| Resumo: |
A interpretação de fácies sísmicas é um aspecto crítico da exploração de petróleo e gás. Porém, à medida que o volume e resolução dos dados sísmicos aumenta, não se torna prático para os intérpretes humanos analisar minuciosamente cada parte dos dados. Para mitigar esse problema, métodos de interpretação baseados em aprendizado profundo têm ganhado atenção recentemente. No entanto, adquirir um conjunto de dados de treinamento suficientemente grande e anotado, dentro dos cronogramas de projeto, continua sendo um desafio. Para superar esse obstáculo, métodos de aprendizado ativo foram propostos. Esses métodos reduzem a quantidade de anotação nos dados de treinamento ao criar um conjunto de treinamento rotulado otimizado a partir de dados não rotulados. Neste estudo, uma rede neural profunda do tipo encoder-decoder foi desenvolvida para executar a tarefa de classificação de fácies sísmicas. Em seguida, foi aplicado um protocolo de aprendizado ativo com três diferentes estratégias de amostragem. A pesquisa foi feita utilizando o conjunto de dados público Parihaka. Adicionalmente, é introduzida uma estratégia inovadora para avaliar o intervalo de confiança nas curvas de aprendizado ativo, utilizando bootstrap. Os resultados mostraram que métricas comparáveis às do modelo de referência foram alcançadas usando menos da metade do conjunto de dados de treinamento rotulado, mesmo empregando métodos simples, como a amostragem aleatória. A amostragem por incerteza mostrou-se a mais eficaz dentre as estratégias de amostragem estudadas, apresentando potencial para não apenas priorizar as imagens mais informativas, mas também identificar imagens não informativas. Esses resultados promissores sugerem que a incorporação de técnicas de aprendizado ativo pode melhorar a praticidade e eficiência da interpretação sísmica baseada em aprendizado profundo, reduzindo a dependência de grandes conjuntos de dados de treinamento anotados. |
|---|
