BR112020025041A2 - métodos de caracterização e avaliação de integridade de poço com o uso de aprendizado de máquina não supervisionado de dados acústicos - Google Patents

Abstract

Trata-se de métodos e sistemas que caracterizam e avaliam a integridade de poço de um poço revestido usando aprendizado de máquina não supervisionado de dados acústicos. Dados de forma de onda sônica para sinais acústicos recebidos pela matriz de receptor de uma ferramenta de perfilagem sônica são coletados e processados para determinar uma representação de alta dimensão dos dados de forma de onda sônica. A representação de alta dimensão é inserida num sistema de aprendizado de máquina não supervisionado para determinar uma representação de baixa dimensão dos dados de forma de onda sônica. Um método de agrupamento é aplicado à representação de baixa dimensão para identificar um conjunto de agrupamentos na mesma. Pelo menos uma propriedade de integridade de poço do intervalo de profundidade do poço revestido é determinada com base no conjunto de agrupamentos. Nas modalidades, a pelo menos uma propriedade de integridade de poço pode caracterizar a condição do cimento num anel do poço revestido como uma função do azimute e da profundidade e pode ser usada para avaliar a integridade do cimento num intervalo de profundidade do poço revestido.

Description

“MÉTODOS DE CARACTERIZAÇÃO E AVALIAÇÃO DE INTEGRIDADE DE POÇO COM O USO DE APRENDIZADO DE MÁQUINA NÃO SUPERVISIONADO DE DADOS ACÚSTICOS” REFERÊNCIA CRUZADA A PEDIDO RELACIONADO

[001] Este pedido reivindica o benefício do Pedido Provisório nº U.S. 62/682249, depositado em 8 de junho de 2018; cujo conteúdo está incorporado ao presente documento a título de referência.

CAMPO

[002] Esta divulgação se refere à perfilagem de poços em campos de óleo e gás. Em particular, esta divulgação se refere à caracterização e avaliação da integridade de poço usando dados acústicos.

ANTECEDENTES

[003] A caracterização e avaliação eficazes da integridade de poço se tornaram importantes com o recente advento de regulamentações governamentais mais rígidas que exigem que os operadores de óleo e gás entreguem e mantenham poços com selos de pressão competentes. O objetivo é impedir o fluxo descontrolado de fluidos de formação subterrânea que causa vazamentos para a superfície (por exemplo, atmosfera ou mar) ou em outras formações. A caracterização e avaliação da integridade de poço podem ser executadas após um trabalho de cimentação ou durante a vida de um poço ou no final de sua vida útil antes de o poço se tornar obstruído e/ou ser abandonado.

SUMÁRIO

[004] Este sumário é fornecido para introduzir uma seleção de conceitos que são adicionalmente descritos abaixo na descrição detalhada. Este sumário não se destina a identificar recursos-chave ou essenciais da matéria reivindicada, nem se destina a ser usado como um auxílio na limitação do escopo da matéria reivindicada.

[005] Numa modalidade, um método para caracterizar a integridade de poço de um poço revestido é descrito. O método inclui: i) coletar dados de forma de onda sônica para sinais acústicos recebidos por uma matriz de receptor de uma ferramenta de perfilagem sônica para um intervalo de profundidade do poço revestido; ii) determinar uma representação de alta dimensão dos dados de forma de onda sônica coletados em i); iii) inserir a representação de alta dimensão de ii) num sistema de aprendizado de máquina não supervisionado para determinar uma representação de baixa dimensão dos dados de forma de onda sônica; iv) aplicar um método de agrupamento à representação de baixa dimensão de iii) para identificar um conjunto de agrupamentos na representação de baixa dimensão de iii); e v) determinar pelo menos uma propriedade relacionada à integridade de poço do intervalo de profundidade do poço revestido com base no conjunto de agrupamentos identificados em iv).

[001] Recursos e vantagens adicionais da presente divulgação se tornarão mais prontamente evidentes a partir da descrição detalhada a seguir quando tomada em conjunto com os desenhos anexos.

BREVE DESCRIÇÃO DOS DESENHOS

[002] A presente divulgação é ainda descrita na descrição detalhada que segue, em referência à pluralidade notável de desenhos por meio de exemplos não limitantes da presente divulgação, em que numerais de referência similares representam partes similares por todas as diversas vistas dos desenhos, e em que:

[003] A Figura 1 é uma ilustração esquemática de uma ferramenta de perfilagem sônica (por exemplo, a ferramenta SONICSCANNER TM);

[004] A Figura 2 é uma ilustração esquemática de uma medição de perfilagem sônica que pode ser executada pela ferramenta de perfilagem sônica da Figura 1;

[005] A Figura 3 é uma ilustração esquemática da ferramenta de perfilagem sônica das Figuras 1 e 2 implantada num poço revestido que emprega um revestimento de coluna múltipla;

[006] A Figura 4 mostra um fluxo de trabalho para caracterizar e avaliar a integridade de poço que emprega aprendizado de máquina não supervisionada de dados sônicos adquiridos por uma ferramenta de perfilagem sônica; o fluxo de trabalho pode determinar propriedades de integridade de poço do poço revestido, tais como propriedades de cimentação de pelo menos um anel que faz parte do poço revestido;

[007] As Figuras 5A a 5C são imagens de coerência de lentidão-tempo (STC) derivadas de formas de onda sônicas obtidas por um único receptor em conjunto com filtragem passa-banda em diferentes frequências centrais;

[008] As Figuras 6A a 6H representam imagens STC derivadas de formas de onda sônicas obtidas por oito receptores azimutais em conjunto com filtragem passa-banda numa frequência central de 20 kHz;

[009] A Figura 7 é uma ilustração esquemática de uma estrutura de rede neural para um sistema de aprendizagem de máquina de Mapas Auto-organizáveis (SOM) bidimensional, que pode ser usado para compactação de dados sônicos como parte do fluxo de trabalho da Figura 4;

[010] A Figura 8 representa uma matriz U de 1800 imagens STC compactadas, cada uma com tamanho 72×240×3, geradas pelo sistema de aprendizado de máquina de Mapas Auto-organizáveis (SOM) bidimensional da Figura 7 a partir de 1800 imagens STC de entrada derivadas de formas de onda sônicas sintéticas num poço revestido que emprega um revestimento de coluna múltipla;

[011] As Figuras 9 e 10 são ilustrações esquemáticas de um sistema de aprendizado de máquina autocodificador (AE), que pode ser usado para compactação de dados sônicos como parte do fluxo de trabalho da Figura 4;

[012] A Figura 11 é um diagrama da estrutura de codificador do sistema de aprendizado de máquina AE das Figuras 9 e 10, que pode ser usado para compactação de dados sônicos como parte do fluxo de trabalho da Figura 4;

[013] A Figura 12 representa uma matriz U de 1800 imagens STC compactadas, cada uma com tamanho 9×30× 8, geradas pela estrutura do codificador do sistema de aprendizado de máquina AE da Figura 11 a partir de imagens STC originais de tamanho 72×240×3. As imagens STC originais foram geradas a partir de formas de onda sônicas sintéticas num poço revestido que emprega um revestimento de coluna múltipla;

[014] A Figura 13A é um diagrama que ilustra uma implementação ingênua ou incorreta de um sistema de aprendizado de máquina de Autocodificador Variacional (VAE);

[015] A Figura 13B é um diagrama que ilustra uma implementação correta de um sistema de aprendizado de máquina de Autocodificador Variacional (VAE) que usa reparametrização, que pode ser usado para compactação de dados sônicos como parte do fluxo de trabalho da Figura 4;

[016] A Figura 14A é uma plotagem de uma visualização t-SNE da saída de 16 dimensões produzida pela parte de codificador do sistema de aprendizado de máquina VAE da Figura 13B, em que dados TKO derivados de formas de onda sônicas monopolo são usados como entrada para o sistema de aprendizado de máquina VAE;

[017] A Figura 14B é uma plotagem de uma visualização t-SNE da saída de 16 dimensões produzida pela parte de codificador do sistema de aprendizado de máquina VAE da Figura 13B, em que dados TKO derivados de formas de onda sônicas dipolo são usados como entrada para o sistema de aprendizado de máquina VAE;

[018] A Figura 14C é uma plotagem de uma visualização t-SNE da saída de 16 dimensões produzida pela parte de codificador do sistema de aprendizado de máquina VAE da Figura 13B, em que dados de imagem STC derivados de formas de onda sônicas monopolo são usados como entrada para o sistema de aprendizado de máquina VAE;

[019] A Figura 14D é uma plotagem de uma visualização t-SNE da saída de 16 dimensões produzida pela parte de codificador do sistema de aprendizado de máquina VAE da Figura 13B, em que dados de imagem STC derivados de formas de onda sônicas dipolo são usados como entrada para o sistema de aprendizado de máquina VAE;

[020] A Figura 15A é uma plotagem de barras verticais dos resultados da visualização de t-SNE e agrupamento mostrados na Figura 14A;

[021] A Figura 15B é uma plotagem de barras verticais dos resultados da visualização de t-SNE e agrupamento mostrados na Figura 14B;

[022] A Figura 15C é uma plotagem de barras verticais dos resultados da visualização de t-SNE e agrupamento mostrados na Figura 14C;

[023] A Figura 15D é uma plotagem de barras verticais dos resultados da visualização de t-SNE e agrupamento mostrados na Figura 14D;

[024] A Figura 16 representa imagens STC comprimidas (baixa dimensão) produzidas pela parte codificadora do sistema de aprendizado automática VAE da Figura 13B; na produção destas imagens STC compactadas, o sistema de aprendizado de máquina VAE foi treinado por imagens STC de tamanho 101×86 (8686 dimensões) para gerar novas imagens STC similares pela decodificação de variáveis latentes z de 128 dimensões; e

[025] A Figura 17 é um diagrama esquemático de um sistema de computador que pode ser usado para implementar os métodos e sistemas descritos no presente documento.

DESCRIÇÃO DETALHADA

[026] As particularidades mostradas no presente documento são a título de exemplo e para fins de discussão ilustrativa dos exemplos da presente divulgação apenas e apresentam-se para fornecer o que é acreditado como sendo a descrição mais útil e facilmente compreendida dos princípios e aspectos conceituais da presente divulgação. Neste aspecto, não é feita qualquer tentativa de mostrar detalhes com mais detalhes do que necessário, a descrição, juntamente com os desenhos, torna evidente para aqueles versados na técnica como as diversas formas da presente divulgação podem ser incorporadas na prática. Ademais, os números e as designações de referências similares nos vários desenhos indicam elementos similares.

[027] As modalidades da presente divulgação se referem a métodos e sistemas que caracterizam e avaliam a integridade de poço de um poço revestido usando aprendizado de máquina não supervisionado de dados acústicos. Os métodos e sistemas empregam uma ferramenta de perfilagem sônica que transmite uma ou mais excitações de transmissor ao longo de um intervalo de profundidade num poço revestido. As excitações do transmissor podem ser excitações monopolo, dipolo e/ou quadrupolo. Os dados de forma de onda sônica gerados por uma matriz de receptor da ferramenta de perfilagem sônica em resposta à excitação (ou excitações) de transmissor ao longo do intervalo de profundidade são coletados e processados para determinar uma representação de alta dimensão dos dados de forma de onda sônica. A representação de alta dimensão dos dados de forma de onda sônica é inserida num sistema de aprendizado de máquina não supervisionado para determinar uma representação de baixa dimensão dos dados de forma de onda sônica. Um método de agrupamento é aplicado à representação de baixa dimensão para identificar um conjunto de agrupamentos na representação de baixa dimensão. Pelo menos uma propriedade relacionada à integridade de poço do intervalo de profundidade do poço revestido é determinada com base no conjunto de agrupamentos identificado.

[028] Nas modalidades, a pelo menos uma propriedade se refere à integridade de poço como uma função do azimute e da profundidade no poço revestido. Por exemplo, a pelo menos uma propriedade pode caracterizar a condição do cimento num anel do poço revestido como uma função do azimute e da profundidade.

[029] As medições acústicas realizadas por ferramentas de perfilagem acústica são amplamente usadas para caracterizar e avaliar a integridade de poço, incluindo a condição do cimento colocado num poço revestido. A integridade de poço adequada contém e impede o escape de fluidos para formações subterrâneas ou superfície usando cimentação como parte das colunas de revestimento. Estas medições acústicas tipicamente incluem medições sônicas (baixa frequência) na faixa de frequência de sinal de algumas centenas de Hz a 20 kHz.

[030] Por exemplo, o SONICSCANNER®, uma ferramenta de interior de poço de cabo de aço, pode ser configurado para realizar várias medições sônicas diferentes como uma função do azimute (direção do azimute) e da profundidade (profundidade axial) num poço revestido. O azimute é normalmente especificado por um ângulo de azimute entre 0 e 360 graus em torno do eixo geométrico do poço revestido, que corresponde ao eixo geométrico da ferramenta quando apropriadamente centralizado. A Figura 1 mostra um diagrama esquemático da ferramenta SONICSCANNER TM 101.

[031] A Figura 2 mostra a ferramenta SONICSCANNER TM 101 num poço revestido. A ferramenta SONICSCANNER TM inclui uma multiplicidade de transmissores e receptores numa matriz axial e azimutal que pode ser configurada para excitar e detectar múltiplos modos de poço inacabado. Estes modos incluem um modo monopolo que pode ser excitado em frequências baixas e altas e com fontes monopolo distantes e próximas (em relação à matriz de receptor), um modo dipolo que pode ser excitado em duas direções ortogonais produzindo excitação de dipolo cruzado e um modo quadrupolo para excitação em quatro direções ortogonais. As formas de onda acústicas ou chegadas que são detectadas pela matriz de receptor da ferramenta para um intervalo de profundidade no poço revestido podem ser processadas para determinar um perfil de propriedades relacionadas ao ambiente de poço revestido como uma função de azimute e profundidade no poço revestido. O intervalo de profundidade para as formas de onda acústicas detectadas pela matriz de receptor da ferramenta depende da posição axial da ferramenta no poço revestido. A excitação de monopolo próximo pode fornecer o sinal de Perfil de Adesão de Cimento (CBL), bem como o sinal de Perfil de Densidade Variável (VDL), que são medições disponíveis com ferramentas de perfil de adesão de cimento de geração mais antiga. Normalmente, a amplitude da parte de chegada precoce do sinal CBL está correlacionada à presença de cimento no anel com o sinal sendo alto sempre que houver uma falta de cimento ou uma falta de uma boa adesão de cimento ao revestimento. O sinal VDL pode indicar se as chegadas de formação estão presentes ou não. A presença de chegadas de formação pode indicar acoplamento à formação por meio de cimento que é fixado à formação e vice-versa para sua ausência.

[032] A Figura 3 mostra a ferramenta 101 localizada num poço conectado 350 atravessando uma formação 360. O poço 350 é mostrado como sendo revestido com um revestimento de coluna múltipla 370. Conforme descrito no presente documento, um revestimento de coluna múltipla emprega dois ou mais revestimentos cujas extensões longitudinais dentro de um poço se sobrepõem umas às outras por pelo menos parte das extensões longitudinais dos dois ou mais revestimentos. Ao longo das extensões longitudinais dos revestimentos sobrepostos, o revestimento de coluna múltipla forma vários anéis, incluindo um anel mais interno disposto dentro de pelo menos um anel externo (ou anéis externos). O anel mais interno é o anel entre o primeiro e o segundo revestimentos (na ordem do eixo geométrico central do poço em direção à formação). O pelo menos um anel externo (ou anéis externos) é o anel (anéis) além do segundo revestimento. Para fins de ilustração, um segmento específico do poço é mostrado como tendo um primeiro revestimento 380a e um segundo revestimento 380b com o primeiro revestimento 380a circundado por um anel 390a e o segundo revestimento 380b circundado por um anel 390b. Para parte de seu comprimento, o anel 390a está localizado entre o revestimento 380a e a formação 360, e para parte de seu comprimento, o anel 390a está localizado entre o revestimento 380a e o revestimento 380b. Para parte de seu comprimento, o anel 390b está localizado entre o revestimento 380b e a formação 360. Será entendido que os anéis 390a, 390b da Figura 3 podem assumir individualmente várias condições ou estados (por exemplo, o anel é um cimento duro, o anel é um cimento leve, o anel é água) ou outras condições ou estados que podem afetar a integridade de poço.

[033] Recentemente, há um interesse crescente em caracterizar e avaliar a integridade de poço em poços revestidos que empregam um revestimento de coluna múltipla, tal como o revestimento de coluna múltipla da Figura 3, ao se obstruir e/ou abandonar os poços revestidos. Em tais aplicações, os dados recebidos de medições sônicas são de alta dimensão e frequentemente abrangem múltiplas modalidades, e nenhum método de inversão determinística existe atualmente para interpretar automaticamente as propriedades de integridade de poço/cimentação do poço revestido a partir de tais dados.

[034] De acordo com a presente divulgação, um sistema de aprendizado de máquina não supervisionado pode ser usado para fornecer uma metodologia baseada em dados para caracterizar e avaliar a integridade de poço (incluindo propriedades de cimentação para o anel (anéis) do poço revestido) a partir de dados sônicos de alta dimensão. Diferentemente de um sistema de aprendizado de máquina supervisionado que exige sinais de entrada e propriedades de saída marcadas como um conjunto de treinamento, o sistema de aprendizado de máquina não supervisionado emprega dados sônicos de alta dimensão como entrada sem quaisquer marcadores. Ademais, devido ao fenômeno de "maldição da dimensionalidade", é mais desafiador aplicar um algoritmo de agrupamento em dados de alta dimensão do que em dados de baixa dimensão. O sistema de aprendizado de máquina não supervisionado pode fornecer uma representação de baixa dimensão dos dados sônicos de alta dimensão não marcados para agrupamento e é, portanto, aplicável a muitos dos dados de subsuperfície com potencial para descoberta de conhecimento e, assim, desbloquear valores inexplorados.

[035] Nas modalidades, o sistema de aprendizado de máquina não supervisionado pode empregar um ou mais dos seguintes: um sistema de aprendizagem de máquina de Mapas Auto-organizáveis (SOM), um SOM com um sistema de aprendizagem de máquina Autocodificador (SOM-AE), um sistema de aprendizado de máquina de Autocodificador Variacional (VAE) e/ou um sistema de aprendizado de máquina de Rede Adversária Generativa (GAN). Cada uma destas quatro opções é baseada numa rede neural e tem boa capacidade de generalização para produzir a representação de baixa dimensão dos dados sônicos de alta dimensão.

[036] Um sistema de aprendizado de máquina SOM emprega uma rede neural de duas camadas que é treinada usando um método de aprendizado competitivo (que é uma forma de aprendizado não supervisionado) para produzir um mapa de representação não mais do que tridimensional e discretizado de dados de entrada de alta dimensão. Cada neurônio de rede da rede neural de duas camadas com não mais do que três coordenadas está totalmente conectado à camada de entrada cujo número de neurônios é o mesmo da dimensão de entrada, e nenhum neurônio está conectado entre si. Uma vez que o sistema de aprendizado de máquina SOM é treinado usando os dados de entrada, os vetores de peso de todos os neurônios constituem um livro de códigos. A distância euclidiana entre os vetores do livro de códigos de neurônios vizinhos se aproxima da estrutura topológica dos dados de entrada, isto é, as amostras de dados que estão próximas umas das outras no espaço de entrada de alta dimensão são mapeadas para neurônios SOM próximos e, portanto, podem ser usadas para agrupamento adaptativo. Como uma ferramenta poderosa para interpretação de resultados, uma matriz de distância unificada (matriz U) pode ser usada para visualizar o sistema de aprendizado de máquina SOM treinado representando a distância euclidiana entre os vetores do livro de códigos de neurônios vizinhos numa imagem.

[037] Um sistema de aprendizado de máquina SOM-AE estende o sistema de aprendizado de máquina SOM reduzindo a alta dimensionalidade dos dados de entrada a uma dimensão intermediária com o codificador de um Autocodificador (AE) e, então, fornecendo os resultados compactados (dimensão intermediária) produzidos pela parte codificadora do AE a uma rede neural de camada única (igual ao sistema de aprendizado de máquina SOM). O AE usa uma estrutura de rede neural de camada múltipla que tem uma camada de entrada, uma camada de saída que tem o mesmo número de neurônios que a camada de entrada e uma ou mais camadas ocultas conectando as mesmas. O AE inclui uma parte codificadora como a primeira metade e uma parte decodificadora como a segunda metade, e as mesmas são projetadas como uma topologia de gargalo, em que o número de neurônios na parte codificadora diminui, e o número de neurônios na parte decodificadora aumenta.

[038] Um sistema de aprendizado de máquina VAE se difere de outros sistemas de aprendizado não supervisionado, tais como SOM e AE, devido ao fato de que não apenas reduz a dimensão dos dados de alta dimensão a um espaço variável latente de baixa dimensão, mas também pode gerar novas amostras imprevistas como as do conjunto de treinamento, mas não exatamente as mesmas. Tal poder depende de sua capacidade de modelar aproximadamente a distribuição de probabilidade 𝑝(𝒙) do espaço de dados de entrada 𝒳. No entanto, modelar 𝑝(𝒙) dado o espaço de alta dimensão de entrada 𝒳 é difícil devido à maldição da dimensionalidade. Em vez disto, pode-se supor que existe um espaço latente 𝒵 de modo que cada dado de entrada dado 𝒙 ∈ 𝒳 seja gerado por uma variável latente 𝒛 ∈ 𝒵 através de uma projeção complexa 𝑓(𝒛). Uma vez que se pode saber 𝑝(𝒛) e 𝑓(𝒛), 𝑝(𝒙) pode ser obtido simplesmente como 𝑝(𝒙) = ∫ 𝑝(𝒙|𝒛) 𝑝(𝒛) 𝑑𝒛. O sistema de aprendizado de máquina VAE assume 𝑝(𝒛) como uma distribuição normal e aprende 𝑓(𝒛) a partir do espaço de dados de treinamento 𝒳 por meio de uma estrutura de codificador-decodificador usando uma rede neural de camada múltipla similar a AE, produzindo os parâmetros de rede ideais e as variáveis latentes correspondentes 𝒛 para agrupamento adicional. Além disto, uma nova amostra 𝒙 pode ser gerada por amostragem aleatória da distribuição normal 𝑝(𝒛) e passando por 𝑝(𝒙|𝒛) como um decodificador.

[039] Um sistema de aprendizado de máquina GAN emprega duas redes neurais (rede generativa e rede discriminativa) que competem entre si numa estrutura de jogo de soma zero. A rede generativa gera distribuições de dados candidatas ao mesmo tempo que a rede discriminativa avalia as distribuições de dados candidatas. Tipicamente, a rede generativa aprende a mapear de um espaço latente para uma distribuição de dados de interesse, ao mesmo tempo que a rede discriminativa distingue os candidatos produzidos pelo gerador a partir da distribuição de dados verdadeira. O objetivo de treinamento da rede generativa é aumentar a taxa de erro da rede discriminativa (isto é, "enganar" a rede discriminadora produzindo novos candidatos que o discriminador acredita que não tenham sido sintetizados como parte da distribuição de dados verdadeira).

[040] Nas modalidades, um ou mais métodos de processamento de forma de onda podem ser aplicados aos dados de forma de onda sônicos que representam sinais acústicos recebidos pela matriz de receptor da ferramenta de perfilagem sônica para uma faixa de valores de profundidade (ou intervalo de profundidade) num poço revestido para derivar os dados de entrada de alta dimensão que são inseridos no sistema de aprendizado de máquina não supervisionado.

[041] Por exemplo, um primeiro método de processamento de forma de onda denominado método TKO ou método de matriz pencil (MP) pode ser aplicado a dados de forma de onda sônica que representam sinais acústicos recebidos pela matriz de receptor da ferramenta de perfilagem sônica para uma faixa de valores de profundidade no poço revestido para gerar dados que representam uma relação de dispersão entre lentidão e frequência nos dados de forma de onda sônica. Detalhes do método TKO são descritos em M. P. Ekstrom, "Dispersion estimation from borehole acoustic arrays using a modified matrix pencil algorithm", em Conference Record of The Twenty-Ninth Asilomar Conference on Signals, Systems and Computers, Pacific Grove, CA, 1995, e Y. Hua e T. K. Sarkar, "Matrix pencil method for estimating parameters of exponentially damped/undamped sinusoids in noise", IEEE Transactions on Acoustics, Speech, and Signal Processing, volume 38, nº 5, páginas 814-824,1990.

[042] Em outro exemplo, um segundo método de processamento de forma de onda denominado método STC pode ser aplicado a dados de forma de onda sônica que representam sinais acústicos recebidos pela matriz de receptor da ferramenta de perfilagem sônica para uma faixa de valores de profundidade no poço revestido para derivar dados que representam uma imagem de coerência de lentidão-tempo (STC) correspondente aos dados de forma de onda sônica. O método STC calcula mapas de coerência das formas de onda sônicas recebidas ao longo de janelas de tempo e uma gama de ângulos de movimentação. Os detalhes do método STC são descritos em J. B. Haldorsen, D. L. Johnson, T. Plona, B. Sinha, H.-P. Valero e K. Winkler, "Borehole acoustic waves", Oilfield Review, 2006.

[043] O sistema de aprendizado de máquina não supervisionado determina uma representação de baixa dimensão dos dados de entrada diretamente a partir dos próprios dados de entrada. O sistema de aprendizado de máquina não supervisionado pode ser treinado com dados de entrada de alta dimensão (tais como dados TKO e/ou imagens STC) derivados de formas de onda acústicas simuladas que cobrem e correspondem a diferentes cenários de poços revestidos relacionados à faixa de propriedades de integridade/cimentação de poço que podem ser determinadas a partir do fluxo de trabalho. Alternativa ou adicionalmente, o sistema de aprendizado de máquina não supervisionado pode ser treinado com dados de entrada de alta dimensão (tais como dados TKO e/ou imagens STC) derivados de formas de onda acústicas medidas em diferentes ambientes de poço revestidos conhecidos que cobrem e correspondem à faixa de propriedades de integridade/cimentação de poço que podem ser determinadas a partir do fluxo de trabalho.

[044] A representação de baixa dimensão produzida pelo sistema de aprendizado de máquina não supervisionado pode ser processada por um ou mais métodos de agrupamento para identificar vários agrupamentos (classes) na representação de baixa dimensão e descobrir identificadores (marcadores) para os vários agrupamentos diretamente dos próprios dados. Um agrupamento é um grupo ou classe de elementos de dados na representação de baixa dimensão. Propriedades para caracterizar e avaliar a integridade de poço podem ser determinadas a partir dos identificadores de agrupamento produzidos pelo método de agrupamento e dados sônicos correspondentes. Por exemplo, tais propriedades podem estar relacionadas à cimentação do anel (anéis) no poço revestido como a função do azimute e da profundidade.

FLUXO DE TRABALHO

[045] Voltando-se à Figura 4, é apresentado um fluxo de trabalho que coleta dados de forma de onda sônica que representam sinais acústicos recebidos por múltiplos receptores da matriz de receptor de uma ferramenta de perfilagem sônica (tal como a ferramenta de perfilagem sônica da Figura 1) em resposta a uma ou mais excitações de transmissor através de um intervalo de profundidade num poço revestido (bloco 401). As excitações do transmissor podem ser excitações monopolo, dipolo e/ou quadrupolo. Nas modalidades, o poço revestido pode ter um revestimento de coluna múltipla, como mostrado na Figura 3. Em outras modalidades, o poço revestido pode empregar outras configurações de revestimento.

[046] No bloco 403, os dados de forma de onda sônica coletados no bloco 401 são processados para determinar uma representação geofísica dos dados de forma de onda sônica (por exemplo, lentidão ao longo do tempo, lentidão ao longo da frequência, lentidão ao longo do tempo e frequência e/ou lentidão ao longo do tempo e espaço). Nas modalidades, o processamento do bloco 403 pode empregar um ou mais métodos de processamento de forma de onda (por exemplo, método TKO e/ou método STC) nos dados de forma de onda sônica coletados para determinar a representação geofísica dos dados de forma de onda sônica conforme descrito no presente documento.

[047] No bloco 405, a representação geofísica dos dados de forma de onda sônica do bloco 403 é inserida num sistema de aprendizado de máquina não supervisionado que determina um conjunto de dados compactado (de baixa dimensão) da representação geofísica dos dados de forma de onda sônica. Nesta operação, a representação geofísica dos dados de forma de onda sônica do bloco 403 é usada como dados de entrada de alta dimensão para o sistema de aprendizado de máquina não supervisionado. O sistema de aprendizado de máquina não supervisionado determina uma representação de baixa dimensão dos dados de entrada diretamente a partir dos próprios dados de entrada. O sistema de aprendizado de máquina não supervisionado usado no bloco 405 pode ser treinado com dados de entrada de alta dimensão (tais como dados TKO e/ou dados de imagem STC) derivados de formas de onda acústicas simuladas que cobrem e correspondem a diferentes cenários de poços revestidos relacionados à faixa de propriedades de integridade/cimentação de poço que podem ser determinadas a partir do fluxo de trabalho. Alternativa ou adicionalmente, o sistema de aprendizado de máquina não supervisionado usado no bloco 405 pode ser treinado com dados de entrada de alta dimensão (tais como dados TKO e/ou dados de imagem STC)

derivados de formas de onda acústicas medidas em diferentes ambientes de poço revestidos conhecidos que cobrem e correspondem à faixa de propriedades de integridade/cimentação de poço que podem ser determinadas a partir do fluxo de trabalho.

[048] No bloco 407, uma série de agrupamentos pode ser escolhida ou estimada. Por exemplo, o número de agrupamentos pode ser escolhido a partir de um valor predefinido ou estimado por processamento de dados.

[049] No bloco 409, um método de agrupamento (por exemplo, agrupamento k-means ou agrupamento aglomerativo) pode ser aplicado à saída do conjunto de dados compactado (de baixa dimensão) pelo sistema de aprendizado não supervisionado no bloco 405. O método de agrupamento processa o conjunto de dados compactado (de baixa dimensão) para identificar um conjunto de agrupamentos e identificadores (ou marcadores) de agrupamento correspondentes no conjunto de dados compactado (de baixa dimensão). O número de agrupamentos no conjunto de agrupamentos identificado pode ser baseado no número de agrupamentos conforme escolhido ou estimado no bloco 407.

[050] No bloco 411, os identificadores de agrupamento (ou marcadores) para o conjunto de agrupamentos identificados no bloco 409 podem ser emitidos como uma função da posição e da profundidade azimutais do receptor no poço revestido. O identificador (ou marcadores) de agrupamento obtido por um método de agrupamento nos dados compactados (de baixa dimensão) é um vetor unidimensional originalmente recolhido em que os marcadores de todas as posições de profundidade e azimutais são achatados juntos. Remodelando-se o (reorganizando-se os índices do) vetor unidimensional da representação de marcador para uma matriz bidimensional, um mapa bidimensional de marcadores em que uma dimensão (eixo geométrico y, de cima para baixo) representa a posição de profundidade e a outra dimensão (eixo geométrico x, da esquerda para a direita) pode ser obtido.

[051] No bloco 413, a representação geofísica dos dados de forma de onda sônica (ou dados modelados) nas posições e profundidades azimutais do receptor da saída de identificadores de agrupamento no bloco 411 pode ser analisada para selecionar um ou mais identificadores de agrupamento identificados pelo método de agrupamento. Tal análise pode envolver a análise de especialista de quadros selecionados correspondentes a cada um dos identificadores de agrupamento/agrupamento emitidos no bloco 411. Num exemplo não limitativo, um quadro de dados sônicos são dados sônicos numa certa profundidade. Usualmente, o quadro e a profundidade podem ser usados alternadamente. Esta análise também pode usar modelagem para compreender e interpretar os dados destes quadros selecionados.

[052] O número de identificadores de agrupamento selecionados no bloco 413 também pode ser escolhido com tal análise. Alternativamente, uma função objetiva pode ser definida e usada nas operações de aprendizado de máquina e agrupamento para estimar e determinar o número de agrupamentos e identificadores de agrupamento correspondentes selecionados no bloco 413.

[053] No bloco 415, o identificador (identificadores) de agrupamento selecionado no bloco 413 pode ser usado para determinar pelo menos uma propriedade de integridade de poço como uma função do azimute e da profundidade no poço revestido. Por exemplo, a pelo menos uma propriedade de integridade de poço pode estar relacionada à condição do cimento (cimento duro ou cimento mole ou presença de água) em pelo menos um anel do poço revestido como uma função do azimute e da profundidade.

[054] Propriedades diferentes de integridade de poço/cimento (cimento rígido/cimento mole/fluido) podem alterar as formas de onda sônicas recebidas e, então, alterar correspondentemente os referidos recursos de dados sônicos (por exemplo, STC, TKO). Portanto, suas representações de baixa dimensão têm diferentes distribuições no espaço latente, produzindo diferentes marcadores de agrupamento para suas regiões circundantes (no sentido de profundidades e azimutes) após um método de agrupamento.

[055] Num exemplo não limitativo, todos os azimutes e profundidades processados podem ser revisados para entender a distribuição geral das propriedades de integridade de poço/cimento e/ou escolher certas regiões de profundidades/azimutes com alguns marcadores particulares de interesse, que podem ser diferentes de suas regiões circundantes, para entender rapidamente que tais regiões são diferentes de seus arredores e, então, especialistas com conhecimento de domínio podem ser direcionados para investigar adicionalmente outras medições auxiliares adquiridas/processadas a partir de dispositivos ultrassônicos, sísmicos, eletromagnéticos, etc. para melhor compreensão das propriedades.

[056] Nas modalidades, a pelo menos uma propriedade relacionada à integridade de poço conforme determinado no bloco 415 pode ser armazenada na memória do computador e emitida para exibição e avaliação da integridade de poço no intervalo de profundidade no poço revestido.

[057] Nas modalidades, as operações dos blocos 401 a 415 podem ser repetidas para diferentes intervalos de profundidade no poço revestido para determinar a pelo menos uma propriedade relacionada à integridade de poço para os diferentes intervalos de profundidade. Neste caso, a ferramenta de perfilagem sônica pode ser transportada dentro do poço revestido e localizada em posições de profundidade axial correspondentes aos diferentes intervalos de profundidade. Em cada posição de profundidade axial, a ferramenta de perfilagem sônica pode ser operada para coletar dados de forma de onda sônica para múltiplos receptores da matriz de receptor de uma ferramenta de perfilagem sônica (tal como a ferramenta de perfilagem sônica da Figura 1) em resposta a uma ou mais excitações de transmissor através do intervalo de profundidade correspondente no poço revestido. A pelo menos uma propriedade relacionada à integridade de poço conforme determinado no bloco 415 para os diferentes intervalos de profundidade no poço revestido pode ser armazenada na memória do computador e emitida para exibição como parte de um perfil do poço, a fim de caracterizar e avaliar a integridade de poço como uma função de azimute e profundidade no poço revestido.

MÉTODO TKO

[058] Conforme descrito acima, o método TKO pode ser aplicado a dados de forma de onda sônica que representam sinais acústicos recebidos pela matriz de receptor da ferramenta para derivar dados sônicos caracterizando uma relação de dispersão entre lentidão e frequência nos dados de forma de onda sônica, e tais operações podem fazer parte de bloco 403 da Figura 4. Uma descrição detalhada segue para uma implementação do método TKO que processa formas de onda sônicas recebidas pela matriz de receptor da ferramenta de perfilagem sônica em resposta a excitações acústicas transmitidas por um transmissor de monopolo distante ou transmissor de dipolo distante.

[059] Nesta implementação, as formas de onda sônicas recebidas pela matriz de receptor da ferramenta de perfilagem sônica são normalizadas para os fatores de normalização de cada receptor correspondente na matriz de receptor. Para cada profundidade, denota-se a forma de onda sônica monopolo ou dipolo normalizada no 𝑖-ésimo receptor axial como 𝑟𝑖 (𝑡) após a decomposição modal, em que 𝑖 = 1, … , 𝑁𝑍 , 𝑡 ∈ [0, 𝑁𝑇 ]. Uma vez que a relação de dispersão é expressa em termos de frequência e lentidão, os sinais recebidos são primeiramente transformados no domínio de frequência com a transformada de Fourier como 1 𝑅𝑖 (𝑓) = √𝑁𝑇 ∫ 𝑟𝑖 (𝑡)𝑒 −𝑗2𝜋𝑓𝑡 𝑑𝑡 . Numa determinada frequência 𝑓0 , 𝑅𝑖 (𝑓0 ) pode ser aproximado como uma combinação linear de números de onda complexos 𝑝 na forma de 𝑅𝑖 (𝑓0 ) ≈ ∑𝑝𝑖=1 𝑎𝑖 𝑒 −𝑗𝑘𝑖 𝑧 . O método de matriz pencil pode ser usado para estimar 𝑘𝑖 , 𝑖 = 1, … , 𝑃 . Nesta implementação, duas matrizes 𝐑(0) e 𝐑(1) são construídas como: 𝑅2 (𝑓0 ) 𝑅3 (𝑓0 ) 𝑅𝑃+1 (𝑓0 ) ⋯ 𝑅3 (𝑓0 ) 𝑅4 (𝑓0 ) 𝑅𝑃+2 (𝑓0 ) 𝐑(0) = e Equação (1a) ⋮ ⋱ ⋮ 𝑅 (𝑓 [ 𝑁𝑍 −𝑃+1 0 ) 𝑅𝑁𝑍 −𝑃+2 (𝑓0 ) ⋯ 𝑅𝑁𝑍 (𝑓0 ) ] 𝑅1 (𝑓0 ) 𝑅2 (𝑓0 ) 𝑅𝑃 (𝑓0 ) ⋯ 𝑅2 (𝑓0 ) 𝑅3 (𝑓0 ) 𝑅𝑃+1 (𝑓0 ) 𝑹(1) = . Equação (1b) ⋮ ⋱ ⋮

𝑅 [ 𝑍 𝑁 −𝑃 (𝑓0 ) 𝑅𝑁 𝑍 −𝑃+1 (𝑓0 ) ⋯ 𝑅𝑁𝑍−1 (𝑓0 )] O tamanho de 𝐑(0) e 𝑹(1) é fornecido como (𝑁𝑍 − 𝑃) × 𝑃. O algoritmo de matriz pencil mostra que os polos são na verdade os valores próprios da matriz pencil (𝐑(0) , 𝐑(1) ), conforme descrito em Y. Hua e T. K. Sarkar, "Matrix pencil method for estimating parameters of exponentially damped/undamped sinusoids in noise", IEEE Transactions on Acoustics, Speech, and Signal Processing, volume 38, nº 5, páginas 814-824, 1990. Isto significa solucionar |𝐑(0) − 𝜆𝐑(1) |=0, Equação (2) ou equivalentemente, † |(𝐑(1) ) 𝐑(0) − 𝜆𝐈|=0 Equação (3)

em que (∙)† denota a pseudoinversa de uma matriz. Após o cálculo do valor próprio acima, os valores próprios 𝜆 de comprimento 𝑃 são chamados de estimativas de polo reverso.

[060] Da mesma forma, após calcular os valores próprios da matriz pencil (𝐑(1) , 𝐑(0) ), isto é, solucionar |𝐑(1) − 𝜆𝐑(0) |= 0, os resultados 𝜆 de comprimento 𝑃 são chamados de estimativas de polo direto. Então, as magnitudes entre as estimativas de polo direto e reverso 𝜆 podem ser comparadas entre si e estes polos bem combinados podem ser escolhidos como as boas estimativas de polo 𝑘̂ com base num determinado limite de diferenças de magnitude. Então, a lentidão correspondente 𝑠̂ = 𝑘̂/𝑓 pode ser estimada em relação à frequência.

MÉTODO DE STC

[061] Conforme descrito acima, o método STC pode ser aplicado a dados de forma de onda sônica que representam sinais acústicos recebidos pela matriz de receptor da ferramenta para derivar dados sônicos representando uma imagem de coerência de lentidão-tempo (STC) correspondente aos dados de forma de onda sônica, e tais operações podem fazer parte de bloco 403 da Figura 4. Uma descrição detalhada segue para uma implementação do método STC que processa formas de onda sônicas recebidas pela matriz de receptor da ferramenta de perfilagem sônica em resposta a excitações acústicas transmitidas por um transmissor de monopolo distante ou transmissor de dipolo distante.

[062] Um processo de filtragem passa-banda pode ser realizado para cada sinal recebido 𝑟𝑖 (𝑡) usando uma transformada contínua em ôndulas, por exemplo, uma transformada contínua em ôndulas usando a ôndula de Morlet. A ôndula de 𝑡2 − Morlet pode ser expressa como 𝑊𝑓𝑐 (𝑡) = 𝑒 𝑗2𝜋𝑓𝑐𝑡 𝑒 2𝜎2 em que 𝑓𝑐 é a frequência central, e 𝜎 é uma largura de banda constante. A transformada contínua em ôndulas é um processo de convolução no domínio do tempo e, de forma equivalente, é simplesmente um processo de multiplicação no domínio de frequência. O espectro de frequência de 𝑟𝑖 (𝑡) e 𝑊𝑓0 (𝑡) pode ser obtido usando a transformada de Fourier como: 1 𝑅𝑖 (𝑓) = √𝑁𝑇 ∫ 𝑟𝑖 (𝑡)𝑒 −𝑗2𝜋𝑓𝑡 𝑑𝑡 e Equação (4a)

𝑊𝑓𝑐 (𝑓) = √𝑁𝑇 ∫ 𝑊𝑓𝑐 (𝑡)𝑒 −𝑗2𝜋𝑓𝑡 𝑑𝑡 . Equação (4b) Portanto, o sinal filtrado em passa-banda no domínio de frequência é fornecido como: (𝑊) 𝑅𝑖,𝑓𝑐 (𝑓) = 𝑅𝑖 (𝑓)𝑊𝑓𝑐 (𝑓). Equação (5)

[063] A fim de incluir as informações de lentidão para a imagem STC, o componente de deslocamento de domínio de frequência 𝑆𝑠 (𝑓) = 𝑒 𝑗2𝜋𝑓𝑠 , em que 𝑠 ∈ [𝑠1 , … , 𝑠𝑁 ] pertence a um conjunto de valores de lentidão interessada, é introduzido (𝑊) para deslocar o sinal de domínio de frequência filtrado em passa-banda 𝑅𝑖,𝑓𝑐 (𝑓) (𝑊) (𝑊) para uma lentidão interessada 𝑠 como 𝑅𝑖,𝑓𝑐,𝑠 (𝑓) = 𝑅𝑖,𝑓𝑐 (𝑓)𝑆𝑠 (𝑓). O sinal filtrado em passa-banda deslocado lentamente é, então, convertido no domínio de tempo com a transformada de Fourier inversa como: (𝑊) 1 (𝑊) 𝑟𝑖,𝑓𝑐,𝑠 (𝑡) = √𝑁𝑇 ∫ 𝑅𝑖,𝑓𝑐,𝑠 (𝑓)𝑒 𝑗2𝜋𝑓𝑡 𝑑𝑓. Equação (6) Finalmente, a imagem STC do sinal filtrado em passa-banda na frequência central 𝑓𝑐 em relação à lentidão e ao tempo é obtida normalizando-se o domínio axial como: (𝑊) 2 |∑𝑖 𝑟𝑖,𝑓𝑐,𝑠 (𝑡)| STC𝑓𝑐 (𝑠, 𝑡) = (1⁄𝑅 ) ⁄ 2 . Equação (7) 𝑍 (𝑊) ∑𝑖 |𝑟𝑖,𝑓 ,𝑠 (𝑡)| 𝑐

[064] As Figuras 5A a 5C demonstram imagens STC derivadas de formas de onda sônicas recebidas num único receptor em resposta a excitações acústicas transmitidas pelo transmissor de dipolo distante após a decomposição modal e filtragem passa-banda em três frequências centrais diferentes. A imagem STC da Figura 5A foi derivada do sinal dipolo recebido após a decomposição modal e filtragem passa-banda numa frequência central 𝑓𝑐 de 1,75 kHz. A imagem STC da Figura 5B foi derivada do sinal dipolo recebido após a decomposição modal e filtragem passa-banda a uma frequência central 𝑓𝑐 de 4 kHz. A imagem STC da Figura 5C foi derivada do sinal dipolo recebido após a decomposição modal e filtragem passa-banda a uma frequência central 𝑓𝑐 de 8,75 kHz.

[065] As Figuras 6A a 6H demonstram imagens STC derivadas de formas de onda sônicas recebidas em oito receptores azimutais em resposta a excitações acústicas transmitidas pelo transmissor de monopolo distante após a decomposição modal e filtragem passa-banda numa frequência central 𝑓𝑐 de 20 kHz. As linhas de cada imagem STC se referem ao eixo geométrico de lentidão, e as colunas de cada imagem STC se referem ao eixo geométrico de tempo.

[066] Como pode ser visto nas imagens STC das Figuras 5A a 5C e Figuras 6A a 6H, as diferentes imagens STC filtradas em passa-banda revelam diferentes modalidades das formas de onda recebidas, e as diferentes imagens STC azimutais indicam heterogeneidade azimutal. MAPA AUTO-ORGANIZÁVEL (SOM)

[067] O principal objetivo de um sistema de aprendizado de máquina SOM é o agrupamento automático de dados e a apresentação gráfica dos agrupamentos de dados resultantes. O sistema de aprendizado de máquina SOM projeta os dados de entrada de alta dimensão como vetores para um espaço de dimensão inferior cujo tamanho é 2 ou 3 e visualiza pontos bidimensionais ou tridimensionais numa plotagem de dispersão. Consultar T. Kohonen, "Self-organized formation of topologically correct feature maps," Biological Cybernetics, nº 43, páginas 59-69,

1982. Além disto, tal novo conjunto de dados de baixa dimensão pode preservar a estrutura topológica dos dados de entrada de alta dimensão. SOM usa uma rede neural para redução de dimensionalidade.

[068] A Figura 7 demonstra a estrutura da rede neural para um sistema de aprendizado de máquina SOM com uma estrutura bidimensional. Suponha que cada um dos dados de entrada 𝒙 = [𝑥1 , … , 𝑥𝑚 ] é um vetor de comprimento 𝑚, e os mesmos configurem uma camada de entrada de 𝑚 neurônios mostrados como os círculos no lado esquerdo da Figura 7. Ademais, suponha que o sistema de aprendizado de máquina SOM tem 𝑁𝑋 × 𝑁𝑆 neurônios na camada de saída mostrados como blocos no lado direito da Figura 7. Em seguida, uma rede neural totalmente conectada pode ser estabelecida entre as duas camadas. Estas conexões entre as camadas de entrada e saída têm pesos e o conjunto de pesos para cada nó de saída na posição (𝑖, 𝑗) totalmente conectado aos 𝑚 neurônios de (1) (𝑚) entrada forma um vetor de peso 𝑾𝑖𝑗 = [𝑊𝑖𝑗 , … , 𝑊𝑖𝑗 ] , para 𝑖 = 1, … 𝑁𝑋 , 𝑗 = 1, … , 𝑁𝑆 . O vetor de peso 𝑾𝑖𝑗 também é chamado de vetor de livro de códigos. Todos os vetores do livro de códigos são inicializados aleatoriamente antes que o treinamento ou aprendizado não supervisionado do sistema de aprendizado de máquina SOM comece.

[069] O sistema de aprendizado de máquina SOM é treinado em uma ou mais etapas de treinamento. Em cada etapa de treinamento, suponha que há 𝑛 vetores de entrada 𝒙1 , … , 𝒙𝑛 , e um vetor de entrada 𝒙𝑝 ∈ {𝒙1 , … , 𝒙𝑛 } é selecionado aleatoriamente e passado para a rede neural. O vetor 𝒙𝑝 é comparado com todos os vetores do livro de códigos 𝑾𝑖𝑗 e um neurônio de melhor correspondência (BMU) é designado com a distância euclidiana mínima para o mesmo, isto é, 2 𝐵𝑀𝑈(𝒙𝑝 ) = argmin‖𝒙𝑝 − 𝑾𝑖𝑗 ‖ . Equação (8) 𝑖,𝑗

[070] Após BMUs de todos os vetores de entrada terem sido calculados, o processo de treinamento atualiza os vetores do livro de códigos 𝑾𝑖𝑗 por: 𝑾𝑖𝑗 (𝑡 + 1) = 𝑾𝑖𝑗 (𝑡) + 𝜂(𝑡) ⋅ 𝑇𝑖𝑗,𝐵𝑀𝑈(𝒙𝑝 ) ⋅ (𝒙𝑝 − 𝑾𝑖𝑗 ), Equação (9) em que 𝑡 é o número de iterações (época), 𝜂(𝑡) é a taxa de aprendizado dependente do tempo, e 𝑇𝑖𝑗,𝐵𝑀𝑈(𝒙𝑝 ) é uma função de vizinhança topológica em termos do BMU de 𝒙𝑝 e qualquer neurônio arbitrário localizado na posição (𝑖, 𝑗). 2 −𝑆𝑖𝑗,𝐵𝑀𝑈(𝒙 ⁄(2𝜎2 )

[071] Na prática, 𝜂(𝑡) = 𝜂0 𝑒 −𝑡⁄𝜏𝜂 e 𝑇𝑖𝑗,𝐵𝑀𝑈(𝒙𝑝 ) = 𝑒 𝑝) , em que 𝑆𝑖𝑗,𝐵𝑀𝑈(𝒙𝑝 ) é a distância lateral entre o BMU de 𝒙𝑝 e qualquer neurônio arbitrário localizado na posição (𝑖, 𝑗). 𝑇𝑖𝑗,𝐵𝑀𝑈(𝒙𝑝 ) tem diversas propriedades importantes: é máximo em 𝐵𝑀𝑈(𝒙𝑝 ) , é simétrico em relação a este neurônio, diminui monotonicamente até zero quando a distância vai ao infinito e tem a propriedade de invariante à translação, isto é, é independente da localização de 𝐵𝑀𝑈(𝒙𝑝 ). O ponto de 𝑇𝑖𝑗,𝐵𝑀𝑈(𝒙𝑝 ) é que não apenas 𝐵𝑀𝑈(𝒙𝑝 ) obtém seus pesos atualizados, mas seus vizinhos também terão seus pesos atualizados, embora não tanto quanto o próprio 𝐵𝑀𝑈(𝒙𝑝 ). Portanto, o efeito geral de cada processo de atualização de peso é mover o vetor de peso do BMU de uma entrada 𝒙𝑝 e dos vizinhos adjacentes do BMU em direção à entrada 𝒙𝑝 . O cálculo repetido dos BMUs e a atualização dos pesos preservam a estrutura topológica dos dados de entrada.

[072] Quando o sistema de aprendizado de máquina SOM é treinado, todos os vetores de entrada são passados para a rede novamente para encontrar um conjunto de BMUs. Os vetores de entrada agora são distribuídos entre as grades do mapa. Desta forma, o sistema de aprendizado de máquina SOM treinado pode ser usado para transformar dados de entrada de alta dimensão de acordo com a estrutura discreta do sistema de aprendizado de máquina SOM treinado. A fim de visualizar o quanto os vetores de entrada estão próximos no espaço, um método denominado matriz de distância unificada (matriz U) pode ser usado, que mostra a distância entre os neurônios vizinhos da seguinte maneira: 𝑑11 𝑑11|12 𝑑12 𝑑12|13 𝑑1𝑁𝑌 𝑑11|21 𝑑11|12|21|22 𝑑12|22 𝑑12|13|22|23 ⋯ 𝑑1𝑁𝑌|2𝑁𝑌 matriz U = 𝑑21 𝑑21|22 𝑑22 𝑑22|23 𝑑2𝑁𝑌 , Equação (10) ⋮ ⋱ ⋮ [ 𝑑𝑁𝑋1 𝑑𝑁𝑋1|𝑁𝑋2 𝑑𝑁 𝑋 2 𝑑𝑁𝑋2|𝑁𝑋3 ⋯ 𝑑𝑁 𝑋 𝑁 𝑌 ] em que 𝑑𝑖𝑗|𝑖(𝑗+1) ,𝑑𝑖𝑗|(𝑖+1)𝑗 são as distâncias euclidianas entre os vetores de peso 𝑾𝑖𝑗 e 𝑾𝑖(𝑗+1) , 𝑾𝑖𝑗 e 𝑾(𝑖+1)𝑗 , respectivamente.

[073] Os valores de 𝑑𝑖𝑗|𝑖(𝑗+1)|(𝑖+1)𝑗|(𝑖+1)(𝑗+1) = (𝑑𝑖𝑗 + 𝑑𝑖(𝑗+1) + 𝑑(𝑖+1)𝑗 + 𝑑(𝑖+1)(𝑗+1) )⁄4 e os valores de 𝑑𝑖𝑗 são a média dos elementos vizinhos da matriz U. Os detalhes da matriz U são apresentados em A. Ultsch e H. P. Siemon, "Kohonen's Self Organizing Feature Maps for Exploratory Data Analysis", em Proceedings of the International Neural Network Conference (INNC-90), Paris, França, 1990. Se o mapa de cor cinza for usado, a cor escura na matriz U corresponde a uma grande distância entre dois neurônios vizinhos e uma cor clara indica uma distância próxima entre dois neurônios vizinhos. Portanto, as áreas claras podem ser consideradas como agrupamentos, e as áreas escuras podem ser usadas como separadores de agrupamentos. Mapas de cores diferentes além do cinza também podem ser usados.

[074] A Figura 8 mostra uma matriz U de 1800 imagens STC compactadas, cada uma de tamanho 72 × 240 × 3, gerada por um sistema de aprendizado de máquina SOM a partir de 1800 imagens STC de entrada derivadas de formas de onda sônicas sintéticas num poço revestido que emprega um revestimento de coluna múltipla. As formas de onda sônicas sintéticas foram sintetizadas para cinco cenários diferentes predefinidos de integridade/cimentação de poço, isto é, (1) o anel A (anel interno) é cimento duro, o anel B (anel externo) é cimento duro; (2) o anel A é cimento leve, o anel B é cimento leve; (3) o anel A é água, o anel B é cimento duro; (4) o anel A é água, o anel B é um cimento leve; (5) o anel A é água,

o anel B é água. Existem alguns limites claros com cores mais claras que separam os agrupamentos correspondentes com cores mais escuras na matriz U. As BMUs de 1800 imagens STC de entrada também são marcadas nas posições correspondentes da matriz U. Nesse ínterim, os marcadores de classe de verdade das imagens STC de entrada e os marcadores de classe agrupados automaticamente dada a matriz U são marcados com números e pontos, respectivamente. Pode-se ver que o método de agrupamento baseado na matriz U do sistema de aprendizado de máquina SOM é capaz de separar automaticamente as imagens STC sintetizadas de diferentes cenários de cimentação, embora com alguns resultados errados em alguns cenários em comparação com a verdade fundamental. SOM COM AUTOCODIFICADOR (SOM-AE)

[075] O sistema de aprendizado de máquina SOM tem apenas uma camada de rede neural e nenhuma camada oculta está incluída. Graças ao rápido surgimento de redes neurais profundas, muitos algoritmos de aprendizado de máquina poderosos foram desenvolvidos. Para incorporar os benefícios da rede neural profunda, um autocodificador (AE) pode ser usado para trabalhar com o sistema de aprendizado de máquina SOM.

[001] O AE usa uma estrutura de rede neural de camada múltipla que tem uma camada de entrada, uma camada de saída que tem o mesmo número de neurônios que a camada de entrada e uma ou mais camadas ocultas conectando as mesmas. Os detalhes do AE são apresentados em Y. Bengio, "Learning Deep Architectures for AI", Foundations and Trends in Machine Learning, volume 2, nº 1, páginas 1-127, 2009. Uma vez que o marcador de treinamento são os próprios dados de treinamento, o AE é um sistema de aprendizado não supervisionado. O AE inclui dois componentes, um codificador e um decodificador, que podem ser definidos como duas funções 𝜙 e 𝜓, respectivamente, 𝒛 = 𝜙 (𝒙) { , Equação (11) ̂ = 𝜓 (𝒛) 𝒙 em que 𝒙 ∈ 𝒳 é um dado de entrada de um espaço de alta dimensão, 𝒛 ∈ 𝒵 é um dado compactado pelo codificador 𝜙, e 𝒙 ̂ ∈ 𝒳 é a saída de dados reconstruída pelo decodificador 𝜓. Para atingir a compactação de dados, o espaço de dados codificados 𝒵 tem uma dimensão muito menor do espaço de dados de entrada/saída 𝒳, e, portanto, o AE tem uma topologia de gargalo.

[076] O objetivo do AE é encontrar os pesos do codificador e do decodificador de forma que a função de perda da norma ℓ2 entre as saídas ̂ e as entradas originais 𝒙 seja minimizada, isto é, 𝜙̂, 𝛹 decodificadas 𝒙 ̂= 2 argmin ∑𝒙‖𝒙 − 𝜓(𝜙(𝒙))‖ ⁄2. Como outras redes neurais, a retropropagação pode 𝜙,𝜓 ser usada para atualizar os pesos da rede de 𝜙, 𝜓 e reduzir gradualmente o erro de reconstrução com o método de gradiente descendente estocástico e suas variantes. A Figura 9 mostra uma estrutura esquemática de um AE com um codificador 901, um decodificador 902 e a estrutura de gargalo no final do codificador 901.

[077] No sistema de aprendizado de máquina SOM-AE, o codificador de um AE é estendido na frente do sistema de aprendizado de máquina SOM de modo que os dados de entrada para o sistema de aprendizado de máquina SOM não sejam mais os dados sônicos processados originais (por exemplo, resultados de TKO e STC das formas de onda sônicas recebidas), mas, em vez disto, seja uma representação compactada dos dados sônicos processados produzidos pelo codificador do AE. Existem muitas vantagens em fazer isto. Em primeiro lugar, o processo de treinamento de SOM é geralmente lento, especialmente para entrada de alta dimensão; no entanto, se substituirmos a entrada de alta dimensão pelos dados compactados de dimensão intermediária produzidos pelo codificador do AE, o processo de treinamento de SOM pode ser significativamente acelerado. O treinamento de AE também pode ser acelerado usando computação GPU. Em segundo lugar, o codificador do AE geralmente não codifica ruído aleatório não coerente e, portanto, pode atenuar efetivamente os componentes de ruído dos dados de entrada. Assim, um SOM estendido com o codificador de um AE antes de sua entrada pode, portanto, ser mais robusto para os dados de entrada com ruído. Em terceiro lugar, pode-se explorar totalmente o poder das redes neurais profundas e deixá-las estender a capacidade de aprendizado do SOM.

[078] Num exemplo não limitante, as etapas de treinamento de SOM-AE incluem: (1) Treinar um modelo de autocodificador (AE) que inclui um codificador e um decodificador com dados sônicos de entrada como dados de treinamento usando estruturas de rede neural e um método de otimização de gradiente descendente estocástico; (2) Aplicar um módulo codificador do modelo AE aos dados sônicos de entrada originais para reduzir sua dimensionalidade; (3) Treinar uma rede neural do mapa de auto-organização (SOM) alimentando os dados sônicos com dimensionalidade reduzida (a saída do módulo codificador AE) como sua entrada; e (4) O SOM treinado agora aceita a saída do módulo codificador AE, isto é, os dados sônicos com dimensionalidade reduzida, como entrada e envia os resultados de agrupamento numa topologia bidimensional.

[079] A Figura 10 mostra a estrutura de um AE usado para compactação de imagem STC sônica. Cada imagem STC de entrada é um tensor de dados de tamanho 96 × 80 × 1.

[080] A Figura 11 mostra a estrutura detalhada do codificador do AE da Figura 10, que compreende uma pluralidade de redes neurais convolucionais e camadas de maxpool 2D. Na saída do codificador do AE, a imagem STC sônica compactada se torna um tensor de dados muito menor de tamanho 12 × 10 × 8. No lado direito da Figura 10, pode-se ver que a imagem STC sônica compactada é bem reconstruída pelo decodificador do AE, indicando que a saída do codificador aprendeu a maioria das informações da imagem STC. Portanto, é seguro substituir a imagem STC original de 7680 dimensões pelo resultado compactado de 960 dimensões produzido pelo codificador do AE como a entrada para o SOM.

[081] A Figura 12 mostra a matriz U de 1800 imagens STC compactadas, cada uma de tamanho 9 × 30 × 8 (2160 dimensões) gerada por um sistema de aprendizado de máquina SOM-AE a partir de imagens STC de tamanho 72 × 240 × 3 (51840 dimensões) derivadas de formas de onda sônicas sintéticas num poço revestido com um revestimento de várias colunas. Similarmente à Figura 8, as formas de onda sônicas sintéticas foram sintetizadas para cinco cenários diferentes predefinidos de integridade/cimentação de poço, isto é, (1) o anel A (anel interno) é cimento duro, o anel B (anel externo) é cimento duro; (2) o anel A é cimento leve, o anel B é cimento leve; (3) o anel A é água, o anel B é cimento duro. Dadas as classes de agrupamento em pontos da escala de cinza e as classes de verdade fundamental em números, o sistema de aprendizado de máquina SOM-AE produz melhores resultados de agrupamento num tempo de treinamento muito mais curto em comparação com o sistema de aprendizado de máquina SOM.

AUTOCODIFICADOR VARIACIONAL (VAE)

[082] O sistema de aprendizado de máquina AE apresentado acima pode compactar dados de entrada de alta dimensão numa representação de baixa dimensão com a parte codificadora do AE. Estas informações compactadas não incorporam a distribuição dos dados de entrada. Consequentemente, os dados de alta dimensão podem ser reconstruídos a partir de sua representação de baixa dimensão, mas novos dados de alta dimensão não podem ser gerados a partir de uma representação arbitrária de baixa dimensão amostrada aleatoriamente no espaço.

[083] Pelo contrário, um sistema de aprendizado de máquina de autocodificador variacional (VAE) pode aprender os parâmetros de uma distribuição de probabilidade que representa os dados de alta dimensão de entrada e, portanto, pode amostrar a partir da distribuição para gerar novas amostras de dados de alta dimensão. Os detalhes do sistema de aprendizado de máquina de VAE são apresentados em DP Kingma e M. Welling, "Auto-Encoding Variational Bayes", na Conferência Internacional sobre Representações de aprendizado (ICLR), Banff, Canadá, 2014. Como antes, supõe-se que os dados de entrada 𝒙 ∈ 𝒳 pertençam a um espaço de alta dimensão. Se for possível modelar sua distribuição de probabilidade 𝑝(𝒙), então pode-se gerar novas amostras de dados 𝒙 ∉ 𝒳, mas semelhantes àquelas de 𝒳. Visto que 𝒳 é altamente dimensional, que é difícil de modelar diretamente, pode-se configurar um modelo de variável latente em vez disto: 𝑝(𝒙) = ∫ 𝑝(𝒙|𝒛)𝑝(𝒛)𝑑𝒛, Equação (12) em que 𝒛 ∈ 𝒵 pertence a um espaço variável latente de baixa dimensão desemaranhado que pode representar essencialmente 𝒳.

[084] O cálculo de 𝑝(𝒙) = ∫ 𝑝(𝒙|𝒛)𝑝(𝒛)𝑑𝒛 é computacionalmente intratável como 𝑝(𝒙|𝒛) ≈ 0 para a maioria dos 𝒛aleatórios. A fim de encontrar aquelas 𝒛 que produzem 𝑝(𝒙|𝒛) ≫ 0, é razoável investigar 𝑝(𝒛|𝒙) já que aquelas 𝒛 extraídas de 𝒙 são mais provavelmente as variáveis latentes sob os dados 𝒙. Um método chamado inferência variacional pode ser usado para inferir a distribuição 𝑝(𝒛|𝒙) aproximando-a de uma distribuição mais simples 𝑞(𝒛|𝒙) que é fácil de avaliar, como a distribuição gaussiana, e minimizando a diferença entre 𝑝(𝒛|𝒙) e 𝑞(𝒛|𝒙) usando a métrica de divergência KL, que está na forma de: 𝑞(𝒛|𝒙) 𝑞(𝒛|𝒙) 𝐷𝐾𝐿 [𝑞(𝒛|𝒙) ∥ 𝑝(𝒛|𝒙)] = ∑𝒛~𝑞(𝒛|𝒙) 𝑞(𝒛|𝒙) log 𝑝(𝒛|𝒙) = 𝐸𝑞 [log 𝑝(𝒛|𝒙)]. Equação (13)

[085] Usando a regra de Bayes, a Equação acima (13) pode ser reorganizado como: log 𝑝(𝒙) − 𝐷𝐾𝐿 [𝑞(𝒛|𝒙) ∥ 𝑝(𝒛|𝒙)] = 𝐸𝑞 [log 𝑝(𝒙|𝒛)] − 𝐷𝐾𝐿 [𝑞(𝒛|𝒙) ∥ 𝑝(𝒛)]. Equação (14) Observa-se que o lado direito da Equação (14) é a função objetiva do VAE que é maximizada. Desde 𝐷𝐾𝐿 [∙] ≥ 0, esta função tenta encontrar o limite inferior máximo de log 𝑝(𝒙), o que é bom o suficiente na prática.

[086] No sistema de aprendizado de máquina de VAE acima, 𝑝(𝒙|𝒛) gera dados de alta dimensão 𝒙 a partir de sua representação latente de baixa dimensão 𝒛e 𝑞(𝒛|𝒙) infere a representação latente de baixa dimensão 𝒛 a partir de dados de alta dimensão 𝒙. Ambos os processos podem ser construídos usando redes neurais profundas e, com base nas experiências de AE, 𝑞(𝒛|𝒙) pode ser considerada uma rede codificadora cuja saída é um gargalo, enquanto 𝑝(𝒙|𝒛) pode ser considerada uma rede decodificadora. A primeira parte da função objetiva de VAE, 𝐸𝑞 [log 𝑝(𝒙|𝒛)] , representa a probabilidade de reconstrução que precisa ser maximizada e a segunda parte, 𝐷𝐾𝐿 [𝑞(𝒛|𝒙) ∥ 𝑝(𝒛)], denota a diferença entre a distribuição posterior aproximada 𝑞(𝒛|𝒙) e a distribuição anterior 𝑝(𝒛) que precisa ser minimizada. Maximizar a probabilidade 𝐸𝑞 [log 𝑝(𝒙|𝒛)] é equivalente a minimizar a função de perda de regressão de uma rede sob alguns pesos de rede ideais. Minimizar 𝐷𝐾𝐿 [𝑞(𝒛|𝒙) ∥ 𝑝(𝒛)] pode ser alcançado assumindo que 𝑞(𝒛|𝒙) e 𝑝(𝒛) seguem distribuições gaussianas, tal como 𝑝(𝒛) = 𝒩(𝟎; 𝑰) , a distribuição gaussiana padrão, e 𝑞(𝒛|𝒙) = 𝒩(𝝁𝒛 |𝒙; 𝝈2𝒛 |𝒙), em que 𝝁𝒛 |𝒙, 𝝈2𝒛 |𝒙 são a média e a variância de 𝑞(𝒛|𝒙) considerando os dados de entrada 𝒙, respectivamente. Em tal circunstância, 𝐷𝐾𝐿 [𝑞(𝒛|𝒙) ∥ 𝑝(𝒛)] pode ser computado de uma forma fechada como: 𝐷𝐾𝐿 [𝑞(𝒛|𝒙) ∥ 𝑝(𝒛)] = 𝐷𝐾𝐿 [𝒩(𝝁𝒛 |𝒙; 𝝈2𝒛 |𝒙) ∥ 𝒩(0; 1)] = [∑𝑘(𝝈2𝒛 |𝒙 + 𝝁2𝒛 |𝒙 − 1 − log 𝝈2𝒛 |𝒙)]⁄2 . Equação (15) Observa-se que este termo se torna o termo de regularização adicionado à função de perda de regressão da rede, em que 𝑘 é a dimensão do espaço variável latente. É seguro assumir a distribuição anterior 𝑝(𝒛) = 𝒩(𝟎; 𝑰), já que uma rede neural profunda é capaz de converter uma distribuição Gaussiana simples em qualquer distribuição arbitrariamente complexa.

[087] Para a implementação, em vez de fornecer diretamente os valores codificados 𝒛 como num codificador AE padrão, o codificador VAE fornece as duas variáveis latentes 𝝁𝒛 |𝒙, 𝝈2𝒛 |𝒙 que descrevem a média e a variância do espaço latente. O decodificador VAE irá então gerar um novo 𝒙 amostrando um valor latente 𝒛 de sua distribuição posterior 𝒩(𝝁𝒛 |𝒙; 𝝈2𝒛 |𝒙) . No entanto, tal implementação simples, conforme mostrado na Figura 13A, não funciona devido ao fato de que a retropropagação usada para atualização de peso de rede não pode passar pelo processo de amostragem. Felizmente, este problema pode ser resolvido usando a reparametrização, o que deixa o processo de amostragem fora da arquitetura da rede. Sugere amostrar aleatoriamente uma variável 𝜺 a partir de uma variável gaussiana unitária e, em seguida, escaloná-la pelo desvio padrão do espaço latente 𝝈𝒛 |𝒙 e deslocá-la pela média do espaço latente 𝝁𝒛 |𝒙 . Esta implementação correta com reparameterização é mostrada na Figura 13B, em que não há obstáculo nas rotas de retropropagação.

[088] Os dados sônicos processados de alta dimensão (como dados TKO e dados de imagem STC) podem ser usados para treinar o VAE e obter as distribuições de representação de baixa dimensão produzidas pela parte codificadora do VAE para visualização. A fim de visualizar os resultados de agrupamento de representações dimensionais baixas, mas ainda maiores do que 3, a técnica de incorporação estocástica de vizinhos t-distribuída (t-SNE) pode ser usada. Os detalhes da técnica t-SNE são apresentados em L. van der Maaten e G. Hinton, "Visualizing Data using t-SNE," Journal of Machine Learning Research, volume de novembro, nº 9, páginas 2579-2605, 2008.

[089] As Figuras 14A a 14D representam visualizações t-SNE de saídas de VAE de 16 dimensões derivadas de dados TKO de alta dimensão ou dados sônicos STC com base em 1800 formas de onda sônicas monopolo e dipolo geradas por modelagem numérica. A Figura 14A é uma plotagem de uma visualização t-SNE da saída de 16 dimensões produzida pela parte de codificador do sistema de aprendizado de máquina VAE da Figura 13B, em que dados TKO processados de 1480 dimensões derivados de 1800 diferentes formas de onda sônicas monopolo são usados como entrada para o sistema de aprendizado de máquina VAE (em 1800 iterações diferentes para as 1800 diferentes formas de onda sônicas monopolo). A Figura 14B é um gráfico de uma visualização t-SNE de saída de 16 dimensões produzida pela parte codificadora do sistema de aprendizado de máquina VAE da Figura 13B, onde dados TKO processados de 1480 dimensões derivados de 1800 formas de onda sônicas dipolo diferentes são usados como entrada para o Sistema de aprendizado de máquina VAE (em 1800 iterações diferentes para as 1800 formas de onda sônicas dipolo diferentes). A Figura 14C é uma plotagem de uma visualização t-SNE da saída de 16 dimensões produzida pela parte de codificador do sistema de aprendizado de máquina VAE da Figura 13B, em que dados STC processados de 34560 dimensões derivados de 1800 formas de onda sônicas monopolo são usados como entrada para o sistema de aprendizado de máquina VAE (em 1800 iterações diferentes para as 1800 formas de onda sônicas dipolo diferentes). A Figura 14D é uma plotagem de uma visualização t-SNE da saída de 16 dimensões produzida pela parte de codificador do sistema de aprendizado de máquina VAE da Figura 13B, em que dados STC processados de 5180 dimensões derivados de 1800 formas de onda sônicas dipolo são usados como entrada para o sistema de aprendizado de máquina VAE (em 1800 iterações diferentes para as 1800 diferentes formas de onda sônicas dipolo). Como antes, para cada uma das Figuras 14A a 14D, as 1800 formas de onda sônicas usadas para o processamento foram sintetizadas para cinco cenários de cimentação distintos para um poço revestido que emprega um revestimento de coluna múltipla, com 360 formas de onda consecutivas por cenário.

[090] Os resultados das plotagens t-SNE das Figuras 14A a 14D podem ser formatados em plotagens de barras verticais, conforme mostrado nas Figuras 15A a 15D, em que cada linha é representada por um marcador de classe. A Figura 15A é uma plotagem de barras verticais dos resultados da visualização de t-SNE e agrupamento mostrados na Figura 14A. A Figura 15B é uma plotagem de barras verticais dos resultados da visualização de t-SNE e agrupamento mostrados na Figura 14B. A Figura 15C é uma plotagem de barras verticais dos resultados da visualização de t-SNE e agrupamento mostrados na Figura 14C. A Figura 15D é uma plotagem de barras verticais dos resultados da visualização de t-SNE e agrupamento mostrados na Figura 14D. Os resultados do agrupamento dadas as saídas de VAE de baixa dimensão são plotados como barras verticais nas Figuras 15A a 15D, indicando que o sistema de aprendizado de máquina VAE tem uma boa capacidade de agrupamento.

[091] Uma vez que o sistema de aprendizado de máquina VAE emprega um modelo generativo após aprender a distribuição de 𝑞(𝒛|𝒙) = 𝒩(𝝁𝒛 |𝒙; 𝝈2𝒛 |𝒙) , o sistema de aprendizado de máquina VAE pode gerar novas amostras de alta dimensão 𝒙 desenhando uma amostra 𝒛~𝑝(𝒛) = 𝒩(𝟎; 𝑰) e passando 𝒛 para o decodificador 𝑝(𝒙|𝒛).

[092] A Figura 16 mostra um exemplo de uso de um sistema de aprendizado de máquina VAE treinado por imagens STC de tamanho 101 × 86 (8686 dimensões) para gerar novas imagens STC semelhantes por decodificação das variáveis latentes de 128 dimensões 𝒛. No exemplo, 𝑧1 e 𝑧2 são varridos de -15 a 15 e 𝑧3 a 𝑧128 são fixados como 0. As imagens STC geradas decodificadas a partir das variáveis latentes amostradas 𝒛 podem ser plotadas na grade correspondente (𝑧1 , 𝑧2 ) conforme mostrado na Figura 16.

MÉTODO DE AGRUPAMENTO

[093] Conforme descrito acima, um ou mais métodos de agrupamento podem ser aplicados aos dados sônicos compactados (de baixa dimensão) produzidos pelo sistema de aprendizado de máquina não supervisionado para determinar os agrupamentos no conjunto de dados compactados (de baixa dimensão), e tais operações de agrupamento podem fazer parte do bloco 409 da Figura 4.

[094] Nas modalidades, o método de agrupamento pode possivelmente empregar agrupamento k-means. No agrupamento k-means, o conjunto de dados compactado (de baixa dimensão) é particionado em k conjuntos ou agrupamentos S = {S1, S2, ..., Sk} de modo a minimizar a soma dos quadrados dentro do agrupamento. Formalmente, o objetivo é encontrar: Equação (16) em que μi é a média dos pontos num determinado agrupamento Si. Isto é equivalente a minimizar os desvios quadrados em pares de pontos no mesmo agrupamento.

[095] Adicional ou alternativamente, o método de agrupamento pode possivelmente empregar agrupamento aglomerativo, em que o conjunto de dados compactado (baixa dimensão) começa com um conjunto inicial de agrupamentos e pares de agrupamentos serem seletivamente mesclados com base na análise. A análise pode decidir seletivamente quais pares de agrupamentos devem ser combinados usando uma medida de dissimilaridade entre os agrupamentos, que muitas vezes é fornecida por uma medida de distância entre pares de elementos de dados e um critério de ligação que especifica a dissimilaridade dos agrupamentos como uma função das distâncias em pares de elementos de dados nos agrupamentos.

[096] Adicional ou alternativamente, o método de agrupamento pode possivelmente empregar outras formas de agrupamento hierárquico (como agrupamento divisivo) ou outras formas de agrupamento conforme desejado.

[097] Nas modalidades, alguns ou todos os métodos e processos descritos acima, incluindo algumas ou todas as operações dos blocos 401 a 415 do fluxo de trabalho da Figura 4, podem ser realizados por um processador. O termo "processador" não deve ser interpretado limitando as modalidades divulgadas no presente documento a qualquer tipo ou sistema de dispositivo particular. O processador pode incluir um sistema de computador. O sistema de computador também pode incluir um processador de computador (por exemplo, um microprocessador, microcontrolador, processador de sinal digital ou um computador para fins gerais) para executar qualquer um dos métodos e processos descritos acima.

[098] O sistema de computador pode adicionalmente incluir uma memória, tal como um dispositivo semicondutor de memória (por exemplo, uma memória RAM, ROM, PROM, EEPROM ou RAM programável em Flash), um dispositivo de memória magnética (por exemplo, um disquete ou disco fixo), um dispositivo de memória óptica (por exemplo, um CD-ROM), um cartão de PC (por exemplo, cartão PCMCIA) ou outro dispositivo de memória.

[099] Alguns dos métodos e processos descritos acima podem ser implementados como lógica de programa de computador para uso com o processador. Nas modalidades, os sistemas de aprendizado de máquina e métodos de suporte, conforme descritos no presente documento, podem ser incorporados pela lógica de programa de computador. A lógica de programa de computador pode ser incorporada em diversas formas, incluindo uma forma de código-fonte ou uma forma executável por computador. O código-fonte pode incluir uma série de instruções de programa de computador numa variedade de linguagens de programação (por exemplo, um código de objeto, uma linguagem de montagem ou uma linguagem de alto nível como C, C++ ou JAVA). Esta lógica de programa de computador pode ser armazenada num meio legível por computador não-transitório (por exemplo, memória) e executada pelo processador. A lógica de programa de computador pode ser distribuída de qualquer forma como um meio de armazenamento removível com documentação impressa ou eletrônica anexada (por exemplo, software retrátil), pré-carregadas com um sistema de computador (por exemplo, no sistema ROM ou no disco fixo) ou distribuída a partir de um servidor ou de uma placa de boletim eletrônico através de um sistema de comunicação (por exemplo, a Internet ou Rede Mundial de Computadores).

[100] Alternativa ou adicionalmente, o processador pode incluir componentes eletrônicos discretos acoplados a uma placa de circuito impresso, conjunto de circuitos integrados (por exemplo, uma CPU, um Circuito Integrado de Domínio Específico, tal como chip AI, ou um Circuito Integrado de Aplicação Específica (ASIC)) e/ou dispositivos de lógica programável (por exemplo, um Arranjo de Portas Programável em Campo (FPGA)). Qualquer um dos métodos e processos descritos acima pode ser implementado usando tais dispositivos de lógica.

[101] A Figura 17 mostra um sistema de computador exemplificativo 300 que pode ser usado para implementar alguns ou todos os métodos e processos descritos acima, incluindo algumas ou todas as operações dos blocos 401 a 415 do fluxo de trabalho da Figura 4. O sistema de computador 300 pode ser um sistema de computador individual 301A ou um arranjo de sistemas de computador distribuídos. O sistema de computador 301A inclui um ou mais módulos de análise 303 (um programa de instruções executáveis por computador e dados associados) que podem ser configurados para executar alguns ou todos os métodos e processos descritos acima, incluindo algumas ou todas as operações dos blocos 401 a 415 do fluxo de trabalho da Figura 4. Para executar estes vários métodos e processos, um módulo de análise 303 é executado num ou mais processadores de computador 305, que está (ou estão) conectado a uma ou mais mídias de armazenamento 307. O processador (ou processadores) de computador 305 também está conectado a uma interface de rede 309 para permitir que o sistema de computador 301A se comunique através de uma rede de dados 311 com um ou mais sistemas de computador e/ou sistemas de computação adicionais, como 301B, 301C e/ou 301D. Observa-se que os sistemas de computador 301B, 301C e/ou 301D podem ou não compartilhar a mesma arquitetura que o sistema de computador 301A e podem estar localizados em diferentes locais físicos.

[102] O processador de computador 305 pode incluir pelo menos um microprocessador, microcontrolador, módulo ou subsistema processador, circuito integrado programável, arranjo de portas programáveis, processador de sinal digital (DSP) ou outro dispositivo de computação ou controle.

[103] As mídias de armazenamento 307 podem ser implantadas como uma ou mais mídias de armazenamento legíveis por computador ou legíveis por máquina não transitórias. Observa-se que, embora na modalidade da Figura 17, as mídias de armazenamento 307 sejam representadas como dentro do sistema de computador 301A, em algumas modalidades, as mídias de armazenamento 307 podem estar distribuídas dentro de e/ou através de vários compartimentos internos e/ou externos do sistema de computação 301A e/ou sistemas de computação adicionais. As mídias de armazenamento 307 podem incluir uma ou mais formas diferentes de memória, incluindo dispositivos de memória semicondutores, tais como memórias de acesso aleatório dinâmico ou estático (DRAMs ou SRAMs), memórias somente de leitura programáveis e apagáveis (EPROMs), memórias somente de leitura eletricamente programáveis e apagáveis (EEPROMs) e memórias flash; discos magnéticos, tais como discos fixos, disquetes e removíveis; outras mídias magnéticas, incluindo fita; mídias ópticas, tais como discos compactos (CDs) ou discos de vídeo digitas (DVDs); ou outros tipos de dispositivos de armazenamento. Observa-se que as instruções executáveis por computador e dados associados do módulo (ou módulos) de análise 303 podem ser fornecidas numa mídia de armazenamento legível por computador ou legível por máquina das mídias de armazenamento 307, ou alternativamente, podem ser fornecidas em várias mídias de armazenamento legíveis por computador ou legíveis por máquina distribuídas num grande sistema que tem nós possivelmente plurais. Tal mídia ou mídias de armazenamento legíveis por computador ou legíveis por máquina são consideradas como sendo parte de um artigo (ou um artigo de fabricação). Um artigo ou um artigo de fabricação pode se referir a qualquer componente único ou múltiplos componentes fabricados. A mídia ou mídias de armazenamento também podem estar localizadas na máquina que executa as instruções legíveis por máquina, ou localizadas num sítio remoto a partir do qual as instruções legíveis por máquina podem ser transferidas por download através de uma rede para execução.

[104] Deve ser entendido que o sistema de computador 300 é apenas um exemplo de um sistema de computador e que o sistema de computador 300 pode ter mais ou menos componentes do que mostrado, pode combinar componentes adicionais não representados na modalidade de exemplo da Figura 17 e/ou o sistema de computador 300 pode ter uma configuração ou arranjo diferente dos componentes representados na Figura 17. Os vários componentes mostrados na Figura 17 podem ser implementados em hardware, software, ou uma combinação de hardware e software, incluindo um ou mais circuitos integrados de aplicação específica e/ou processamento de sinal.

[105] Embora apenas algumas modalidades tenham sido descritas em detalhes acima, aqueles versados na técnica perceberão prontamente que muitas modificações são possíveis nos exemplos sem se afastar materialmente desta divulgação. Por exemplo, embora uma ferramenta de perfilagem sônica particular tenha sido divulgada, outras ferramentas de perfilagem sônica podem ser usadas como parte dos métodos e sistemas descritos no presente documento. Consequentemente, todas as tais modificações são concebidas como estando incluídas dentro do escopo desta divulgação conforme definido nas reivindicações a seguir. Nas reivindicações, as cláusulas de meios-mais-funções se destinam a cobrir as estruturas descritas no presente documento como realizando a função citada e não apenas equivalentes estruturais, mas também estruturas equivalentes. Assim, embora um prego e um parafuso possam não ser equivalentes estruturais em que um prego emprega uma superfície cilíndrica para fixar as peças de madeira, enquanto um parafuso emprega uma superfície helicoidal, no ambiente de fixação de peças de madeira, um prego e um parafuso podem ser estruturas equivalentes.

É a intenção expressa do requerente não invocar o Título 35 do USC § 112, parágrafo 6 para quaisquer limitações de qualquer uma das reivindicações no primeiro documento, exceto para aquelas em que a reivindicação usa expressamente as palavras ‘meios para’ juntamente com uma função associada.

Claims (18)

REIVINDICAÇÕES

1. Método para caracterizar a integridade de poço de um poço revestido, sendo que o método é caracterizado pelo fato de que inclui: i) coletar dados de forma de onda sônica para sinais acústicos recebidos por uma matriz de receptor de uma ferramenta de perfilagem sônica para um intervalo de profundidade do poço revestido; ii) determinar uma representação de alta dimensão dos dados de forma de onda sônica coletados em i); iii) inserir a representação de alta dimensão de ii) num sistema de aprendizado de máquina não supervisionado para determinar uma representação de baixa dimensão dos dados de forma de onda sônica; iv) aplicar um método de agrupamento à representação de baixa dimensão de iii) para identificar um conjunto de agrupamentos na representação de baixa dimensão de iii); e v) determinar pelo menos uma propriedade relacionada à integridade de poço do intervalo de profundidade do poço revestido com base no conjunto de agrupamentos identificados em iv).

2. Método, de acordo com a reivindicação 1, caracterizado pelo fato de que: parte de todas as operações de i) a v) é realizada num processador.

3. Método, de acordo com a reivindicação 1, caracterizado pelo fato de que: parte de todas as operações de i) a v) é incorporada por pelo menos um módulo de software que é armazenado na memória do computador e executado num processador.

4. Método, de acordo com a reivindicação 1, caracterizado pelo fato de que compreende ainda: armazenar na memória do computador pelo menos uma propriedade relacionada à integridade de poço conforme determinado em v); e enviar a pelo menos uma propriedade relacionada à integridade de poço para exibição e avaliação da integridade de poço no intervalo de profundidade no poço revestido.

5. Método, de acordo com a reivindicação 1, caracterizado pelo fato de que compreende ainda:

repetir as operações de i) a v) para diferentes intervalos de profundidade no poço revestido para determinar a pelo menos uma propriedade relacionada à integridade de poço para os diferentes intervalos de profundidade; armazenar na memória do computador a pelo menos uma propriedade relacionada à integridade do poço, conforme determinado em v) para os diferentes intervalos de profundidade no poço revestido; e enviar a pelo menos uma propriedade relacionada à integridade do poço para os diferentes intervalos de profundidade no poço revestido para exibição e avaliação da integridade de poço nos diferentes intervalos de profundidade no poço revestido.

6. Método, de acordo com a reivindicação 1, caracterizado pelo fato de que: a pelo menos uma propriedade determinada em v) se refere à integridade de poço em função do azimute e da profundidade no poço revestido.

7. Método, de acordo com a reivindicação 6, caracterizado pelo fato de que: a pelo menos uma propriedade determinada em v) caracteriza a condição de cimento num anel do poço revestido como uma função do azimute e da profundidade.

8. Método, de acordo com a reivindicação 1, caracterizado pelo fato de que: a representação de alta dimensão de ii) caracteriza a lentidão nos dados de forma de onda sônica.

9. Método, de acordo com a reivindicação 8, caracterizado pelo fato de que: a representação de alta dimensão de ii) caracteriza pelo menos um dentre: lentidão em relação ao tempo nos dados de forma de onda sônica, lentidão em relação à frequência nos dados de forma de onda sônica, lentidão em relação ao tempo e frequência nos dados de forma de onda sônica e lentidão em relação ao tempo e espaço nos dados de forma de onda sônica.

10. Método, de acordo com a reivindicação 8, caracterizado pelo fato de que compreende ainda: usar um método TKO para gerar dados de dispersão que representam uma relação de dispersão entre lentidão e frequência nos dados de forma de onda sônica, em que os dados de dispersão são parte da representação de alta dimensão de ii).

11. Método, de acordo com a reivindicação 8, caracterizado pelo fato de que compreende ainda: usar um método STC para gerar dados de imagem STC que representam uma imagem de coerência de lentidão-tempo (STC) correspondente aos dados de forma de onda sônica, em que os dados de imagem STC são parte da representação de alta dimensão de ii).

12. Método, de acordo com a reivindicação 1, caracterizado pelo fato de que: o sistema de aprendizado de máquina não supervisionado de iii) é baseado em pelo menos uma rede neural.

13. Método, de acordo com a reivindicação 1, caracterizado pelo fato de que: o sistema de aprendizagem de máquina não supervisionado de iii) é selecionado a partir do grupo que consiste num sistema de aprendizagem de máquina de Mapas Auto-organizáveis (SOM), um SOM com um sistema de aprendizagem de máquina Autocodificador (SOM-AE), um sistema de aprendizado de máquina de Autocodificador Variacional (VAE), um sistema de aprendizado de máquina de Rede Adversária Generativa (GAN) e combinações dos mesmos.

14. Método, de acordo com a reivindicação 1, caracterizado pelo fato de que: o sistema de aprendizado de máquina não supervisionado de iii) é treinado com dados de entrada de alta dimensão derivados de formas de onda acústicas simuladas que cobrem e correspondem a diferentes cenários de poços revestidos relacionados à pelo menos uma propriedade de integridade de poço determinada em v).

15. Método, de acordo com a reivindicação 1, caracterizado pelo fato de que: o sistema de aprendizado de máquina não supervisionado de iii) é treinado com dados de entrada de alta dimensão derivados de formas de onda acústicas medidas em diferentes ambientes de poços revestidos conhecidos que cobrem e correspondem à pelo menos uma propriedade de integridade de poço determinada em v).

16. Método, de acordo com a reivindicação 1, caracterizado pelo fato de que: o método de agrupamento de iv) emprega agrupamento k-means.

17. Método, de acordo com a reivindicação 1, caracterizado pelo fato de que: o método de agrupamento de iv) emprega agrupamento aglomerativo.

18. Método, de acordo com a reivindicação 1, caracterizado pelo fato de que: o poço revestido tem um revestimento de coluna múltipla com um anel mais interno disposto dentro de pelo menos um anel externo; e a pelo menos uma propriedade relacionada à integridade de poço caracteriza a condição do cimento no anel mais interno e no pelo menos um anel externo.