Escolar Documentos
Profissional Documentos
Cultura Documentos
CENTRO DE GEOCINCIAS
CURSO DE PS-GRADUAO EM GEOFSICA
Tese de Doutorado
BELM
2004
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................................................................................
2.2.2.1 Princpio Ferramental.........................................................................
2.2.3 Perfil Snico........................................................................................
2.2.3.1 Princpio Ferramental.........................................................................
2.3 GRFICOS DE POROSIDADE.............................................................
2.3.1 Grfico b t ....................................................................................
2.3.2 Grfico N t ....................................................................................
2.3.3 Grfico b N ...................................................................................
3 REDES NEURAIS ARTIFICIAIS..........................................................
3.1 INTRODUO......................................................................................
3.2 O NEURNIO BIOLGICO.................................................................
3.3 O NEURNIO ARTIFICIAL..................................................................
3.4 REDE NEURAL COMPETITIVA..........................................................
3.5 REDE NEURAL DE FUNO DE BASE RADIAL..............................
4 IMAGEAMENTO DA POROSIDADE..................................................
4.1 INTRODUO......................................................................................
4.2 INTERPRETAAO AUTOMTICA DO GRFICO DENSIDADENEUTRNICO..............................................................................................
4.2.1 Perfil de Porosidade...........................................................................
4.3 LINHAS DE CORRELAO.................................................................
4.4 IMAGEAMENTO DA POROSIDADE...................................................
5 CONCLUSES........................................................................................
REFERNCIAS BIBLIOGRFICAS........................................................
APNDICE- Porosity images from well logs...........................
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
7
9
11
14
15
16
23
24
25
27
30
Figura 4.1
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
43
44
46
47
48
49
50
RESUMO
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:
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.
(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
_
ENERGIA (E)
Rpido
Epitermal
Termal
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.
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).
(2.2)
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)
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)
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)
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
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).
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-
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).
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.
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).
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.
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)
kj
(3.5)
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).
(3.7)
a distncia Euclidiana entre o vetor de
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.
1.9
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
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.
1.9
2
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.
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.
D =
bM b
bM bF
(4.1)
D N SH N DSH
N SH DSH
(4.2)
GR
150
Arenito
0.4
Folhelho
0.4
Figura 4.7: Perfil de porosidade para o Poo A. Na primeira faixa temos o perfil de raios gama.
Na segunda faixa temos o perfil de porosidade para o arenito e na terceira faixa temos o perfil de
porosidade para o folhelho.
GR
150
Arenito
0.4
Folhelho
0.4
Figura 4.8: Perfil de porosidade para o Poo B. Na primeira faixa temos o perfil de raios gama.
Na segunda faixa temos o perfil de porosidade para o arenito e na terceira faixa temos o perfil de
porosidade para o folhelho.
GR
150
Arenito
0.4
Folhelho
0.4
Figura 4.9: Perfil de porosidade para o Poo C. Na primeira faixa temos o perfil de raios gama.
Na segunda faixa temos o perfil de porosidade para o arenito e na terceira faixa temos o perfil de
porosidade para o folhelho.
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.
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
Figura 4.13: Arquitetura de rede neural de funo de base radial para a determinao da
porosidade nos perfis interpolados.
Poo A
Figura 4.14:
Poo B
Poo C
algoritmo interpretativo. Em vermelho tm-se os perfis de porosidade originais. Em azul mostrase o primeiro perfil de porosidade interpolado.
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
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.
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.