Machine Learning: aplicações práticas na indústria de petróleo

Machine Learning é um subconjunto da inteligência artificial focado na construção de aplicações que aprendem com os dados e melhoram sua precisão ao longo do tempo, sem, contudo, serem programadas para isso. Assim, a máquina é treinada para aprender com a sua experiência anterior, encontrando padrões e recursos em meio a grandes quantidades de dados a fim de tomar decisões e fazer previsões com base em novos dados.

Atualmente, o aprendizado de máquina está expressivamente ao nosso redor: desde detectores de spam em nossos e-mails até a análise de curvas de declínio, por exemplo. Dessa forma, ele se torna importante porque, à medida que o volume de dados aumenta, a cognição humana não acompanha e, portanto, não é mais capaz de decifrar informações importantes desses dados por meio de técnicas convencionais – por exemplo, quando é necessário analisar dados de 5 ou 10 poços em oposição a 1000 ou 2000 poços.

Nesse contexto, é possível distinguir quatro classificações de machine learning:

• Aprendizagem Supervisionada (modelos preditivos), que treina a si mesma em um conjunto de dados rotulados. Isso significa que ela consiste em uma variável de destino/resultado (ou variável dependente) que deve ser prevista a partir de um determinado conjunto de preditores ou variáveis de entrada (também chamadas de variáveis independentes). Ademais, a aprendizagem supervisionada requer menos dados de treinamento do que os demais métodos, tornando o aprendizado mais fácil uma vez que os resultados do modelo podem ser comparados aos resultados reais. Exemplos desse método são as redes neurais artificiais e as árvores de decisão.
• Aprendizagem não supervisionada (modelos descritivos), que insere (muitos) dados não rotulados sem destino ou variável de resultado para prever/estimar, de modo que extraem-se recursos significativos necessários para rotular, ordenar e classificar os dados em tempo real e sem intervenção humana. Isso significa que esse método é usado para agrupar dados em grupos diferentes. Consequentemente, a aprendizagem não supervisionada tem menos a ver com a automação de decisões e previsões e mais com a identificação de padrões e relações em dados que a análise humana não seria capaz. Exemplos desse método incluem clustering k-means e hierárquico.
• Aprendizagem semi supervisionada, que encontra-se no meio, como uma mistura dos dois tipos de aprendizagem. Neste caso, o modelo geralmente começa como não supervisionado, para agrupar os dados, e, então, os dados agrupados tornam-se a saída para seu aprendizado supervisionado. Abordagens heurísticas são um exemplo desse método.
• Aprendizagem de reforço, que é um modelo comportamental de machine learning, semelhante ao aprendizado supervisionado, mas no qual a máquina se treina continuamente por tentativa e erro. Uma sequência de resultados bem-sucedidos será reforçada para desenvolver a melhor recomendação ou política para um determinado problema. Para esse método, podemos apontar o Q-learning como exemplo.

Além disso, é possível diferenciar as etapas para construir um modelo de machine learning. De forma simples, elas podem ser divididas em:

Etapa 1: coleta de dados;

Etapa 2: limpeza de dados;

Etapa 3: análise de dados de treinamento; normalização/padronização. 

Essas 3 primeiras etapas incluem detecção de anomalias, remoção de colinearidade e classificação e seleção de recursos. Após esta “preparação de dados”, começa-se a trabalhar no/com o próprio algoritmo.

Etapa 4: treinar o conjunto de dados com base em vários algoritmos;

Etapa 5: normalizar os dados de teste;

Etapa 6: testar o algoritmo em vários conjuntos cegos;

Etapa 7: aplicar e usar o algoritmo.

Ainda, uma 8ª etapa pode ser mencionada se levarmos em consideração a melhoria do algoritmo ao longo do tempo.

Podemos,  dessa forma, destacar dois modelos de machine learning: clustering k-means e as redes neurais artificiais.

• Clustering k-means é um dos algoritmos de machine learning não supervisionado mais usados para análise de clustering e é uma técnica simples e fácil usada para classificar ou agrupar um conjunto de dados em um certo número de clusters. Essa técnica começa com a atribuição do número de clusters a serem encontrados. Os pontos que representarão os centróides desses clusters são, então, uniformemente dispersos pelos dados e movidos como se por gravidade até que se acomodem em posições nas nuvens de dados e parem de se mover. Algumas aplicações de clustering por k-means na indústria de óleo e gás são detecção de carga líquida e clustering de curvas de tipo.

• As redes neurais artificiais, por sua vez, foram desenvolvidas para imitar algumas das operações dos neurônios em um cérebro, que são conceitualmente interconectados por vários caminhos conectados com “interruptores liga-desliga” para emular as sinapses do cérebro. Cada rede neural artificial consiste em uma camada de entrada, uma ou mais camadas ocultas e uma de saída. O número de neurônios (elementos de processamento) nas camadas de saída e de entrada é escolhido com base na natureza do problema a ser resolvido e nas propriedades que serão previstas. Quanto mais complexo for o problema, maior será o número de neurônios e camadas ocultas necessárias. Exemplos de aplicação de RNA em campos petrolíferos incluem processamento sísmico, mapeamento geológico e análise petrofísica.

Algumas aplicações já existem e são visíveis na indústria do petróleo quando se considera o machine learning. Por exemplo, o campo Prudhoe Bay, descoberto na década de 60 e localizado no Alasca, possui uma rede gigantesca com mais de oitocentos (800) poços produtores, com estações separadoras trifásicas e outros equipamentos de grande porte. Nesse campo, a análise de cluster foi utilizada em associação com uma Rede Neural Artificial (RNA) para determinar a estação dos compressores ideais, para diferentes vazões, uma vez que a Razão Óleo-Gás (RGO) é uma variável limitante do sistema.

Por fim, é importante notar que a indústria de óleo e gás gera grandes quantidades de dados todos os dias. Portanto, podemos ver a aplicação potencial de machine learning, transformando muitos dos dados coletados em insights úteis e valiosos que ajudarão no processo de tomada de decisões. Portanto, é possível otimizar as operações a fim de gerenciar os riscos e desvantagens, minimizar custos e maximizar lucros.

Por Maria Pedrosa

Referências

BELYADI, H. Practical Machine Learning Applications in the Oil and Gas Industry. 2020. Disponível em: <https://www.youtube.com/watch?v=GKuntogLubI&t=1787s>. 

PECZEK, M. P. P.; CANTUÁRIA, M. A. G.; FERREIRA, G. S. A Transformação digital e seu impacto na indústria de óleo e gás e na formação em Engenharia de Petróleo: um panorama. COBENGE, Fortaleza, 2019.

TOWARDS DATA SCIENCE. K-Means Data Clustering. 2017. Disponível em: <https://towardsdatascience.com/k-means-data-clustering-bce3335d2203>.

YUNLAI, Y.; APLIN, A. C.; LARTER, S. R. Quantitative assessment of mudstone lithology using geophysical wireline logs and artificial neural networks. 2004.