Deep learning-based applications to seismic fault segmentation in brazilian pre-salt

• Ano de defesa: 2025
• Autor(a) principal: Oliveira, Matheus Nilo de
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: eng
• Palavras-chave em Português: Aprendizado profundo; Pré-sal brasileiro; Falha sísmica; Interpretação automática de falhas; Campo de Búzios; Dados sísmicos sintéticos; Redes neurais convolucionais; Detecção de falha sísmica; Aprendizado de máquina; Pré-condicionamento de dado sísmico; Reservatório de petróleo; Pré-sal; Deep learning; Brazilian pre-salt; Seismic fault; Automatic seismic fault interpretation; Buzios field; Seismic synthetic data; Convolutional neural networks; Seismic fault detection; Machine learning; Seismic data preconditioning
• Link de acesso: https://app.uff.br/riuff/handle/1/41224

Esta dissertação explora a aplicação de técnicas de aprendizado profundo para segmentação sísmica de falhas, com foco em reservatórios carbonáticos do pré-sal brasileiro. Em reservatórios naturalmente fraturados, falhas e fraturas podem aumentar a permeabilidade, o que é essencial para otimizar estratégias de produção. No entanto, elas também apresentam desafios durante a perfuração, pois podem criar zonas de instabilidade ou aumento de pressão de poros, elevando o risco de colapsos de poço. Investigo o uso de aplicações baseadas em aprendizado profundo, especialmente redes neurais convolucionais (CNNs), para aprimorar a interpretação de falhas no pré-sal brasileiro. Um conjunto de dados sintético foi gerado utilizando um fluxo de trabalho robusto que aplica a convolução da função de espalhamento de ponto (PSF) para simular as características sísmicas de banda larga dos campos do pré-sal. Esse conjunto de dados foi cuidadosamente projetado para replicar os desafios geológicos associados aos reservatórios do pré-sal, garantindo condições realistas de treinamento para a CNN. O pré-condicionamento dos dados sísmicos foi empregado para melhorar a qualidade dos dados, incorporando filtros de suavização que preservam bordas, guiados por atributos de probabilidade de falhas, com o objetivo de reduzir ruídos e artefatos, ao mesmo tempo em que preservam os detalhes geológicos. A CNN demonstrou alta precisão na detecção de falhas com deslocamentos variados, superando significativamente os métodos tradicionais baseados em atributos geométricos, especialmente na resolução de estruturas de falhas sutis e complexas.