Na indústria de exploração de petróleo, encontrar os poços mais semelhantes já perfurados, com base nos dados de perfis de um novo poço perfurado, é uma tarefa crucial. Este projeto visa introduzir uma metodologia inovadora para essa tarefa baseada no uso de redes generativas e aprendizado autossupervisionado. Nossa abordagem utiliza uma Rede Generativa Adversarial Bidirecional (BiGAN) como auxílio a uma rede de similaridade (1D ResNet50) treinada com triplet loss para medir a similaridade entre os dados de perfis de poços de petróleo. O núcleo do nosso modelo é uma rede de similaridade que constrói um espaço de representação em que a similaridade entre sequências de dados de perfis são expressas como distâncias entre vetores. Essa rede de similaridade recebe três tipos de dados: (1) Âncora, aleatoriamente selecionado do banco de dados. (2) Positivo, criado a partir de augmentation do dado âncora. (3) Negativo, fornecido pelo gerador da BiGAN usando como base o dado âncora. Utilizando dois grandes conjuntos de dados de perfis com quatro medições de sensores — raios gama, porosidade de neutrão, densidade e sônicos —, comparamos nossa proposta com os modelos mais recentes da literatura e com estratégias bem estabelecidas na indústria. Os resultados mostram que nossa estrutura, ainda que em uma versão preliminar, se aproxima às capacidades das abordagens atuais da literatura nos experimentos de similaridade propostos, demonstrando também o valioso potencial dessa estratégia para o desenvolvimento da indústria do petróleo.