A clustering-based approach to identify petrofacies from petrographic data

Abstract

In this work, we evaluate methods to automatically identify petrofacies from a dataset of thin section rocks description. Computationally, we face the task of petrofacies identification as an unsupervised problem; thus, we focus our efforts on the application of adapted classic clustering methods for the task. We developed a pre-processing approach using the domain ontology to reduce the feature-space, significantly improving the execution time and ease of interpretation, while maintaining the accuracy. All the data used during the experiments come from six real datasets extracted from multiple basins throughout the world. Our results show that the data pre-processing using a domain ontology can drastically reduce the feature-space and execution time while keeping the relevant information for the expert user. We develop a well-founded analysis of candidate algorithms, such as the classical K-Means to their combination with Wrapper Genetic Algorithms simultaneously selecting features and grouping clusters. The experiments suggest good promises in the automation of the petrofacies grouping task. However, there are challenging aspects for the application of clustering and feature selection in this domain, pointing to the need for new future research in this field.

Neste trabalho, nós avaliamos métodos para realizar a identificação automática de petrofácies a partir de um conjunto de dados de descrição de seções de rocha delgada. Computacionalmente, enfrentamos a tarefa de identificação de petrofácies como um problema de clustering; portanto, concentramos nossos esforços na aplicação de métodos de clustering para a solução do problema. Desenvolvemos um pré-processamento usando a ontologia de domínio para reduzir o espaço de atributos, melhorando significativamente o tempo de execução e a facilidade de interpretação, mantendo a precisão. Todos os dados usados durante os experimentos vêm de seis conjuntos de dados reais extraídos de várias bacias ao redor do mundo. Nossos resultados mostram que o pré-processamento de dados usando uma ontologia de domínio pode reduzir drasticamente o espaço de recursos e o tempo de execução, mantendo as informações relevantes para o usuário especialista. Desenvolvemos uma análise bem fundamentada dos algoritmos candidatos, como o K-Means clássico, para sua combinação com os algoritmos genéticos, selecionando simultaneamente atributos e agrupamento de petrofacies. Os experimentos sugerem promessas na automação da tarefa de agrupamento de petrofácies, no entanto, existem aspectos desafiadores para a aplicação de clustering e seleção de features neste domínio, apontando para a necessidade de futuras pesquisas neste campo.