Petrografia digital: quantificação e caracterização de minerais, poros, texturas e litofácies com base em inteligência artificial.

• Autor(a) principal: Rubo, Rafael Andrello
• Data de Publicação: 2022
• Tipo de documento: Tese
• Idioma: por
• Título da fonte: Biblioteca Digital de Teses e Dissertações da USP
• Texto Completo: https://www.teses.usp.br/teses/disponiveis/3/3134/tde-12082022-080122/
• topic: Aprendizado computacional; Artificial intelligence; Inteligência artificial; Machine learning; Petrografia; Petrography

Imagens petrográficas representam uma grande e eficiente fonte de informação geológica. No contexto da exploração e produção de petróleo, estas imagens obtidas por microscopia óptica permitem a descrição dos atributos mineralógicos, texturais e porosos das amostras de rochas, tais como aquelas coletadas nos poços de petróleo. Estas informações são fundamentais à caracterização dos reservatórios de petróleo. Neste trabalho, métodos computacionais de inteligência artificial são utilizados para identificação e classificação de texturas, porosidades e litofácies observadas por petrografia de lâminas delgadas, ocasionando incremento do caráter quantitativo para interpretações referentes ao ambiente deposicional e alterações diagenéticas a que as rochas foram submetidas. As lâminas petrográficas delgadas foram confeccionadas a partir de amostras laterais carbonáticas da seção Pré-Sal de poços da Bacia de Santos. Imagens adquiridas de luz transmitida das lâminas serviram como dado de treinamento para modelos de: (i) segmentação, (ii) detecção de objeto e (iii) classificação, com diferentes configurações. Os modelos são baseados em algoritmos de aprendizado de máquina que permitem interpretar dados de maneira padronizada e eficiente. São precedidos por uma etapa de aplicação de filtros convolucionais que prevê extrair uma grande quantidade de atributos, capazes de representar as feições de interesse. Os algoritmos classificadores utilizados foram random forest, redes neurais artificiais e redes neurais convolucionais. Associados à segmentação, foram treinados modelos de mapeamento mineralógico e de porosidade. Estes modelos foram avaliados através da correlação com dados de análise química R2 com medidas de microanálise = 0,82 e petrofísica RMSE de densidade de sólidos = 0,031 g/cm3 , além da obtenção da acurácia utilizando validação cruzada 98,78% para modelos de segmentação mineralógica e 99,97% para modelos de segmentação de porosidade. O modelo de detecção de fragmentos fosfáticos foi treinado aplicando o conceito de detecção de objetos apresentou 97,16% de acurácia na validação cruzada. Modelos de classificação foram treinados, precedidos por diferentes técnicas de data augmentation, incluindo transformações espectrais, geométricas e a confecção de imagens sintéticas auxiliada por redes generativas adversariais. O melhor modelo para identificação automática de litofácies apresentou acurácia de 86,34% nos dados de teste. Para classificar tipos de porosidade, o melhor modelo obtido apresentou 95,70% de acurácia para dados de teste. Além das métricas de avaliação dos modelos, as predições foram comparadas às interpretações de petrógrafos, obtidas por meio de entrevistas. Esta etapa evidenciou particularidades associadas à incerteza na definição dos rótulos dos dados utilizados para treinamento dos modelos, derivada de diferentes vieses interpretativos. Os resultados demonstram que técnicas de inteligência artificial aumentam o caráter quantitativo da análise petrográfica, auxiliando os processos de descrição, tornando-os mais ágeis, padronizados e destacando ambiguidades na interpretação.