A reflexão sísmica é o método geofísico mais empregado na indústria de petróleo e gás para estudar as camadas do subsolo. Com base nos padrões de reflexão das ondas sísmicas, os geocientistas podem inferir a estrutura e a composição das camadas geológicas abaixo da superfície, identificando potenciais reservatórios de petróleo e gás. No entanto, a interpretação dessas informações é desafiadora devido à ambiguidade inerentes dos dados, ou seja, eventos distintos podem ter respostas sísmicas similares. Com a intenção de direcionar e auxiliar esse processo, especialistas frequentemente empregam um grande conjunto de atributos sísmicos. No entanto, o uso de mais informação, em um contexto de aprendizado de máquina, não garante melhoria nos resultados e, em alguns casos, muita das features podem não ser aproveitadas pelo modelo. Sendo assim, a seleção de quais features apresentam maior relevância torna-se essencial. Contudo, uma seleção manual entre centenas de atributos pode apresentar um desafio exponencial. Este trabalho propõe uma abordagem que incorpora o uso de uma camada de atenção customizada para lidar com múltiplas features em conjunto a um modelo Long Short Term Memory (LSTM). Essa abordagem visa ponderar automaticamente os atributos sísmicos, pré-selecionados por especialistas da área, para avaliar quais são aqueles que apresentam para o modelo uma maior importância no processo de detecção de gás natural. Para avaliar a metodologia foram empregados levantamentos sísmicos 2D e 3D onshore e aplicado a técnica de K-fold. Para os resultados de forma quantitativa, foi avaliado a métrica F1-score atingindo uma melhora de até 13,94 por cento.