Uso de Métodos de Aprendizado de Máquina e Algoritmo Genético para Predição de TOC e Classificação de Litologia

Juliana da Costa Cabral; Clovis Antonio da Silva; Grazione de Souza; Camila Martins Saporetti

doi:10.63595/vetor.v35i1.18357

Autores

Juliana da Costa Cabral Instituto Politécnico - Universidade do Estado do Rio de Janeiro
Clovis Antonio da Silva Instituto Politécnico - Universidade do Estado do Rio de Janeiro
Grazione de Souza Instituto Politécnico - Universidade do Estado do Rio de Janeiro https://orcid.org/0000-0002-4840-4472
Camila Martins Saporetti Instituto Politécnico - Universidade do Estado do Rio de Janeiro https://orcid.org/0000-0002-8145-7074

DOI:

https://doi.org/10.63595/vetor.v35i1.18357

Palavras-chave:

Aprendizado de Máquina, Algoritmo Genético, Litologia, Carbono Orgânico Total

Resumo

O petróleo e o gás são as principais fontes de energia primária no mundo. A partir desses recursos, obtêm-se derivados e petroquímicos que alimentam a produção de energia, serviços e diversos produtos. Entre as etapas cruciais da produção de petróleo estão a classificação dos reservatórios, a perfuração e a análise dos dados geológicos para determinar a viabilidade da extração. No entanto, esses processos costumam ser feitos manualmente por especialistas ou por métodos que são caros, imprecisos e demorados. Neste contexto, este trabalho tem o objetivo de classificar litologias e prever a taxa de carbono orgânico total por meio da aplicação de técnicas de aprendizado de máquina, empregando algoritmo genético com busca exaustiva para otimização dos métodos de regressão/classificação. A base de dados utilizada é referente a um poço do Campo Marlim, Bacia de Campos. Os resultados mostram que o Extreme Gradient Boosting (XGB) obteve bom desempenho nos experimentos realizados, com média de acurácia=0,941 e RMSE = 0,150 no conjunto de testes, sendo uma alternativa para auxiliar especialistas na tarefa de classificação de litologias e predição de taxa de carbono total.

Downloads

Não há dados estatísticos.

Referências

[1] N. Ezekwe, Petroleum Reservoir Engineering Practice. Westford, USA: Prentice Hall, 2010.

[2] N. Al-Mohannadi, “Simulation of horizontal well tests,” Tese de doutorado, Colorado School of Mines, Golden, USA, 2004.

[3] A. J. Rosa, R. S. Carvalho, e J. A. D. Xavier, Engenharia de Reservatórios de Petróleo. Interciência, 2006.

[4] M. Mohammadpour, H. Roshan, M. Arashpour, e H. Masoumi, “Machine learning assisted Kriging to capture spatial variability in petrophysical property modelling,” Marine and Petroleum Geology, vol. 167, p. 106967, 2024. Disponível em: https://doi.org/10.1016/j.marpetgeo.2024.106967

[5] C. M. Saporetti, L. Goliatt, e E. Pereira, “Neural network boosted with differential evolution for lithology identification based on well logs information,” Earth Science Informatics, vol. 14, no. 1, pp. 133–140, 2021. Disponível em: https://doi.org/10.1007/s12145-020-00533-x

[6] E. M. Vasini, A. Battistelli, P. Berry, S. Bonduà, V. Bortolotti, C. Cormio, e L. Pan, “Interpretation of production tests in geothermal wells with T2Well-EWASG,” Geothermics, vol. 73, pp. 158–167, 2018. Disponível em:https://doi.org/10.1016/j.geothermics.2017.06.005

[7] G. van Graas, T. Viets, J. De Leeuw, e P. Schenck, “A study of the soluble and insoluble organic matter from the Livello Bonarelli, a cretaceous black shale deposit in the Central Apennines, Italy,” Geochimica et Cosmochimica Acta, vol. 47, no. 6, pp. 1051–1059, 1983. Disponível em: https://doi.org/10.1016/0016-7037(83)90235-1

[8] H. Yang, H. Pan, H. Ma, A. A. Konaté, J. Yao, e B. Guo, “Performance of the synergetic wavelet transform and modified K-means clustering in lithology classification using nuclear log,” Journal of Petroleum Science and Engineering, vol. 144, pp. 1–9, 2016. Disponível em: https://doi.org/10.1016/j.petrol.2016.02.031

[9] S. Elkatatny, “A self-adaptive artificial neural network technique to predict total organic carbon (TOC) based on well logs,” Arabian Journal of Science and Engineering, vol. 44, pp. 6127–6137, 2018. Disponível em: https://doi.org/10.1007/s13369-018-3672-6

[10] Y. Xie, C. Zhu, W. Zhou, Z. Li, X. Liu, e M. Tu, “Evaluation of machine learning methods for formation lithology identification: A comparison of tuning processes and model performances,” Journal of Petroleum Science and Engineering, vol. 160, pp. 182–193, 2018. Disponível em: https://doi.org/10.1016/j.petrol.2017.10.028

[11] C. M. Saporetti, L. G. da Fonseca, E. Pereira, e L. C. de Oliveira, “Machine learning approaches for petrographic classification of carbonate-siliciclastic rocks using well logs and textural information,” Journal of Applied Geophysics, vol. 155, pp. 217–225, 2018. Disponível em: https://doi.org/10.1016/j.jappgeo.2018.06.012

[12] S. Asante-Okyere, Y. Y. Ziggah, e S. A. Marfo, “Improved total organic carbon convolutional neural network model based on mineralogy and geophysical well log data,” Unconventional Resources, vol. 1, pp. 1–8, 2021. Disponível em: https://doi.org/10.1016/j.uncres.2021.04.001

[13] C. Saporetti, D. Fonseca, L. Oliveira, E. Pereira, e L. Goliatt, “Hybrid machine learning models for estimating total organic carbon from mineral constituents in core samples of shale gas fields,” Marine and Petroleum Geology, vol. 143, p. 105783, 2022. Disponível em: https://doi.org/10.1016/j.marpetgeo.2022.105783

[14] R. O. Silva, C. M. Saporetti, Z. M. Yaseen, E. Pereira, e L. Goliatt, “An approach for total organic carbon prediction using convolutional neural networks optimized by differential evolution,” Neural Computing and Applications, vol. 35, pp. 20 803–20 817, 2023. Disponível em: https://doi.org/10.1007/s00521-023-08865-7

[15] A. de Carvalho, A. Menezes, e R. Bonidia, Ciência de Dados - Fundamentos e Aplicações. Disponível em: https://books.google.com.br/books?id=HNSn0AEACAAJ LTC, 2024.

[16] K. Faceli, A. C. Lorena, J. Gama, T. A. d. Almeida, e A. C. P. L. F. Carvalho, Inteligência artificial: uma abordagem de aprendizado de máquina. LTC, 2021.

[17] G.-B. Huang, Q.-Y. Zhu, e C.-K. Siew, “Extreme learning machine: theory and applications,” Neurocomputing, vol. 70, no. 1-3, pp. 489–501, 2006. Disponível em: https://doi.org/10.1016/j.neucom.2005.12.126

[18] G.-B. Huang, Q.-Y. Zhu, e C.-K. Siew, “Extreme learning machine: a new learning scheme of feedforward neural networks,” em 2004 IEEE International Joint Conference on Neural Networks (IEEE Cat. No. 04CH37541), vol. 2. IEEE, 2004, pp. 985–990. Disponível em: https://doi.org/10.1109/IJCNN.2004.1380068

[19] C. Cortes e V. Vapnik, “Support-vector networks,” Machine Learning, vol. 20, pp. 273–297, 1995. Disponível em: https://doi.org/10.1007/BF00994018

[20] V. N. Vapnik, The Nature of Statistical Learning Theory. Springer New York, 2000. Disponível em: https://doi.org/10.1007/978-1-4757-3264-1

[21] H. Drucker, C. J. Burges, L. Kaufman, A. Smola, e V. Vapnik, “Support vector regression machines,” Advances in Neural Information Processing Systems, vol. 9, 1996.

[22] E. Fix e J. L. Hodges, “Discriminatory analysis, nonparametric discrimination,” 1951.

[23] T. Cover e P. Hart, “Nearest neighbor pattern classification,” IEEE Transactions on Information Theory, vol. 13, no. 1, pp. 21–27, 1967. Disponível em: https://doi.org/10.1109/TIT.1967.1053964

[24] R. Souza, R. Lotufo, e L. Rittner, “A comparison between optimum-path forest and k-nearest neighbors classifiers,” em 2012 25th SIBGRAPI Conference on Graphics, Patterns and Images. IEEE, 2012, pp. 260–267. Disponível em: https://doi.org/10.1109/SIBGRAPI.2012.43

[25] T. Chen e C. Guestrin, “Xgboost: A scalable tree boosting system,” em Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, 2016, pp. 785–794. Disponível em: https://doi.org/10.1145/2939672.2939785

[26] R. E. Schapire, “The strength of weak learnability,” Machine Learning, vol. 5, pp. 197–227, 1990. Disponível em: https://doi.org/10.1007/BF00116037

[27] F. R. Bione, I. M. Venancio, T. P. Santos, A. L. Belem, B. R. Rangel, I. V. Souza, A. L. Spigolon, e A. L. S. Albuquerque, “Estimating total organic carbon of potential source rocks in the Espírito Santo basin, SE Brazil, using XGBoost,” Marine and Petroleum Geology, vol. 162, p. 106765, 2024. Disponível em: https://doi.org/10.2139/ssrn.4631704

[28] R. A. Gómez, GASearchCV, 2021. Disponível em: https://sklearn-genetic-opt.readthedocs.io/en/stable/