano de 1943, quando
Warren Mcculloh, um neurofisiologista, e Walter Pitts, um matemtico de apenas 18 anos de
idade, escreveram um artigo intitulado about how neurons might work (Mcculloh & Pitts,
1943). Eles modelaram uma rede neural simples com circuitos eltricos. Dessa forma, eles
conseguiram montar o primeiro modelamento matemtico de uma rede neural, que era capaz de
processar dados, mas no era capaz de aprender com estes dados.
Seis anos depois, em 1949, uma outra grande contribuio foi dada para o crescimento
das redes neurais artificiais por Donald Hebb, quando tornou pblico o livro denominado The
organization of behavior (Hebb, 1949), onde o mesmo props um esquema de aprendizagem
para atualizao das conexes entre neurnios, resultando na elaborao da regra que hoje
conhecida como regra de aprendizagem de Hebb.
Na dcada de cinqenta, com os aperfeioamentos em hardware e software, os
computadores de segunda gerao foram construdos e deu-se tambm nessa poca a primeira
construo fsica de uma rede neural artificial, por Edmonds e Minsky (Minsky, 1954). Ainda
nessa dcada, McClelland defende a idia de que a representao do conhecimento no crebro
faz-se de maneira distribuda (McClelland, 1986). Deste modo, a responsabilidade de armazenar

um determinado conceito no fica a cargo de uma nica unidade, mas sim de um grupo de
unidades (neurnios).
Pesquisadores do laboratrio de pesquisa da IBM conduziram uma simulao em
software de um mo delo de rede neural baseado no trabalho de Hebb, em 1950. A primeira
tentativa falhou, mas com a colaborao de Hebb e outros, adaptaes foram feitas com sucesso.
Nos anos seguintes, John Von Newmann escrevendo material para seu livro The
Computer and the Brain (Von Newmann, 1958), faz sugestes de imitar-se as funes de um
simples neurnio, usando rels de telgrafo e vlvulas eletrnicas. Frank Rosenblatt (Rosenblatt,
1958) apresenta o Perceptron , um modelo de rede neural que prometeu bastante, na medida
em que era capaz de aprender padres e generalizar a partir dos padres aprendidos, pela
modificao dos pesos das conexes. Esta idia foi uma das maiores contribuies teoria de
redes neurais artificiais, servindo como base para os algoritmos de aprendizagem que hoje so
estudados.
Em 1959, Bernard Widrow e Marcian Hoff (Stanford) desenvolveram os modelos de rede
ADALINE e MADALINE (Multiple ADAptive LINear Elements) (Widrow & Hoff, 1960). Esta
foi a primeira rede neural no mundo aplicada um problema real: filtros adaptativos para
eliminar ecos (rudos) sobre os sinais telefnicos. Eles introduziram uma nova regra de
aprendizagem chamada Widrow-Hoff learning rule (Widrow & Hoff, 1966). Essa regra
minimizava o somatrio dos quadrados dos erros, durante o treinamento envolvendo
classificao de padres. Mais tarde a ADALINE foi usada com sucesso para o processamento
adaptativo de sinais (Widrow et al., 1963; Widrow et al., 1973; Widrow et al., 1975; Widrow &
Stearns, 1985), sistemas de controle (Widrow & Smith, 1964; Widrow, 1988), e sistemas
adaptativos de antena (Widrow et al., 1967).
Steinbuch, em 1961, foi um dos primeiros pesquisadores a desenvolver o mtodo da
codificao da informao em um sistema neural artificial. O mtodo foi aplicado a problemas,
tais como: reconhecimento de caracteres altamente distorcidos escritos mo, diagnsticos de
falhas mecnicas e etc. (Steinbuch & Piske, 1963; Steinbuch & Zendeh, 1963).
Apesar dos vrios sucessos obtidos e entusiasmo dos pesquisadores no incio e meados da
dcada de 60, houve um esfriamento corrida das redes neurais artificiais. Com a publicao do
livro Perceptrons, por Minsky & Papert (Minsky & Papert, 1969), aumentaram-se as dvidas
a respeito do potencial das redes neurais. Nesta obra, os autores provam, formalmente, a
incapacidade dos perceptrons de aprenderem funes como, por exemplo, um simples XOR.
Mostram tambm a existncia de mximos e mnimos locais que poderiam ser encontrados
durante o processo de aprendizagem e que certamente conduziriam um processo de
aprendizagem insatisfatrio.
Mesmo com o ritmo desacelerado das pesquisas em redes neurais artificiais, a rea de
inteligncia artificial continuou sendo alvo dos pesquisadores. Um dos maiores pesquisadores e
que mais influenciou nas pesquisas de redes neurais artificiais, da dcada de 60 at os dias atuais,
Stephen Grossberg (Boston University). Em 1964, Stephen Grossberg estudou exaustivamente
os processos psicolgicos (mente), biolgicos (crebro) e fenmenos do processamento da
informao humana, unindo-os dentro de uma teoria unificada (Grossberg, 1964). Ele divulgou
vrios estudos sobre o paradigma das redes neurais artificiais, analisando formalmente aspectos
do modelo de aprendizagem por competio (Grossberg, 1970; 1972; 1973; 1978 e 1987), teoria
da ressonncia adaptativa (Grossberg, 1976), implementao binria (Carpenter & Grossberg,
1986; 1987) e implementao analgica (Carpenter & Grossberg, 1987).
Com o passar dos anos muitos outros pesquisadores continuavam a trabalhar na teoria de
sistemas neurais artificiais. Shun-Ichi Amari um desses pesquisadores. Ele realizou estudos
sobre a aprendizagem competitiva em redes e da teoria matemtica das redes neurais (Amari,
1977; 1983). Kumihiko Fukushima tambm contribui para o avano tecnolgico das redes
neurais artificiais. Em seu mais notvel trabalho desenvolveu uma classe de redes neurais
chamada de neocognitron (Fukushima et al., 1983), aplicada ao reconhecimento de padres
visuais.
A partir da dcada de 70, Tuevo Kohonen realizou pesquisas em memria associativa
(Kohonen, 1984). Paralelamente outros pesquisadores como Anderson (Anderson et al., 1977) e
Steinbuch tambm o fizeram. Nesta mesma dcada Rumelhart & McClelland combinando seus
esforos, inspirados pelo sistema de reconhecimento de voz "HEARSAY" da Universidade de
Stanford, comearam seus trabalhos investigando as redes neurais artificiais pela formulao de
um modelo semi-paralelo do processo mental. Posteriormente, Rumelhart & McClelland (1986)
estenderam suas pesquisas para outras arquiteturas de redes neurais artificiais. Usaram o
Processamento Paralelo e Distribudo (PDP) para descreverem seus trabalhos. Eles formaram um
grupo de pesquisadores dedicados a estudar a estrutura mental da cognio. Os esforos do grupo
de pesquisa PDP removeram a maior barreira existente para o treinamento de redes, atravs da
introduo de novos conceitos e regras de aprendizagem.
A partir da dcada de 80 as redes neurais artificiais j mostravam grande parte do seu
potencial. Em 1982, o interesse em redes neurais artificiais uma vez amadurecido, foi renovado.
E vrios eventos convergiram para fazer desta o piv central do ano. Partiu-se ento,
decisivamente, para a rea da aplicao prtica. Robert Hecht-Nielsen, fundador de um programa
de pesquisas sobre neurocomputao, construiu dois neurocomputadores dedicados ao
paradigma das redes neurais artificiais, contribuindo de forma significativa em vrios aspectos:
engenharia, pesquisas, instruo e comercializao. Como instrutor, foi um dos primeiros a
oferecer um curso que apresentava o teorema que prev a convergncia do algoritmo
backpropagation para uma larga faixa de mapeamento e como empresrio, formou sua prpria
companhia dedicada a por em prtica aplicaes reais de Sistemas Neurais Artificiais (HechtNielsen, 1987).
A partir de ento, vrios programas de redes neurais artificiais foram desenvolvidos. John
Hopfield apresentou seu artigo sobre redes neurais artificiais Academia Nacional de Cincias
dos Estados Unidos, mostrando que as redes neurais podiam encontrar mnimos de energia e,
com isso, dar solues a complicados problemas de otimizao. A partir da anlise global feita
por Hopfield, criou-se um grande interesse em aplicaes ao paradigma das redes neurais
artificiais. A lista das aplicaes que podem ser resolvidas pelo uso das redes neurais artificiais
cresceu a partir da resoluo de pequenos problemas para grandes aplicaes prticas.
A histria das redes neurais artificiais embora tenha tido os seus momentos de crdito e
descrdito, prevaleceu a perseverana dos pesquisadores em busca de conhecimentos, indo cada
vez mais longe. Podemos dizer que esta histria est apenas em seu primeiro estgio de
desenvolvimento. Conhecer suficientemente bem a inteligncia e ser capaz de construir o seu
modelo de trabalho, certamente o mais excitante problema de desafio da raa humana
(McCordock, 1979).
3.2 O NEURNIO BIOLGICO

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

de seus dentritos. A comunicao de um neurnio com o mundo externo depende da funo do
neurnio dentro do circuito neural. Se o neurnio estiver no nvel de entrada, ou seja, for uma
unidade que recebe os estmulos do mundo exterior, como por exemplo os neurnios da retina,
no circuito da viso, a comunicao, pelo lado da entrada de estmulos (dentritos), feita atravs
de sua sensibilidade ao mundo exterior. Nesse caso, os neurnios que recebem os estmulos no
nvel de entrada, so algumas vezes denominados de sensores nervosos.
A comunicao interna entre neurnios realizada atravs de sinapses, as quais so
aberturas microscpicas, que relacionam dois neurnios. O impulso move-se do primeiro
neurnio, que inicia um impulso no segundo e assim sucessivamente. Estes impulsos propagamse somente em uma nica direo, variando na razo de 10 120 metros por segundo. A
seqncia a seguinte: o fim de uma fibra nervoso (axnio) estimulado at o limiar ou acima
de sua sensibilidade; iniciam-se as trocas qumicas e eltricas, que so os impulsos. O impulso,
ento, estende ao fim da fibra nervosa e pode induzir um impulso em outra clula nervosa,
eventualmente resultando na ativao ou inibio fisiolgica desse neurnio, a depender de seu
nvel particular de ativao.
Contatos
Coluna dentrtica
sinpticos
Contatos
sinpticos
Dentritos
apicais
Trecho
de um dentrito
Corpo da
clula
Dentritos
basais
Axnio
Terminais
sinpticos
Figura 3.1: Neurnio biolgico exemplificado pela clula piramidal, comum no crtex cerebral,
mostrando os caminhos do fluxo do sinal (dentritos e axnio), o corpo da clula e, no detalhe, as
microcavidades das ligaes sinpticas (modificada de Haykin, 2001).
3.3 O NEURNIO ARTIFICIAL

O neurnio artificial a unidade processadora fundamental para a computao das redes
neurais artificiais. A Figura 3.2 mostra um modelo de um neurnio artificial tpico, onde
identificam-se os seus trs componentes bsicos:
1. Dentritos, representados pelo vetor de entrada. As sinapses, formadas por um especificado
conjunto de valores (pesos). A existncia de uma conexo entre dois neurnios quaisquer i e j
caracterizada por um peso wij , onde os subndices i e j representam o ponto de chegada e o
ponto de partida, respectivamente, de um sinal que percorre a rede. Podemos distinguir dois
tipos de sinapses:
a) Sinapse excitatria, onde wij > 0

b) Sinapse inibitria, onde wij < 0
Funo
de
ativao
Sada
Sinal
de
entrada
Pesos
Sinpticos
Potencial
limite
Figura 3.2: Modelo de um neurnio artificial tpico, onde identificam-se os seus componentes
bsicos, em analogia ao neurnio biolgico.
2. Ncleo, constitudo por dois elementos:

2.1. O somador, que produz uma combinao linear entre os sinais de entrada e os pesos
sinpticos.
2.2.
A funo de ativao, responsvel pela limitao da amplitude do sinal de sada do

neurnio. A amplitude est comumente no intervalo fechado de [0,1] ou [-1,1].
3. Axnio, representado pelo sinal de sada yk .

O modelo do neurnio artificial, inclui tambm um parmetro externo i , o qual um
valor limite ou valor limiar (treshold), que deve ser excedido para que o neurnio produza um
sinal de sada eficaz.
Matematicamente, pode-se descrever o estado de um neurnio k, em um instante
qualquer, atravs do seguinte par de equaes
N
uk = wkj x j
j =1
(3.1)
y k = ( u k k )
(3.2)
onde, de acordo com a Figura 3.2, x1 , x2 , ..., xN so os sinais de entrada de todos os N neurnios
conectados ao neurnio k. wk 1 , wk 2 ,..., wkN so os pesos sinpticos das conexes que chegam ao
neurnio k. Na equao 3.2, representa a funo de ativao responsvel pela forma de
quantizao do sinal de sada ( yk ) , em um intervalo fechado pr-determinado. A utilizao de
um valor limite, k , possui o efeito de aplicar uma transformao afim (Figura 3.3) sobre uk ,
como mostra a equao (3.3), para o nvel de atividade Pk .
Pk = uk k
Pk
(3.3)
< 0
= 0
> 0
uk
Figura 3.3: Transformao afim realizada pela introduo do termo k (potencial limite).
3.4 REDE NEURAL COMPETITIVA

Na aprendizagem competitiva, como o nome implica, os neurnios da rede neural
competem entre si para que apenas um deles esteja ativo. Neste tipo de rede, somente um nico
neurnio de sada est ativo em um determinado instante. essa caracterstica que torna a
aprendizagem competitiva muito adequada para descobrir caractersticas estatisticamente
relevantes, que podem ser utilizadas para classificar um conjunto de padres de entrada. Existem
trs elementos bsicos na regra de aprendizagem competitiva (Rumelhart & Zisper, 1985):
Um conjunto de neurnios que so todos iguais entre si, exceto por alguns pesos
sinpticos distribudos aleatoriamente, e que por isso respondem diferentemente a
um dado conjunto de padres de entrada.
Um limite imposto sobre a fora de cada neurnio.
Um mecanismo que permite que todos os neurnios compitam pelo direito de

responder a um dado subconjunto de entradas, de forma que somente um neurnio,
ou somente um neurnio por grupo particular, esteja ativo (i.e. ligado ) em um
determinado instante. O neurnio que vence a competio denominado de
neurnio vencedor.
Correspondentemente, os neurnios individuais da rede aprendem a se especializar em

agrupamentos de padres similares; fazendo isso, eles se tornam detetores de caractersticas para
classes diferentes de padres de entrada.
Na forma mais simples de aprendizagem competitiva, Figura 3.4, a rede neural tem uma
nica camada de neurnios competitivos, estando cada neurnio totalmente conectado aos ns de
entrada e aos outros neurnios da camada por meio dos pesos sinpticos, que sero modificados
no processo de treinamento da rede.
Na aprendizagem competitiva, os neurnios competitivos competem entre si por cada
dado de entrada, para produzir um neurnio vencedor que carregar o sinal de sada. A cada
instante de tempo, somente um neurnio competitivo est ativo (Haykin, 2001). Assume-se o
sinal de sada, para o neurnio vencedor, como sendo 1 (um) e o sinal de sada de todos os outros
neurnios competitivos sendo 0 (zero). A aprendizagem competitiva mais comum utiliza as
regras de Kohonen (Kohonen, 1989), onde o neurnio competitivo que mais se assemelha ao
vetor de entrada ganha a competio, e tem seus pesos sinpticos movidos para prximo do vetor
de entrada. Ento, cada neurnio competitivo tem seus pesos sinpticos migrando,
progressivamente, para prximo do grupo dos vetores de entrada. Aps algumas iteraes a rede
se estabiliza, tendo cada neurnio no centro da nuvem que ele representa. Se um neurnio
qualquer no responde um particular vetor de entrada, nenhuma aprendizagem ir acontecer ou,
ento, seus pesos sinpticos no sero alterados.
Figura 3.4: Arquitetura de uma rede neural competitiva simples, onde podemos observar a
camada com os ns de entrada e a camada competitiva.
Para um neurnio k ser o neurnio vencedor, seu potencial de ativao uk para um padro
de entrada especificado x, deve ser o maior entre todos os neurnios da rede. O sinal de sada
yk do neurnio vencedor k colocado em 1 (um); os sinais de sada de todos os neurnios que
perdem a competio so colocados em 0 (zero). Com isso podemos escrever
1, se u k > u j , para todos j, j k
yk =
caso oposto
0,
(3.4)
onde o potencial de ativao uk representa a ao combinada de todas as entradas diretas e

realimentadas do neurnio k.
Considere que wkj represente o peso sinptico conectando o n de entrada j ao neurnio k.
Suponha que a cada neurnio seja alocada uma quantidade fixa de peso sinptico (i.e., todos os
pesos sinpticos so positivos), que distribuda entre seus ns de entrada, ou seja,
kj
=1, para todo k .
(3.5)
Um neurnio, ento, aprende ao deslocar pesos sinpticos de seus ns de entrada inativos

para os seus ns ativos. Se um neurnio no responde a um padro de entrada particular, ento
no ocorrer aprendizado naquele neurnio. Se um neurnio particular vencer a competio,
ento cada n de entrada deste neurnio libera uma certa proporo de seu peso sinptico e este
peso liberado ser, ento, distribudo uniformemente entre os ns de entrada ativos. De acordo
com a regra de aprendizagem competitiva padro, a variao wkj aplicada ao peso sinptico wkj
definida por
( x j wkj ), se o neuronio k vencer
wkj =
0
, se o neuronio k perder
(3.6)
onde o parmetro taxa de aprendizagem. Esta regra tem o efeito global de mover o vetor de
peso sinptico w k do neurnio vencedor k em direo ao padro de entrada x.
A anlise dos dados realizada por este tipo de rede neural comumente chamada de
esquema descobridor de caractersticas, o qual realiza a separao em nuvens ou quantizao do
espao de entrada (Saggaf & Nebrija, 2000) e pode ser utilizada para detectar padres
estatisticamente significantes no espao de entrada e classific-los (Haykin, 2001).
3.5 REDE NEURAL DE FUNO DE BASE RADIAL

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

dimenso do espao oculto em uma rede RBF seja alta. Um outro ponto importante, o fato de
que a dimenso do espao oculto est relacionada capacidade da rede de realizar um
mapeamento entrada-sada suave (Mhaskar, 1996; Niyogi & Girosi, 1996); quanto mais alta for a
dimenso do espao oculto, mais precisa ser a aproximao.
As funes transferncia ou funes de base radial, na camada oculta da rede, so
similares funo Gaussiana multivariada
xc
j
j ( x) = exp
2
2 j
onde j refere-se ao j-simo neurnio oculto, x c j
(3.7)
a distncia Euclidiana entre o vetor de
entrada (x) e o centro da funo de base radial (c j ) e j a sua largura.

A camada de sada linear, dando as respostas da rede aos padres de ativao aplicados
na camada de entrada. A operao realizada na camada de sada dada por
N
yk ( x) = wkj j ( x) ,
(3.8)
j =1
onde yk o k-simo neurnio de sada para o vetor de entrada x, wkj o peso sinptico entre o ksimo neurnio de sada e o j-simo neurnio oculto. Neste trabalho, limitaremos nossas
consideraes s funes Gaussianas com largura constante, as quais so as mesmas para todos
os neurnios da camada oculta. O ajuste dos pesos sinpticos, na equao (3.8), realizado
atravs da soluo dos mnimos quadrados, aps a seleo dos centros e largura das funes de
base radial, a partir das amostras do treinamento.
As redes neurais de funo de base radial possuem as mesmas propriedades da rede neural
que utiliza o algoritmo de retro-propagao do erro, tais como generalizao e robustez. Elas, no
entanto, tm a vantagem de possuir uma aprendizagem rpida e habilidade para detectar padres
complexos durante a estimao (Devaraj et al., 2002).
Figura 3.5: Arquitetura de uma rede neural com funo de base radial, onde podemos observar a
camada de entrada, composta por duas unidades sensoriais, a camada oculta, composta por quatro
neurnios, e a camada de sada, composta por um neurnio .
4 IMAGEAMENTO DA POROSIDADE
4.1 INTRODUO
Para obtermos o imageamento da porosidade, construmos um algoritmo interpretativo
composto por trs processos seqenciais envolvendo as redes neurais artificiais. O primeiro
processo toma como entrada os perfis de porosidade neutrnica e densidade para produzir o perfil
de porosidade. Este perfil processado, obtido em um poo de referncia, ir ditar a construo do
conjunto de treinamento necessrio no segundo processo. Este processo recebe como entrada um
conjunto de perfis de poo convencionais (raio gama, densidade, porosidade neutrnica e volume
de argila) e o perfil de porosidade para a obteno das linhas de correlao ou as linhas que iro
mostrar a estratigrafia do reservatrio. Finalmente, o ltimo processo utiliza toda a informao
gerada nos processos anteriores para produzir o imageamento da porosidade ao longo da seo.
Esta metodologia aplicada em trs poos perfilados na formao Lagunillas, na bacia do
Lago Maracaibo, Venezuela. Os poos so mencionados como Poo A, Poo B e Poo C. As
profundidades absolutas e distncias horizontais relativas no so indicadas nas figuras, mas o
deslocamento horizontal relativo entre estes poos e a posio, em profundidade, de cada
intervalo perfilado so mantidos. Na Figura 4.1 mostra-se a localizao do Campo de Lagunillas,
na bacia do Lago Maracaibo e, no detalhe, apresenta-se a coluna estratigrfica referente
Formao Lagunillas, caracterizada pela seqncia arenito-folhelho, sendo que os arenitos
apresentam diferentes graus de contaminao por argila.
4.2
INTERPRETAO
DENSIDADE-NEUTRNICO
AUTOMTICA
DO
GRFICO
Apresentamos neste tpico o perfil de porosidade, que a primeira parte do processo para
a determinao do imageamento da porosidade, obtido atravs da interpretao automtica do
grfico densidade-neutrnico ( b N ). Construmos um algoritmo interpretativo, baseado na
arquitetura das redes neurais competitivas, cujas entradas so compostas pelos perfis de
densidade e neutrnico e a sada o perfil de porosidade, que nos d, concomitantemente, a
litologia e a porosidade de cada trecho do perfil.
Figura 4.1: Localizao do Campo de Lagunillas, na Bacia do Lago Maracaibo e, no detalhe,

apresenta-se a coluna estratigrfica referente Formao Lagunillas, caracterizada pela seqncia
arenito-folhelho, sendo que os arenitos apresentam diferentes graus de contaminao por argila
(modificada de Talukdar & Marcano, 1994).
4.2.1 Perfil de porosidade

O perfil de porosidade composto por uma curva escalonada em unidades de porosidade,
para cada litologia atravessada pelo poo. Construmos um algoritmo interpretativo, baseado na
arquitetura das redes neurais competitivas, para a obteno do perfil de porosidade. Este
algoritmo interpretativo simula a interpretao do grfico b N , o qual recebe como entrada o
perfil de porosidade neutrnica ( N ) e o perfil de densidade ( b ).
Assumimos que o perfil de porosidade neutrnica est calibrado para arenito. Logo, a
linha dos arenitos limpos, no grfico b N , obtido a partir do Poo A, representada por uma
linha reta, com 45 de inclinao, onde cada ponto caracterizado por um par-ordenado ( b , N ),
representa um valor de porosidade para as amostras de arenito limpo (Figura 4.2).
1.9
Linha dos arenitos limpos
2.1
2.2
2.3
2.4
2.5
2.6
2.7
2.8
2.9
-0.1
0.1
0.2
0.3
0.4
0.5
N
Figura 4.2: Grfico b N , obtido a partir do Poo A, onde as cruzes representam os pares
ordenados de entrada ( b , N ) e a linha azul representa a linha dos arenitos limpos.
Cada ponto em profundidade, em cada perfil de entrada, representa um par-ordenado
( b , N ), ou um ponto no plano b N . Se plotarmos estes pontos a partir de um intervalo de
profundidade selecionado, veremos que eles esto arranjados em agrupamentos. A partir do

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

folhelho.
b
Ponto
do folhelho
Figura 4.3: Arquitetura da rede neural competitiva para a obteno do ponto do folhelho. A
camada de entrada composta por duas unidades sensoriais e a camada competitiva composta
por quatro neurnios competitivos.
1 .9
Linha do arenito
2 .1
2 .2
2 .3
2 .4
2 .5
2 .6
2 .7
2 .8
2 .9
-0 . 1
0 .1
0 .2
0 .3
0 .4
0 .5
N
Figura 4.4: Posicionamento, aps o treinamento, dos pesos sinpticos dos quatro neurnios da
camada competitiva da rede neural, representados por crculos verdes, para o estabelecimento do
ponto do folhelho.
Agora somos capazes de produzir o zoneamento e estimar as porosidades de um

determinado intervalo do perfil. Para isso, introduzimos o conceito de linha do folhelho e damos
uma interpretao geolgica ao processamento da rede neural competitiva. Definimos a linha do
folhelho, no grfico b N , como uma linha paralela linha dos arenitos limpos que passa pelo
ponto do folhelho, identificado anteriormente (Figura 4.5). A prxima etapa a associao de um
valor de porosidade a cada neurnio da camada competitiva. Isto significa que assumimos uma
conveniente escala de porosidade e associamos cada par ordenado ( N , b ), de cada ponto da
linha dos arenitos limpos e da linha dos folhelhos, como os pesos sinpticos que conectam cada
neurnio da camada competitiva com os neurnios da camada de entrada. Assim, o nmero de
neurnios na camada competitiva reflete a preciso na estimativa da porosidade (Figura 4.6).
Linha dos arenitos limpos
1.9
2
Linha dos folhelhos
2.1
2.2
2.3
2.4
2.5
Ponto do folhelho
2.6
2.7
2.8
2.9
-0.1
0.1
0.2
0.3
0.4
0.5
N
Figura 4.5: Grfico b N , obtido a partir do Poo A, o ponto verde representa o ponto do
folhelho e a linha verde a linha representativa dos folhelhos, que passa por este ponto.
Nesta aproximao, estimamos a porosidade com uma preciso de 0.01 unidades de

porosidade (PU) e assumimos para os arenitos e folhelhos um intervalos de porosidade variando
de 0 a 40 PU.
Para mostrar a construo e comportamento desta camada competitiva, consideremos, por
exemplo, uma camada competitiva composta por 82 neurnios. Neste caso, a estimativa da
porosidade tem uma preciso de 1 PU. Os neurnios esto ordenados em ordem crescente. Os
primeiros 41 neurnios representam os pontos da linha dos arenitos limpos e os 41 neurnios
restantes representam os pontos da linha dos folhelhos. Se o neurnio ordenado pelo nmero 20
ganha a competio para um particular dado de entrada, isto significa que este dado proveniente
do arenito e tem uma porosidade total igual a 19 PU. Para os folhelhos tomamos o mesmo
mecanismo. Por exemplo, se o neurnio 65 ganha a competio, a sua porosidade de 23 PU.
Atravs desta analogia, podemos observar que a operao da rede neural bastante simples. Cada
par de dados de entrada fora a competio entre todos os neurnios. O neurnio vencedor
aquele que tem os seus pesos sinpticos mais prximos do vetor de entrada. A posio do
neurnio vencedor, na camada competitiva, d-nos a litologia e o valor da porosidade do ponto,
em profundidade, representado pelo par ordenado de entrada.
Arenito
Folhelho
Figura 4.6: Arquitetura da rede neural competitiva para a obteno do zoneamento do perfil. A
camada de entrada composta por duas unidades sensoriais e a camada competitiva composta
por oitenta e dois neurnios competitivos.
Como resultados das operaes envolvidas neste algoritmo interpretativo, plotamos os

valores da porosidade associados ao arenito, na segunda faixa, e os valores associados ao
folhelho, na terceira faixa. Na primeira faixa temos o perfil de raios gama, que mostra a validade
dos resultados obtidos nos perfis de porosidade (Figuras 4.7, 4.8 e 4.9). Assim, construmos o
perfil de porosidade, escalonado em porosidade total. As descontinuidades, em ambas as faixas,
marcam os limites verticais das camadas.
Para refinar o clculo da porosidade, temos que corrigir a porosidade dos arenitos em
relao ao volume de argila (Ellis, 1987). Primeiro, calculamos a porosidade devido ao densidade
atravs da equao
D =
bM b
bM bF
(4.1)
onde D a porosidade calculada a partir do perfil de densidade, b M a densidade da matriz

(2.65, para o arenito), b F a densidade do fluido (1.1, para gua salgada) e b a densidade
medida no perfil. Ento, corrigimos os valores de porosidade, no perfil de porosidade do arenito,
atravs da equao (Crain, 1986)
D N SH N DSH
N SH DSH
(4.2)
onde a porosidade efetiva e N SH , DSH so os pesos sinpticos do neurnio do folhelho.
GR
150
Arenito
0.4
Folhelho
0.4
Figura 4.7: Perfil de porosidade para o Poo A. Na primeira faixa temos o perfil de raios gama.
Na segunda faixa temos o perfil de porosidade para o arenito e na terceira faixa temos o perfil de
porosidade para o folhelho.
GR
150
Arenito
0.4
Folhelho
0.4
Figura 4.8: Perfil de porosidade para o Poo B. Na primeira faixa temos o perfil de raios gama.
GR
150
Arenito
0.4
Folhelho
0.4
Figura 4.9: Perfil de porosidade para o Poo C. Na primeira faixa temos o perfil de raios gama.
4.3 LINHAS DE CORRELAO

As linhas de correlao conectam os pontos, em profundidade, associados ao topo e base
de uma mesma camada, atravessada por diferentes poos. Assumimos que um par de linhas de
correlao identifica o topo e base de uma camada geolgica.
Apresentamos um algoritmo interpretativo que realiza a correlao de perfis de poo. Este
algoritmo tem como ncleo uma rede neural de funo de base radial, que possui como entrada
quatro perfis de poo convencionais (raio gama, densidade, porosidade neutrnica e volume de
argila) e o perfil de porosidade. Geralmente, para fazer-se a correlao de poos, necessita-se da
ajuda de um datum de correlao que deve representar um evento regional, que pode ser
identificado nos perfis de todos os poos. Utilizamos como dados de correlao as camadas de
folhelho, identificadas nos perfis de porosidade ( ).
A arquitetura da rede neural composta por cinco neurnios de entrada, que recebem um
valor lido no perfil, para cada profundidade, a cada instante de tempo; e por uma camada de
sada, que possui um neurnio, cuja resposta 1 (um) para uma correlao verdadeira e 0 (zero),
para uma correlao falsa. Utilizamos uma rotina que adiciona um neurnio camada oculta, a
cada iterao, at que o erro estipulado entre a sada da rede e a sada desejada esteja dentro do
intervalo pr-definido (Figura 4.10).
b
V sh
GR
Linhas de
correlao
Figura 4.10: Arquitetura de rede neural de funo de base radial (RBF) para a determinao das
linhas de correlao.
Cinco colunas compem a matriz de entrada, onde cada coluna representa um perfil de
entrada com N amostras tomadas em uma janela de profundidade, na vizinhana de cada camada
de folhelho, no perfil de porosidade do folhelho. A matriz de respostas desejadas igualmente
construda com cinco colunas. Cada coluna formada de tal maneira que onde o perfil de
porosidade do folhelho for diferente de zero, seu valor igual a 1 (um) e zero para o caso
contrrio, com um nmero N de amostras. O trabalho realizado na fase de treinamento
corresponde ao mapeamento de cada intervalo no nulo, do perfil de porosidade do folhelho,
para a unidade, em todos os perfis de entrada, como mostrado na Figura 4.11. Isto significa que
necessrio fazer um treinamento isolado para cada camada de folhelho.
Folhelho
Perfis de entrada
Resposta desejada
Intervalo de
treinamento
Figura 4.11: Conjunto de treinamento da rede neural de funo de base radial para a
determinao das linhas de correlao. Destacado pelas linhas amarelas tracejadas, tem-se o
intervalo de treinamento utilizado.
Trabalhamos com dois poos na fase de operao o poo de referncia e o poo de teste.
Este processo pode ser interpretado como a busca das camadas de folhelho no poo teste, assim
como aconteceu no poo de referncia. Na prtica, isto um trabalho mais delicado realizado
pela rede neural.
A generalizao das redes neurais pode produzir mais que uma resposta, mas para
cenrios geolgicos simples podemos evitar isto utilizando duas regras. A primeira a posio
relativa da camada de folhelho em cada poo, onde assume-se a ausncia de falhas e/ou planos de
descontinuidade. A segunda regra toma uma aproximao estatstica. A sada atual da rede um
vetor que contm valores prximos de zero, para a ausncia de correlao, e valores prximos de
1 (um), quando uma correlao estabelecida. Tomamos um valor mediano. Se o valor mdio
prximo da unidade, ento existe equivalncia lateral entre as camadas de folhelho. Este critrio
bom o suficiente para evitar ambigidades na correlao das camadas de folhelho ou o
cruzamento destas, assegurando que camadas com diferentes espessuras sejam corretamente
correlacionadas (Figura 4.12). O processo continua para as outras camadas de folhelho no poo
teste.
Poo A
Poo C
Poo B
Figura 4.12: Perfis de raio gama natural dos Poos A, B e C mostrando as linhas de correlao
estabelecidas para a primeira camada de folhelho, atravs do processamento da rede neural de
funo de base radial.
A definio de linhas de correlao para os folhelhos pode estabelecer um plano

deposicional horizontal antigo, modificado por eventos tectnicos posteriores. Deste modo, se
trabalharmos em ambientes geolgicos simples, as linhas de correlao podem muito bem
representar a equivalncia litoestratigrfica entre as mesmas camadas atravessadas por diferentes
poos, em campos de leo ou gs.
Tabela 3: Validao das profundidades, em metros, para o topo e a base da camada de
folhelho determinada pelo algoritmo interpretativo, por comparao com os resultados de Luthi et
al. (1995) e por um gelogo da empresa Maraven S.A., proprietria dos dados.
Poo
A
B
C
Gelogo
Luthi et al.
(1995)
Algoritmo
interpretativo
TOPO
2858.7
2858.4
2858.6
BASE
2864.5
2864.4
2864.7
TOPO
2873.9
2873.5
2873.4
BASE
2881.2
2880.9
2880.9
TOPO
2789.6
2789.6
2789.8
BASE
2797.1
2796.8
2797.4
4.4 IMAGEAMENTO DA POROSIDADE

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

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

guiado pela direo estabelecida pelas linhas de correlao, que ligam todos os poos envolvidos
no processo, possibilitando que as interpolaes ocorram entre valores da mesma litologia e
geologicamente relacionados.
Para um melhor entendimento das entradas e sada da rede neural de funo de base radial
para a determinao do perfil de porosidade interpolado (Figura 4.13), assume-se como entradas,
para cada profundidade, os pares de porosidade dos Poos A e B, em vermelho, obtendo-se, na
posio intermediria entre estes poos, o perfil interpolado em azul (Figura 4.14).
Poo A
Figura 4.14:
Poo B
Poo C
Visualizao do processo de interpolao da porosidade adotado pelo
algoritmo interpretativo. Em vermelho tm-se os perfis de porosidade originais. Em azul mostrase o primeiro perfil de porosidade interpolado.
A rede trabalha como se ns colocssemos um nmero de poos hipotticos entre cada

dois poos reais (Figura 4.15), permitindo assim a estimativa da distribuio da porosidade e
apresentar o resultado como uma seo, mostrando o comportamento geomtrico das camadas.
Poo A
Poo B
Poo C
Figura 4.15: Interpolao dos perfis de porosidade realizado pelo algoritmo interpretativo para a
determinao do imageamento da porosidade. Os perfis em vermelho so referentes aos Poos A,
B e C. Em azul temos os perfis interpolados.
Aps a finalizao do processamento da rede neural temos uma matriz a matriz de
porosidade, onde as colunas representam as posies dos poos e as linhas representam as
profundidades. Cada elemento desta matriz representa um valor de porosidade. Adicionam-se
zeros nas posies onde no existem valores de porosidade, ou seja, nos limites verticais de cada
trecho de perfil. A matriz de porosidade , ento, convertida para o conjunto de matrizes RGB,
gerando uma imagem colorida, ou para uma outra matriz em nvel de cinza, atravs dos mtodos
convencionais do processamento de imagens, para, finalmente, apresentar a imagem da
porosidade (Figura 4.16). A variao das cores representa a distribuio dos valores de
porosidade ao longo da seo. A cor preta indica valores de porosidade iguais a zero ou os limites
verticais da seo. A cor laranja claro indica altos valores de porosidade que esto associados
porosidade aparente das argilas. Deste modo, conceituamos a escala de porosidade com os altos
valores associados s cores claras e os baixos valores, associados s cores escuras.
0.4
0.35
0.3
0.25
0.2
0.15
0.1
0.05
0
Figura 4.16: Imagem da porosidade mostrando as suas variaes laterais.

Na Figura 4.16, mostra-se ainda a escala de porosidade adotada. Assim, podemos
interpretar a cor marrom, prxima ao meio da seo, como sendo representativa de um arenito
sujo, o qual perde o seu contedo de argila em direo s bordas da seo.
A Figura 4.17 mostra a mesma imagem da porosidade que a Figura 4.16, apenas com um
maior nvel de detalhe possibilitando-nos produzir algumas interpretaes de carter geolgico,
como:
1. Na base da seo temos um corpo arenoso que mostra o decrescimento nos valores
da porosidade da esquerda para a direita da seo.
2. Pela verificao visual da Figura 4.15 poderia-se imaginar que a camada de
folhelho mais profunda, no Poo A, tivesse alguma correlao com a segunda
camada no Poo B. V-se na Figura 4.17, que essas camadas no se
correlacionam.
3. A mesma situao aplica-se ao pico de folhelho visto, na Figura 4.15, no Poo C.
Figura 4.17: Imageamento da porosidade. A variao das cores representa a distribuio dos
valores de porosidade ao longo da seo.
5 CONCLUSES
Apresentou-se, nesta tese, um novo conceito para a interpretao integrada dos perfis
geofsicos de poo, voltada caracterizao de reservatrios, na forma do assim chamado
algoritmo interpretativo. A inteno aqui no foi esgotar todas as possibilidades da sua aplicao
na melhoria do conhecimento geolgico de subsuperfcie, atravs da utilizao dos perfis
geofsicos de poo, mas sim apresentar to somente um exemplo de sua aplicao para o caso da
determinao da variao lateral da porosidade e, particularmente, para os cenrios geolgicos
dominados por clsticos. Mostrou-se, ainda, a possibilidade da identificao litolgica e o
mapeamento geomtrico das camadas.
O algoritmo interpretativo possui como ncleo uma ou mais redes neurais artificiais, que
operam seqencialmente na extrao de informao dos dados de poo, associadas aos algoritmos
seqenciais da computao cientfica convencional. Com o objetivo de simular os processos de
deciso envolvidos na interpretao, foi produzida uma ferramenta para a reduo do volume de
dados a serem processados e criada uma memria interativa da interpretao dos reservatrios de
hidrocarboneto. O algoritmo interpretativo pode guardar a interpretao da porosidade realizada e
integr-la a um novo conjunto de dados de um modo bastante eficiente. Permite, ainda, o
estabelecimento de novas sees de porosidade, melhorando a construo de um modelo do
reservatrio de uma maneira prtica e com um alto grau de automao.
A metodologia apresentada nesta tese pode ser expandida para incluir outros perfis de
entrada, mais sofisticados e geologicamente mais relevantes, tais como o perfil de imageamento
ultrassnico ou eltrico de poo, os perfis de ressonncia magntica nuclear e os perfis
geoqumicos. Pode tambm ser estendido para incluir outros parmetros geolgicos de sada, tais
como permeabilidade, saturao de fluidos, mineralogia, acamamento ou cronoestratigrafia das
camadas.
REFERNCIAS BIBLIOGRFICAS
ALI, M. & CHAWATHE, A. 2000. Using artificial intelligence to predict
permeability from petrographic data. Computers and Geosciences, 26: 915-925.
AMARI, S. 1977. Neural theory of association and concept-formation. Biological
Cyibernetics, 26: 175-185.
AMARI, S. 1983. Field theory of self-organizing neural nets. IEEE Transactions
on Systens, Man and Cybernetics SMC,-13: 741-748.
ANDERSON, J.A.; SILVERSTEIN, J.W.; RITE, S.; JONES, R.S. 1977.
Distinctive features, categorical perception and probability learning: Some
applications of a neural model. Psych. Ver., 84: 413-451.
ANDRADE, A.J.N. & LUTHI, S. M. 1997. Correlao estratigrfica de
perfis de poo atravs de rede neuronal direta multicamadas. In: CONGRESSO
INTERNACIONAL DA SOCIEDADE BRASILEIRA DE GEOFSICA, 5., So
Paulo. Anais So Paulo. V.1, p.369-372.
BANCHS, R. & MICHELENA, R. 2000. Well log estimates and confidence
intervals by using artificial neural networks. In: ANNUAL MEETING
SOCIETY OF EXPLORATION GEOPHYSICISTS. 1 CD-ROM.
BRYANT, I. D.; BAYGN, B.; HERRON, M. M.; MATTESON, A.;
RAMAMOORTHY, R.; STEWART, L.; TARIQ, S. M.; COLL, C.;
CORDOVA, P.; VILLARROEL, H.G.; HERNNDEZ, L.; JIMENEZ, Z.;
LEN, K.; RONDN, L. 1998. Integration of old and new measurements to
optimize redevelopment of the Lower Lagunillas Reservoir of Bloque IV, Lake
Maracaibo, Venezuela. SPE Reservoir Evaluation & Engineering, June.
CARPENTER, G. & GROSSBERG, S. 1986. Adaptive resonance theory: stable
self-organization of neural recognition codes in response to arbitrary lists of
input patterns. In: ANNUAL CONFERENCE OF THE COGNITIVE
SCIENCE SOCIETY, 8. p.45-62.
CARPENTER, G. & GROSSBERG, S. 1987. Invariant pattern recognition and

recall by an attentive self-organizing ART architecture in a nonstationary
world. In: IEEE INTERNATIONAL CONFERENCE ON NEURAL
NETWORKS, 1. Proceedings. V.2, p. 737-746.
CHANG, H.C.; CHEN, H.C.; DURRANS, S.R.; KOPASKA-MERKEL, D.C.
2000. Lithofacies identification using multiple adaptive resonance theory neural
networks and group decision expert system. Computer and Geosciences, 26,
(5):591-601.
CRAIN, E. R. 1986 The log analysis handbook. Tulsa, PennWell Books.
CROCKER, H.; FUNG, C.C.; WONG, K.W. 1999. The stag oil field formation
evaluation: a neural network approach. Australian Petroleum Production and
Exploration Association Journal, 38: 451-459.
DEVARAJ, D.; YEGNANARAYANA, B.; RAMAR, K. 2002. Radial basis
function networks for fast contingency ranking. Electrical Power and Energy
Systems, 24: 387-395.
ELLIS, D. V. 1987. Well logging for earth scientists. USA, Elsevier.
FISCHETTI, A.I. & ANDRADE, A.J.N. 1999. Automatic lithologies identification
from well logs. In: CONGRESSO INTERNACIONAL DA SOCIEDADE
BRASILEIRA DE GEOFSICA. 6. CD-ROM.
FITZGERALD, E.M.; BEAN, C.J.; REILLY, R. 1999. Fracture-frequency
prediction from borehole
wireline logs using artificial neural networks.
Geophysical Prospecting, 1031-1044.

FUKUSHIMA, K.; MIYAKE, S.; ITO, T. 1983. Neocognitron: a neural network
model for a mechanism of visual pattern recognition. IEEE Transactions on
Systems, Man and Cybernetics SMC, 13: 826-834.
GALLANT, A.R. & WHITE, H. 1988. There exist a neural network that does not
make avoidbable mistakes. In: IEEE INTERNATIONAL CONFERENCE ON
NEURAL NETWORKS, 1., San Diego. p.657-664.
GROSSBERG, S. 1964. The theory of embedding fields with applications to

psycology and neurophysiology. Rockfeller Institute of Medical Research.
GROSSBERG, S. 1970. Neural pattern discrimination. Journal of Theoretical
Biology, 27: 291-337.
GROSSBERG, S. 1972. Neural expectation: cerebellar and retinal analogues of
cells fired by unlearnable and learnable pattern classes. Kybernetik, 10: 49-57.
GROSSBERG, S. 1973. Contour enchancement, short-term-memory, and
constancies in reverberating network. Studies in Applied Mathematics, 52: 217257.
GROSSBERG, S. 1976. Adaptive pattern classification and universal recording: II.
Feedback, expectation, olfaction, illusions. Biological Cybernetics, 23: 187202.
GROSSBERG, S. 1978. Competition, decision and consensus. Journal of Analytic
Applications, 66: 470-493.
GROSSBERG, S. 1987. Competitive learning: from interactive activation to
adaptive resonance. Cognitive Science, 11: 23-63.
HAYKIN, S. 2001. Redes neurais: princpios e prticas. So Paulo, Bookman.
HEBB, D.O. 1949. The organization of behavior: a neuropsychological theory.
New York, Wiley.
HECHT-NIELSEN, R. 1987. Kolmogorov's mapping neural network existence
theorem. In: IEEE INTERNATIONAL CONFERENCE ON NEURAL
NETWORKS, 1. V. 3, p. 11-14.
JAMIALAHMADI, M. & JAVADPOUR, F.G., 2000. Relationship of
permeability, porosity and depth using an artificial neural network. Journal of
Petroleum Science and Engineering, 26: 235-239.
KOHONEN, T. 1984. Self-organization and associative memory. Berlim, SpringerVerlag
KOHONEN, T. 1989. Self-organization and associative memory. Berlim, SpringerVerlag.

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

processing: explorations in the microstructure of cognition, 1. Cambridge, MA:
MIT Press.
RUMELHART, D.E. & ZISPER, D. 1985. Feature discovery by competitive
learning. Cognitive Science, 9: 75-112.
RUMELHART, D.E.; HINTON, G.E.; WILLIAM, R.J. 1986, Learning internal
representation by error propagation. Parallel distributed processing:
explorations in the microstructure of cognition, 1: 318-362.
SAGGAF, M.M. & NEBRIJA, E. M. 2000. Estimation of lithologies and
depositional facies from wire-line logs. AAPG Bulletin, 84 (10).
SHEPERD, G.M. & KOCH, C. 1990. Introduction to synaptic circuits. In THE
SYNAPTIC organization of the brain. New York, Oxford University Press. p.331.
STEINBUCH, K. & PISKE, U.A.W. 1963. Learning matrices and their
applications. IEEE Transactions on Electronic Computers,12: 846-862.
STEINBUCH, K. & ZENDEH, F. 1963. Self-conecting translator circuits.
Information Processing, 359-365.
TALUKDAR, S. C. & MARCANO, F. 1994. Petroleum systems of the
Maracaibo basin, Venezuela. The petroleum system: from source to trap. AAPG
Memoir 60.
VANDER BAAN, M. & JUTTEN, C. 2000. Neural networks in geophysical
applications. Geophysics, 65 (4): 1032-1047.
VON NEWMANN, J. 1958. The computer and the brain. Yale University Press.
WIDROW, B. 1988. The original adaptive neural network broom balancer. In:
INTERNATIONAL SYMPOSIUM ON CIRCUITS AND SYSTEMS. p.351-357.
WIDROW, B. & HOFF, M.E. 1960. Adaptive switching circuits. IRE WESCON
Convention Record, 96-104.
WIDROW, B. & HOFF, M.E. 1966. Adaptive swiching circuits. IRE WESCOM
Convention Record.
WIDROW, B. & SMITH, F. 1964, Pattern-recognizing control system. Computer
and Information Sciences, 288-317.
WIDROW, B. & STEARNS, S.D. 1985. Adaptive signal processing. Englewood
Cliffs, Prentice-Hall.
WIDROW, B.; GLOVER, J.R.; McCOOL, J.M.; KAUNITZ, J.; WILLIAMS, C.S.;
HEARN, R.H.; ZEIDLER, J.R.; DONG, J.; GOODLIN, R.C. 1975. Adaptive
noise cancelling: principles and applications. Proceedings of the IEEE, 63:
1692-1716.
WIDROW, B.; GRONER, G.; HU, M.; SMITH, F.; SPECHT, D.; TALBERT, L.
1963. Pratical applications for adaptive data-processing system. WESCON
Convention Record, Section 11.4.
WIDROW, B.; GUPTA, N.K.; MAITRA, S. 1973. Punish/reward: Learning with a
critic in adaptive treshold systems. IEEE Transactions on Systems, Man and
Cybernetics SMC-3, 455-465.
WIDROW, B.; MANTEY, P.; GRIFFITHS, L. 1967. Adaptive antenna systems.
IEEE Transactions on Systems, Man and Cybernetics, 55: 2143-2159.

Tese Imageamento Porosidade Perfis

Enviado por

Dados do documento

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Tese Imageamento Porosidade Perfis

Enviado por

Direitos autorais:

Formatos disponíveis

UNIVERSIDADE FEDERAL DO PAR

IMAGEAMENTO DA POROSIDADE ATRAVS DE PERFIS

ANNA ILCA FISCHETTI MIRANDA

Ao meu filho, Rafael Fischetti

Ferramenta de densidade no interior de um poo. A

Localizao do Campo de Lagunillas, na Bacia do Lago

radial para a determinao das linhas de correlao.

O imageamento da porosidade uma representao grfica da distribuio lateral da

No Captulo 2 apresenta-se o embasamento da Geofsica de Poo necessrio para a

2.2 PERFIS DE POROSIDADE

porosidade aumenta, a densidade da rocha diminui. A segunda a ferramenta neutrnica, que

2.2.1 Perfil de Densidade

2.2.1.1 Princpio Ferramental

Figura 2.1: Ferramenta de densidade no interior de um poo. A ferramenta est separada da

Com estas duas leituras, em diferentes profundidades de investigao, acrescida da medida

2.2.2 Perfil Neutrnico

2.2.2.1 Princpio Ferramental

E> 0.1 MeV

0.1 MeV>E> 0.025 eV

As ferramentas neutrnicas modernas, Figura 2.2, so constitudas por uma fonte de

2.2.3 Perfil Snico

2.2.3.1 Princpio Ferramental

2.3 GRFICOS DE POROSIDADE

A soluo simultnea para a determinao da matriz e da porosidade, requer a utilizao

na qual b representa a densidade da rocha lida no perfil, a porosidade, bw a densidade da

Na equao (2.5), N representa o valor da porosidade neutrnica lido no perfil, a

No sistema (2.6), b representa a densidade da rocha lida no perfil, a porosidade, bw

Figura 2.6: Grfico densidade-neutrnico para a determinao da litologia e porosidade em

3 REDES NEURAIS ARTIFICIAIS

faz-se de maneira distribuda (McClelland, 1986). Deste modo, a responsabilidade de armazenar

3.2 O NEURNIO BIOLGICO

sinptico, o impulso qumico transforma-se em impulso eltrico.

De um modo simplificado, o neurnio recebe os estmulos de seu mundo exterior atravs

3.3 O NEURNIO ARTIFICIAL

a) Sinapse excitatria, onde wij > 0

2. Ncleo, constitudo por dois elementos:

A funo de ativao, responsvel pela limitao da amplitude do sinal de sada do

3. Axnio, representado pelo sinal de sada yk .

3.4 REDE NEURAL COMPETITIVA

Um limite imposto sobre a fora de cada neurnio.

Um mecanismo que permite que todos os neurnios compitam pelo direito de

Correspondentemente, os neurnios individuais da rede aprendem a se especializar em

onde o potencial de ativao uk representa a ao combinada de todas as entradas diretas e

=1, para todo k .

Um neurnio, ento, aprende ao deslocar pesos sinpticos de seus ns de entrada inativos

3.5 REDE NEURAL DE FUNO DE BASE RADIAL

um espao de baixa dimensionalidade, da a razo de freqentemente se fazer com que a

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

entrada (x) e o centro da funo de base radial (c j ) e j a sua largura.

Figura 4.1: Localizao do Campo de Lagunillas, na Bacia do Lago Maracaibo e, no detalhe,

4.2.1 Perfil de porosidade

Linha dos arenitos limpos

profundidade selecionado, veremos que eles esto arranjados em agrupamentos. A partir do

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

Agora somos capazes de produzir o zoneamento e estimar as porosidades de um

Linha dos arenitos limpos

Linha dos folhelhos

Nesta aproximao, estimamos a porosidade com uma preciso de 0.01 unidades de

Como resultados das operaes envolvidas neste algoritmo interpretativo, plotamos os

onde D a porosidade calculada a partir do perfil de densidade, b M a densidade da matriz

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

4.3 LINHAS DE CORRELAO

A definio de linhas de correlao para os folhelhos pode estabelecer um plano

4.4 IMAGEAMENTO DA POROSIDADE