A área de Reservatórios de Óleo e Gás coleta grandes volumes de dados para apoiar a tomada de decisões, a modelagem e a otimização da extração de hidrocarbonetos. No entanto, métodos tradicionais de análise, que se baseiam em modelos matemáticos e estatísticos clássicos, muitas vezes restringem a capacidade de extrair informações valiosas desses dados. Diante dos altos custos de aquisição e da complexidade dos dados, técnicas avançadas de aprendizado de máquina, como Aprendizado de Representações, Aprendizado Generativo e Aprendizado Regenerativo, surgem como alternativas para maximizar o aproveitamento da informação contida nos dados. Esta tese propõe uma nova metodologia autossupervisionada para aprendizado regenerativo bidirecional intermodalidades, utilizando Mapas Auto-organizáveis de Kohonen (ou rede SOM). O objetivo é permitir a associação, geração e regeneração de dados entre modalidades distintas, explorando inter-relações não lineares e lidando com dados potencialmente incompletos. A metodologia baseia-se em uma adaptação conceitual da rede SOM, transformando-a em uma memória heteroassociativa para mapeamentos entre espaços de dados de origem e de destino, com modalidades diferentes. Essa abordagem permite: (1) associar representações de modalidades distintas em uma mesma rede SOM, (2) gerar dados de menor complexidade a partir de dados mais complexos, (3) regerar dados complexos a partir de dados simples e (4) lidar com valores faltantes. A validação foi realizada em duas aplicações até então inéditas de geração/regeração bidirecional de dados na Petrofísica de Reservatórios. A aplicação Tipo-I é a predição multivariada de perfis convencionais a partir de perfis especiais de imagem acústica, e a aplicação Tipo-II é a regeração de perfis de imagem acústica a partir de um conjunto de perfis convencionais. Foram utilizados dados reais oriundos de poços perfurados em reservatórios carbonáticos altamente heterogêneos do pré-sal brasileiro. A metodologia demonstrou bom desempenho na geração e regeração bidirecionais de dados, permitindo a extração de informações valiosas de dados complexos e potencialmente incompletos. Os resultados evidenciaram a capacidade da rede SOM em explorar inter-relações entre modalidades e regerar dados coerentes, mesmo em cenários desafiadores. A metodologia mostrou-se capaz de lidar bem com dados com valores faltantes, inclusive com a capacidade de regerar imagens (aplicação Tipo-II) a partir de um número muito limitado de perfis convencionais. Outro produto da tese é um conjunto de métricas de avaliação das imagens obtidas para a aplicação Tipo-II, que são intuitivas para um intérprete petrofísico. A presente tese apresenta uma contribuição significativa para a área, ao permitir alavancar a extração de informações contidas nos diversos tipos de dados adquiridos na indústria de Óleo e Gás. A metodologia autossupervisionada baseada em SOM mostrou-se eficaz para aplicações de Aprendizado Regenerativo, que lhe confere potencial para reduzir custos, acelerar decisões em tempo real, aumentar a eficiência da utilização e integração dos dados. Ademais, a metodologia em questão pode ser estendida a outros contextos de mapeamento intermodalidades, ampliando seu impacto em diferentes áreas do conhecimento.