Imagens petrográficas representam uma grande e eficiente fonte de informação geológica. No contexto da exploração e produção de petróleo, estas imagens obtidas por microscopia óptica permitem a descrição dos atributos mineralógicos, texturais e porosos das amostras de rochas, tais como aquelas coletadas nos poços de petróleo. Estas informações são fundamentais à caracterização dos reservatórios de petróleo. Neste trabalho, métodos computacionais de inteligência artificial são utilizados para identificação e classificação de texturas, porosidades e litofácies observadas por petrografia de lâminas delgadas, ocasionando incremento do caráter quantitativo para interpretações referentes ao ambiente deposicional e alterações diagenéticas a que as rochas foram submetidas. As lâminas petrográficas delgadas foram confeccionadas a partir de amostras laterais carbonáticas da seção Pré-Sal de poços da Bacia de Santos. Imagens adquiridas de luz transmitida das lâminas serviram como dado de treinamento para modelos de: (i) segmentação, (ii) detecção de objeto e (iii) classificação, com diferentes configurações. Os modelos são baseados em algoritmos de aprendizado de máquina que permitem interpretar dados de maneira padronizada e eficiente. São precedidos por uma etapa de aplicação de filtros convolucionais que prevê extrair uma grande quantidade de atributos, capazes de representar as feições de interesse. Os algoritmos classificadores utilizados foram random forest, redes neurais artificiais e redes neurais convolucionais. Associados à segmentação, foram treinados modelos de mapeamento mineralógico e de porosidade. Estes modelos foram avaliados através da correlação com dados de análise química R2 com medidas de microanálise = 0,82 e petrofísica RMSE de densidade de sólidos = 0,031 g/cm3 , além da obtenção da acurácia utilizando validação cruzada 98,78% para modelos de segmentação mineralógica e 99,97% para modelos de segmentação de porosidade. O modelo de detecção de fragmentos fosfáticos foi treinado aplicando o conceito de detecção de objetos apresentou 97,16% de acurácia na validação cruzada. Modelos de classificação foram treinados, precedidos por diferentes técnicas de data augmentation, incluindo transformações espectrais, geométricas e a confecção de imagens sintéticas auxiliada por redes generativas adversariais. O melhor modelo para identificação automática de litofácies apresentou acurácia de 86,34% nos dados de teste. Para classificar tipos de porosidade, o melhor modelo obtido apresentou 95,70% de acurácia para dados de teste. Além das métricas de avaliação dos modelos, as predições foram comparadas às interpretações de petrógrafos, obtidas por meio de entrevistas. Esta etapa evidenciou particularidades associadas à incerteza na definição dos rótulos dos dados utilizados para treinamento dos modelos, derivada de diferentes vieses interpretativos. Os resultados demonstram que técnicas de inteligência artificial aumentam o caráter quantitativo da análise petrográfica, auxiliando os processos de descrição, tornando-os mais ágeis, padronizados e destacando ambiguidades na interpretação.

Petrographic images represent a large and efficient source of geological information. In the context of oil exploration and production, these microscope-obtained images allow the description of mineralogical, textural and porous features from rock samples, such as the ones collected from oil wells. These are vital information for the reservoir characterization. Artificial intelligence techniques are applied to identify and classify textures, porosity and lithofacies observed in thin section petrography, in order to increase quantitative characteristics for interpretations of depositional environment and diagenetic alterations to which the rocks may have been submitted. Petrographic thin sections were prepared from carbonatic lateral rock samples of the Pre-Salt section of wells, Santos Basin. Images acquired from transmitted light of the thin sections served as training data to: (i) segmentation, (ii) object detection, and (iii) classification models, with different configurations. The models are based on machine learning algorithms that allow interpreting data in a standard and efficient manner. They are preceded by the application of convolutional filters that extract a great number of attributes which are able to represent the features of interest. Artificial neural networks, convolutional neural networks and random forest were the classifier algorithms. Mineralogical mapping and porosity models were trained segmentation models. These models were evaluated through correlations with chemical R2 with microanalysis measures = 0.82 and petrophysical data RMSE of density of solids = 0.031 g/cm3. Accuracies 98.78% for mineralogical segmentation models and 99.97% for porosity segmentation models were obtained through cross validation. A phosphatic fragments detection model was trained according to the concept of object detection 97.16% of accuracy in cross validation. Classification models were trained, preceded by different data augmentation techniques, including spectral and geometric transformations and preparation of synthetic images using generative adversarial networks. The best model for automatic identification of lithofacies had an accuracy of 86.34% in the test data. For classifying porosity types, the best model had 95.70% accuracy in the test data. Beyond regular evaluation metrics, model predictions were compared to petrographers interpretations, obtained through interviews. These interviews highlighted issues related to the uncertainty in tagging data, due to a number of interpretative biases. Results show that the use of artificial intelligence techniques increase the quantitative features from the petrographic analysis, assisting description processes to be faster, standardized and highlighting ambiguities in interpretation.