Análise e descrição de dados não estruturados em petrografia de rochas carbonáticas do pré-sal : aplicação de inteligência artificial e visão computacional

Abstract

A necessidade de caracterização eficiente e padronizada de amostras petrográficas é cada vez mais crucial na indústria de óleo e gás, que enfrenta o desafio de gerir grandes volumes de dados não estruturados derivados especialmente de fotomicrografias de rochas. Esse cenário atual de alta demanda por precisão e velocidade nas análises destaca a importância de ferramentas automatizadas que minimizem a subjetividade e o tempo gasto nos processos de caracterização. V isando suprir essa necessidade, o presente estudo aplica técnicas avançadas de inteligência artificial e visão computacional para a descrição de dados não estruturados oriundos de fotomicrografias de amostras de rochas carbonáticas, propondo a automação desse processo e contribuindo significativamente para a or ganização e recuperação de informações petrográficas. A metodologia empregada envolveu a análise e descrição de fotomicrografias de rochas carbonáticas, como grainstones e estromatólitos, seguida da aplicação de técnicas de visão computacional e aprendizado profundo para segmentar e classificar os componentes petrográficos. Foi utilizada uma base de dados de aproximadamente 1.500 imagens representativas, abrangendo diferentes texturas e composições, assegurando a robustez e a representatividade do estudo. As descrições foram geradas por modelos treinados para identificar atributos como textura, composição primária, diagênese e porosidade, estruturando essas informações em um formato adequado para consultas específicas. Os resultados obtidos evidenciaram avanços relevantes: a porosidade foi o atributo melhor identificado, com nota média de 4,9 e baixo desvio padrão (±0,2), demonstrando alta consistência no reconhecimento dos tipos de poros preservados e na segmentação textual correspondente, atributo fundamental para aplicações petrofísicas. Além disso, foram identificados padrões de erro recorrentes relacionados à mistura entre termos deposicionais e diagenéticos, à dificuldade em distinguir matriz de cimento e à fraca detecção de microtexturas, aspectos que reduzem a precisão textural das descrições. A comparação entre os modelos avaliados mostrou que nenhum deles, isoladamente, reproduz integralmente a complexidade da análise petrográfica humana: o modelo multimodal destacou-se pela capacidade de correlacionar atributos visuais e textuais, enquanto GPT e Claude, embora gerem textos bem estruturados, apresentaram baixa acurácia geológica e limitações no emprego da terminologia especializada. Esses achados reforçam a contribuição da ferramenta para a padronização, agilidade e escalabilidade de descrições petrográficas, reduzindo significativamente a subjetividade de interpretações manuais.

The need for ef ficient and standardized petrographic characterization has become increasingly crucial in the oil and gas industry , which faces the challenge of managing lar ge volumes of unstructured data, particularly those derived from rock photomicrographs. This scenario of high demand for precision and speed in analyses highlights the importance of automated tools capable of minimizing subjectivity and reducing the time required for characterization processes. T o address this need, the present study applies advanced artificial intelligence and computer vision techniques to the description of unstructured data extracted from photomicrographs of carbonate rock samples, proposing the automation of this process and contributing significantly to the or ganization and retrieval of petrographic information. The methodology employed involved the analysis and description of carbonate rock photomicrographs, such as grainstones and stromatolites, followed by the application of computer vision and deep learning techniques to segment and classify petrographic components. A database of approximately 1,500 representative images was used, encompassing a wide range of textures and compositions to ensure robustness and representativeness. Descriptions were generated by models trained to identify attributes such as texture, primary composition, diagenesis, and porosity , structuring this information in a format suitable for targeted queries. The results demonstrated significant advances: porosity was the best-identified attribute, with an average score of 4.9 and a low standard deviation (±0.2), indicating high consistency in recognizing preserved pore types and in generating their corresponding textual segmentation—an essential feature for petrophysical applications. Additionally , recurrent error patterns were observed, including the mixing of depositional and diagenetic terms, dif ficulty distinguishing matrix from cement, and weak detection of microtextures, all of which reduce the textural precision of descriptions. Comparative evaluation of the tested models revealed that none of them individually reproduces the full complexity of human petrographic analysis: the multimodal model stood out for its ability to correlate visual and textual attributes, whereas GPT and Claude, despite producing well-structured text, exhibited low geological accuracy and limitations in the use of specialized terminology . These findings reinforce the contribution of the proposed approach to the standardization, scalability , and ef ficiency of petrographic descriptions, significantly reducing the subjectivity inherent in manual interpretations.