[pt] APRENDIZADO REGENERATIVO AUTOSSUPERVISIONADO COM APLICAÇÕES EM PETROFÍSICA

[en] SELF-SUPERVISED REGENERATION LEARNING WITH APPLICATIONS TO PETROPHYSICS

[pt] REWBENIO ARAUJO FROTA

[pt] REGRESSAO MULTIPLA

[pt] APRENDIZADO REGENERATIVO

[pt] MAPA AUTO ORGANIZAVEL

[pt] APRENDIZADO PROFUNDO

[en] STEPWISE MULTIPLE REGRESSION

[en] REGENERATING LEARNING

[en] SELF ORGANIZING MAP

[en] DEEP LEARNING

[pt] 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.

[en] The Oil and Gas Reservoirs segment acquires large volumes of data to support decision-making, modeling, and optimizing the extraction of hydrocarbons. However, traditional analysis methods, which rely on classical mathematical and statistical models, often restrict the ability to extract valuable information from these data. Given the high acquisition costs and the complexity of the data, advanced machine learning techniques, such as Representation Learning, Generative Learning, and Regeneration Learning, emerge as promising alternatives to maximize the utilization of the information contained in the data. This thesis proposes a novel self-supervised methodology for bidirectional intermodal regenerative learning using Kohonen Self-Organizing Maps (SOM). The goal is to enable the association, generation, and regeneration of data between distinct modalities, exploring non-linear interrelationships and handling potentially incomplete data. The methodology is based on a conceptual adaptation of the SOM, transforming it into a heteroassociative memory for mappings between source and target data spaces with different modalities. This approach allows: (1) associating representations of distinct modalities in the same SOM, (2) generating data of lower complexity from more complex data, (3) regenerating complex data from simple data, and (4) handling missing values. Validation was performed in two previously unexplored applications of bidirectional data generation/regeneration in Reservoir Petrophysics. Type-I application involves the multivariate prediction of conventional logs from special acoustic image logs, and Type-II application involves the regeneration of acoustic image logs from a set of conventional logs. The analysis drew upon real data from wells drilled in highly heterogeneous carbonate reservoirs in the Brazilian pre-salt. The methodology demonstrated efficacy in bidirectional data generation and regeneration, enabling valuable information to be extracted from complex and potentially incomplete data. The results obtained highlighted the ability of the SOM to explore interrelationships between modalities and regenerate coherent data, even in challenging scenarios. The methodology proved capable of handling data with missing values, including the ability to regenerate images (Type-II application) from a very limited number of conventional logs. A further outcome of the thesis is a set of evaluation metrics for the images obtained in Type-II application, which are intuitive for a petrophysical interpreter. This thesis presents a significant contribution to the field by enabling the leveraging of information contained in the various types of data acquired in the Oil and Gas industry. The self-supervised SOM-based methodology proved effective for Regenerative Learning applications, offering potential to reduce costs, accelerate real-time decision-making, and increase the efficiency of data utilization and integration. Furthermore, the methodology can be extended to other intermodal mapping contexts, broadening its impact across different areas of knowledge.

MARLEY MARIA BERNARDES REBUZZI VELLASCO

GUILHERME DE ALENCAR BARRETO

MARLEY MARIA BERNARDES REBUZZI VELLASCO

ALEXANDRE GONÇALVES EVSUKOFF

KARLA TEREZA FIGUEIREDO LEITE

PAULA YAMADA BURKLE

GUILHERME DE ALENCAR BARRETO

CLEYTON DE CARVALHO CARNEIRO

2025-07-17

2025-02-14

[pt] TEXTO

application/pdf

PORTUGUÊS

https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=71665@1

https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=71665@2

https://doi.org/10.17771/PUCRio.acad.71665