Comparação entre as técnicas multivariadas MAF e PCA aplicadas na classificação de eletrofácies

Abstract

ABSTRACT.

A vast amount of data is obtained during the development of a petroleum field. Seismic data, well logs, core and production data, all contribute to a better reservoir characterization and modeling. Several methods of multivariate data analysis can be used to support its interpretation, helping in important tasks as the identification of lithological facies. The most used and widely known of those methods is Principal Component Analysis (PCA) which intends to reduce data dimension while keeping as much as possible of their variance. Data dimension reduction can also be performed with the method of Maximum Autocorrelation Factors (MAF) which seeks to keep the spatial autocorrelation in data. In this work both methods were applied to data from well logs of the Namorado field, testing their performances in the classification of electrofacies. Following data dimension reduction, supervised classification methods known as k-nearest neighbors (k-NN) and weighted k-nearest neighbors (wk-NN) were applied, and the results obtained were compared by cross-validation. MAF showed to be more efficient than PCA in reducing data dimension, while keeping relevant information. The wk-NN performed a little better in classifying electrofacies than the usual k-NN. According to these results, the combination of MAF and wk-NN can be a valuable tool for classifying the facies of uncored wells from their logs.

Keywords: electrofacies, MAF, PCA, k-NN.

RESUMO 

Uma grande quantidade de dados é obtida durante o desenvolvimento de um campo de petróleo. Dados sísmicos, perfis de poços, dados de testemunho e de produção, todos contribuem para uma melhor caracterização e modelagem dos reservatórios. Vários métodos de análise multivariada de dados podem ser usados na interpretação destes dados, auxiliando em tarefas importantes como a identificação de fácies litológicas. O mais conhecido e largamente utilizado dentre estes métodos é a Análise de Componentes Principais (PCA, Principal Component Analysis), a qual busca reduzir a dimensão dos dados mantendo o máximo possível de sua variância. A redução da dimensão dos dados também pode ser realizada com o método de Fatores de Máxima Autocorrelação (MAF, Maximum Autocorrelation Factors), o qual procuramanter o máximo possível da autocorrelação espacial presente nos dados. Neste trabalho, ambos os métodos foram aplicados a dados de perfis de poços do Campo de Namorado, testando seu desempenho na classificação de eletrofácies. Após a redução na dimensão dos dados, os métodos de classificação supervisionada conhecidos como k-vizinhos mais próximos (k-NN, k-nearest neighbors) e k-vizinhos mais próximos ponderados (wk-NN, weighted k-nearest neighbors) foram aplicados aos dados, e os resultados obtidos foram comparados por validação cruzada. MAF mostrou ser mais eficiente que PCA para reduzir a dimensão dos dados mantendo a informação mais relevante e wk-NN teve desempenho um pouco melhor na classificação de eletrofácies em relação ao k-NN usual. De acordo com esses resultados, a combinação de MAF e wk-NN pode ser uma ferramenta valiosa para a classificação de fácies em poços não testemunhados a partir de seus perfis.

Palavras-chave: eletrofacies, MAF, PCA, k-NN.