Machine learning, inteligência artificial (IA), e a caracterização da subsuperfície: aplicações, possibilidades e riscos

• Berton, Fábio ^[1]
  1. [1] Equinor Brasil
• Localización: Latin American Journal of Energy Research - LAJER, ISSN-e 2358-2286, Vol. 10, Nº. 2 (Julho-Dezembro), 2023, págs. 131-139
• Idioma: portugués
• Títulos paralelos:
  • Machine learning, artificial intelligence (AI), and subsurface characterization: applications, possibilities and risks
• Enlaces
  • Texto completo
• Resumen
  • English

    Software and plugins based on machine learning and artificial intelligence (AI) principles has been adapted to the processing and interpretation of subsurface data. In front of what might become a technological revolution, it is necessary to discuss the probable impacts of the new technologies. In subsurface studies in the oil and gas industry, AI has proven to be useful dealing with large volumes of geological data with homogeneous patterns, sparing the human user of repetitive tasks. This characteristic makes these software useful to increase efficiency and work safety, but the way they programmed now, they are far from being capable of dealing with the frequent geological complexity that might represent risks or opportunities in subsurface. Not even the best AI-based software are able to resolve the limitations that are inherent to subsurface data, such as lack of resolution, or lack of representativity. They also cannot generate plausible solutions to complex and specific geological conditions. The new AI-based technological solutions must be seen as tools to facilitate the work life of subsurface professionals. As any other tool, their existence have specific purposes that do not encompass the whole complexity of geological systems. The geological interpretation derived from machine learning and AI-based programs must be evaluated as geostatistical approximations, not as the representation of reality. Geoscientists will remain being necessary to apply AI-based tools correctly, and to filter the information provided by them.

  • português

    Soluções computacionais baseadas em machine learning e inteligência artificial (IA) têm sido adaptadas para o processamento e interpretação das informações de subsuperfície. Diante do que pode se tornar uma revolução tecnológica, é necessário pensar nos prováveis impactos das novas soluções para as atividades relacionadas à caracterização de reservatórios e sistemas petrolíferos. A IA já prova ter utilidade na indústria de óleo e gás ao lidar com grandes volumes de dados geológicos de padrão homogêneo, poupando o usuário humano de tarefas repetitivas. Essa característica faz com que os programas sejam úteis para o aumento de eficiência e da segurança do trabalho, mas da forma como funcionam atualmente, eles estão longe de serem capazes de lidar com a frequente complexidade geológica que pode representar riscos ou oportunidades em subsuperfície. Nem mesmo os melhores programas de IA são capazes de solucionar problemas inerentes aos dados indiretos, como a baixa resolução sísmica ou a baixa representatividade de poços. Tampouco conseguem encontrar soluções plausíveis para situações geológicas complexas. As novas soluções tecnológicas devem ser vistas como ferramentas para facilitar a vida dos profissionais de subsuperfície. Como qualquer ferramenta, sua existência tem propósitos específicos que não abrangem toda a complexidade dos sistemas geológicos. As interpretações geológicas derivadas de programas baseados em machine learning e IA devem ser avaliadas como aproximações geoestatísticas, não como a representação total da realidade construída a partir de múltiplos processos naturais. Essa característica faz com que os profissionais das geociências sigam sendo essenciais para aplicar as ferramentas de IA corretamente e filtrar as informações produzidas por elas.