CLASSIFICAÇÃO LITOLÓGICA DE LÂMINAS PETROGRÁFICAS DE ROCHAS CARBONÁTICAS COM REDES CONVOLUCIONAIS RESIDUAIS: IMPACTO DO REFINAMENTO POR REVISÃO DE DADOS
Documento
Informações da Dissertação
Título
CLASSIFICAÇÃO LITOLÓGICA DE LÂMINAS PETROGRÁFICAS DE ROCHAS CARBONÁTICAS COM REDES CONVOLUCIONAIS RESIDUAIS: IMPACTO DO REFINAMENTO POR REVISÃO DE DADOS
Autor
Thais Fernandes de Matos
Resumo
A análise petrográfica de rochas carbonáticas desempenha um papel crucial na caracterização de reservatórios de petróleo, especialmente no contexto do pré-sal brasileiro. Este trabalho investiga a aplicação de redes neurais convolucionais (CNNs) para a classificação automatizada de lâminas petrográficas de rochas carbonáticas da Formação Barra Velha, focando nas litologias esferulititos, estromatólitos, laminitos e retrabalhados. Uma revisão rigorosa do dataset original foi realizada, com correção de anotações e exclusão de amostras inadequadas, gerando um conjunto mais homogêneo e representativo. Além da avaliação simples, foi conduzida uma avaliação completa em 120 amostras, que permitiu identificar parâmetros diagnósticos importantes para melhorar a distinção entre classes, como a forma e tipo dos poros, hábitos minerais, processos diagenéticos e organização espacial dos elementos. Modelos previamente desenvolvidos foram replicados com abordagens one-versus-all (OvA) e multiclasses, e novos modelos foram treinados com o dataset corrigido. Os resultados mostraram avanços significativos na acurácia e F1-score, especialmente após a revisão dos dados. A classificação dos esferulititos permaneceu desafiadora devido à semelhança textural com outras classes e complexidade mineralógica. O estudo destaca a importância da qualidade das imagens e precisão das anotações para o desempenho dos modelos e propõe, como futuras melhorias, o uso de imagens com luz polarizada cruzada e técnicas avançadas de segmentação para individualizar componentes diagnósticos, contribuindo para a análise petrográfica automatizada na indústria de óleo e gás.
Abstract
The petrographic analysis of carbonate rocks plays a crucial role in the characterization of oil reservoirs, especially in the context of the Brazilian pre-salt. This work investigates the application of convolutional neural networks (CNNs) for the automated classification of petrographic thin sections of carbonate rocks from the Barra Velha Formation, focusing on the lithologies spherulitites, stromatolites, laminites, and reworked rocks. A rigorous review of the original dataset was conducted, including correction of annotations and exclusion of inadequate samples, resulting in a more homogeneous and representative dataset. In addition to a simple evaluation, a comprehensive assessment was performed on 120 samples, which allowed the identification of important diagnostic parameters to improve class distinction, such as pore shape and type, mineral habits, diagenetic processes, and spatial organization of elements. Previously developed models were replicated using one-versus-all (OvA) and multiclass approaches, and new models were trained with the corrected dataset. The results showed significant improvements in accuracy and F1-score, especially after data revision. Classification of spherulitites remained challenging due to textural similarity with other classes and mineralogical complexity. The study highlights the importance of image quality and annotation accuracy for model performance and proposes, as future improvements, the use of images with cross-polarized light and advanced segmentation techniques to individualize diagnostic components, contributing to automated petrographic analysis in the oil and gas industry
Ano
2025
Orientadores
Alexandre Gonçalves Evsukoff