Resumo: O Teor de Carbono Orgânico Total (COT) é uma variável essencial na caracterização e exploração de hidrocarbonetos na indústria do petróleo, especialmente em reservatórios não-convencionais, como folhelhos e arenitos betuminosos. Devido aos elevados custos de exploração e às taxas de produção imprevisíveis, a indústria busca métodos analíticos precisos e econômicos para determinar as propriedades dessas rochas. Este trabalho apresenta uma alternativa inovadora para estimar a abundância de hidrocarbonetos em amostras de rocha de maneira rápida, eficiente e econômica, focada na aplicação de Inteligência Artificial para classificação e predição do conteúdo de hidrocarbonetos por meio de dados de imageamento hiperespectral. A metodologia proposta combina dados geoquímicos de COT com dados hiperespectrais de testemunhos de sondagem de rochas de reservatórios não-convencionais. O método emprega algoritmos de aprendizado de máquina e dados espectrais adquiridos no infravermelho de ondas curtas (1000-2500 nm). O desenvolvimento focou na avaliação de algoritmos, pré-processamento de dados hiperespectrais, arquiteturas de treinamento e combinações de hiperparâmetros. Os treinamentos e testes foram realizados principalmente com dados geoquímicos e hiperespectrais de amostras do Grupo Horn River, Canadá. Além disso, foi proposto uma metodologia de classificação de pixels de imagens hiperespectrais de amostras de arenitos betuminosos da Formação Pirambóia, por meio de aprendizagem de máquina. Os pixels da imagem foram analisados e categorizados com base em sua impregnação de betume, gerando um modelo de classificação preditivo. Os resultados da tese indicam que, a partir de dados hiperespectrais, a aprendizagem de máquina pode gerar predições geoquímica do COT que superaram a precisão e a acurácia dos métodos tradicionais. Uma imagem preditiva do COT foi gerada ao aplicar o modelo em curvas hiperespectrais coletadas pixel a pixel. A análise de importância de variáveis do melhor modelo evidenciou correspondência com a literatura sobre respostas hiperespectrais de hidrocarbonetos. O modelo detecta regiões do espectro indicativas da presença de hidrocarbonetos, apesar de misturas e ruídos nos dados. Este estudo confirma a eficiência dos algoritmos de aprendizado de máquina em relação aos métodos tradicionais para criar modelos preditivos geoquímicos a partir de dados hiperespectrais. O método desenvolvido pode ser amplamente utilizado para gerar imagens preditivas do COT, com erro quadrático médio inferior a 1, a partir de respostas hiperespectrais de rochas no mesmo contexto litológico. Os resultados da classificação de amostras de arenitos betuminosos da Formação Pirambóia indicam que o algoritmo de aprendizagem de máquina Support Vector Classifier, foi eficaz na classificação e caracterização da presença de betume a partir da imagem hiperespectra Ver menos

Abstract: Total Organic Carbon (TOC) content is an essential variable in the characterization and exploration of hydrocarbons in the petroleum industry, particularly in unconventional reservoirs such as shales and tar sandstones. Due to high exploration costs and unpredictable production rates, the industry seeks precise and cost-effective analytical methods to determine the properties of these rocks. This study presents an innovative alternative to estimate hydrocarbon abundance in rock samples quickly, efficiently, and economically, focusing on the application of Artificial Intelligence for the classification and prediction of hydrocarbon content through hyperspectral imaging data. The proposed methodology combines geochemical TOC data with hyperspectral data from core samples of unconventional reservoir rocks. The method employs machine learning algorithms and spectral data acquired in the shortwave infrared range (1000-2500 nm). The development focused on the evaluation of algorithms, preprocessing of hyperspectral data, training architectures, and combinations of hyperparameters. Training and testing were primarily conducted using geochemical and hyperspectral data from samples of the Horn River Group, Canada. Furthermore, a pixel classification methodology for hyperspectral images of tar sandstone samples from the Pirambóia Formation was proposed using machine learning. The image pixels were analyzed and categorized based on their bitumen impregnation, generating a predictive classification model. The results of the thesis indicate that, based on hyperspectral data, machine learning can generate TOC geochemical predictions that surpass the precision and accuracy of traditional methods. A predictive TOC image was generated by applying the model to hyperspectral curves collected pixel by pixel. The variable importance analysis of the best model showed correspondence with the literature on the hyperspectral responses of hydrocarbons. The model detects spectral regions indicative of hydrocarbon presence, despite data mixtures and noise. This study confirms the efficiency of machine learning algorithms compared to traditional methods for creating geochemical predictive models from hyperspectral data. The developed method can be widely used to generate predictive TOC images, with a mean squared error of less than 1, from hyperspectral responses of rocks in the same lithological context. The results of the classification of tar sandstone samples from the Pirambóia Formation indicate that the Support Vector Classifier machine learning algorithm was effective in classifying and characterizing the presence of bitumen from the hyperspectral image Ver menos