Arquiteturas neurais leves para a classificação de boletins diários de perfuração em poços de petróleo

Abstract

A classificação automatizada de Boletins Diários de Perfuração na indústria de petróleo e gás, embora beneficiada pelos avanços em modelos de Deep Learning, enfrenta barreiras críticas associadas ao elevado custo computacional, alta latência e consumo energético proibitivo dos modelos tradicionais baseados em Transformers. Diante desse cenário, esta dissertação teve como objetivo principal desenvolver e validar arquiteturas neurais de complexidade reduzida, investigando a hipótese de que modelos leves, aliados a técnicas de otimização, podem manter desempenho competitivo com maior viabilidade operacional. A abordagem metodológica consistiu em uma análise comparativa sistemática de arquiteturas eficientes, incluindo CNN, BiLSTM e DistilBERT, potencializadas por técnicas como Destilação de Conhecimento e Mixture of Experts, sob um protocolo experimental que integrou métricas de eficácia preditiva e eficiência energética. Os resultados demonstraram que as abordagens propostas reduziram drasticamente o tempo de inferência e a pegada de carbono, preservando a acurácia e o F1-Score em níveis estatisticamente equivalentes ou superiores aos baselines densos. Conclui-se que a adoção de estratégias de Green AI viabiliza a implementação de soluções robustas, sustentáveis e escaláveis para a automação de processos decisórios em ambientes industriais com restrições de hardware, confirmando a eficácia da compressão de modelos para o domínio de óleo e gás.

The automated classification of Daily Drilling Reports in the oil and gas industry, while benefiting from advances in Deep Learning models, faces critical barriers associated with high computational costs, latency, and prohibitive energy consumption of traditional Transformer-based models. In this context, this dissertation aimed to develop and validate reduced-complexity neural architectures, investigating the hypothesis that lightweight models, combined with optimization techniques, can maintain competitive performance with greater operational viability. The methodological approach consisted of a systematic comparative analysis of efficient architectures, including CNN, BiLSTM, and DistilBERT, enhanced by techniques such as Knowledge Distillation and Mixture of Experts, under an experimental protocol integrating predictive efficacy and energy efficiency metrics. The results demonstrated that the proposed approaches drastically reduced inference time and carbon footprint while preserving accuracy and F1-Score at levels statistically equivalent or superior to dense baselines. It is concluded that adopting Green AI strategies enables the implementation of robust, sustainable, and scalable solutions for automating decision-making processes in hardware-constrained industrial environments, confirming the efficacy of model compression for the oil and gas domain.