[pt] ESTIMAÇÃO DA IMPORTÂNCIA DE ATRIBUTOS COM BASE EM MECANISMO DE ATENÇÃO PARA ATRIBUTOS SÍSMICOS

[en] FEATURE IM PORTANCE ESTIMATION BASED IN ATTENTION MECHANISM FOR SEISMIC ATTRIBUTES

[pt] HUGO FABIANO ALVES CUNHA

[pt] REDE NEURAL

[pt] MULTI ATRIBUTO SISMICO

[pt] APRENDIZADO PROFUNDO

[pt] MECANISMO ATENCIONAL

[en] NEURAL NETWORKS

[en] SEISMIC MULTI ATTRIBUTE

[en] DEEP LEARNING

[en] ATTENTIONAL MECHANISM

[pt] 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.

[en] Seismic reflection is the most widely used geophysical method in the oil and gas industry to study subsurface layers. Based on the reflection patterns of seismic waves, geoscientists can infer the structure and composition of geo logical layers beneath the surface, identifying potential oil and gas reservoirs. However, interpreting this information is challenging due to the inherent ambi guity of the data, meaning distinct events can have similar seismic responses. In order to guide and assist this process, experts often employ a large set of seismic attributes. However, the use of more information in a machine learning context does not guarantee improvement in results, and in some cases, many of the features may not be utilized by the model. Therefore, selecting which features are most relevant becomes essential. However, manual selection among hundreds of attributes can pose an exponential challenge. This work proposes an approach that incorporates the use of a customized attention layer to han dle multiple features in conjunction with a Long Short-Term Memory (LSTM) model. This approach aims to automatically weigh the seismic attributes, pre selected by domain experts, to evaluate which ones are most important for the model in the natural gas detection process. To evaluate the methodology, 2D and 3D onshore seismic surveys were employed, and the K-fold technique was applied. For quantitative results, the F1-score metric was evaluated, achieving an improvement of up to 13,94 percent.

MARCELO GATTASS

MARCELO GATTASS

ALBERTO BARBOSA RAPOSO

JAN JOSE HURTADO JAUREGUI

2025-03-20

2024-06-12

[pt] TEXTO

application/pdf

PORTUGUÊS

https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=69694@1

https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=69694@2

https://doi.org/10.17771/PUCRio.acad.69694