Agradecimentos: Os autores agradecem à Petrobras pelo financiamento do Projeto "Métodos quantitativos aplicados ao estudo de reservatórios carbonáticos" e por disponibilizar os dados utilizados neste trabalho. As empresas Transform e Roxar são agradecidas pela doação das licenças dos softwares Transform e RMS, respectivamente. Também agradecemos à geofísica Gabriela Castillo (Universidade Estadual Paulista - Unesp) pela disponibilização dos horizontes sísmicos interpretados Ver menos

Resumo: A fim de minimizar as incertezas intrínsecas à classificação litológica de eletrofácies a partir de perfis, são descritas nove estratégias de classificação por redes neurais não supervisionadas, mapas auto- organizáveis (self-organizing maps - SOM), que combinam informações de perfis geofísicos com dados provenientes de derivadas dos perfis, expoentes de Hölder e impedância acústica. O método é aplicado a um reservatório carbonático do Albiano, da Bacia de Campos, para o qual foram utilizados os perfis sônico (DT), porosidade neutrônica (NPHI), densidade (RHOB) e raios gama (GR). Mediante a escassez de dados de testemunhos, as classificações foram realizadas em duas etapas: inicialmente foi feita a classificação do conjunto de perfis geofísicos e impedância acústica, que em uma segunda etapa foi utilizada como variável adicional em testes com o algoritmo na busca pela classificação de dados de testemunho que descrevem quatro fácies (reservatório, possível reservatório, não reservatório e cimento). Dentre os cenários analisados, os melhores resultados estão associados à inserção de informações de impedância acústica e desta nova variável. Adicionadas à suíte básica de perfis geofísicos no conjunto de treinamento do SOM, obteve-se um aumento de acerto da classificação de dados de testemunho de 16%. Os resultados possibilitam quantificar a potencialidade da integração de dados sísmicos na classificação automática de dados de poços pelo método de SOM Ver menos

Abstract: In order to minimize uncertainties inherent to electrofacies classification from well log data, this paper describes nine different strategies for classification using unsupervised neural networks, self-organizing maps (SOM), which combine geophysical information with data derived from well logs, Hölder exponent and acoustic impedance. The method was applied to the Albian carbonate reservoir of the Campos Basin, for which the following well logs were used: sonic (DT), neutron porosity (NPHI), density (RHOB) and gamma ray (GR). Due to the scarcity of core data, the classifications were performed in two steps: first, the classification of well logs and acoustic impedance were performed, which were then used as an additional variable in tests with the algorithm seeking to classify the core data that describe four core data facies (reservoir, possible-reservoir, non-reservoir and cement). The best results of the analysis are associated with the insertion of acoustic impedance information and of such new variable. Adding the new variable to well log samples in the training dataset resulted in a 16% increase in accuracy in core data classification. The results allow the potential integration of seismic data to be quantified in the automatic classification of well data by the SOM method Ver menos