Classificação de Litofáceis Baseada em Ferramentas de Aprendizagem de Máquina (AM) Paramétrica e Não-Paramétrica

Atualmente, o uso de ferramentas de aprendizagem de máquina (AM) supervisionada e não supervisionada na classificação de fácies litológicas, tem se tornado recorrente na geofísica de poço e petrofísica. Neste trabalho, utilizamos métodos paramétricos k-Nearest Neighbors (kNN) e Logistic Regression (LR), e não paramétricos Multi Layer Perceptron (MLP), Suport Vector Machine (SVM) e Gaussian Process (GPR) na classificação de fácies a partir de dados de poços. Para testar a perfomace de cada modelo de classificação, usamos as métricas de acurácia, F1-score, precisão e recall. Também foi feita uma análise baseada na busca de hiperparâmetros para cada modelo. Baseado nos resultados em um poço cego, os métodos não paramétricos com otimização dos hiperparâmetros foram aqueles que obtiveram melhor rendimento na classificação.