O presente trabalho investiga novas metodologias de aumento de dados aplicadas ao treinamento de modelos de aprendizado profundo com registros de perfilagem de poços. A principal motivação desta pesquisa reside na escassez crônica e no alto custo de obtenção de dados geológicos de subsuperfície, fatores que impõem severas restrições ao volume dos conjuntos de treinamento e impactam negativamente a capacidade de generalização das redes neurais. Trata-se de um desafio crítico na análise de dados geofísicos, visto que, no cenário de escassez de dados, o uso de registros de fontes geograficamente heterogêneas pode introduzir vieses indesejados devido a particularidades regionais das bacias sedimentares.

Para mitigar essas limitações, propõe-se uma metodologia estruturada em etapas sequenciais e especificamente adaptada às restrições físicas do domínio geológico, denominada Smooth Augmentation. A abordagem supera os gargalos das técnicas clássicas da literatura, como jitter, scaling e time warping tradicionais, as quais demandam calibração manual e iterativa de parâmetros estatísticos globais e frequentemente geram anomalias que violam as leis físicas que regem os sistemas rocha-fluido. O pipeline desenvolvido atua de forma livre de ajustes empíricos, extraindo os componentes de alta frequência e de ganho local diretamente a partir da decomposição estocástica de cada perfil em relação a uma linha de base obtida via filtragem por mediana. Adicionalmente, o pipeline incorpora um algoritmo de segmentação adaptativa por breakpoints para garantir a invariância de escala vertical e utiliza a técnica de deslocamento circular intra-janela para salvaguardar a correlação serial e a continuidade estratigráfica local.

A validação do método foi conduzida por meio de um protocolo duplo, integrando análises quantitativas de consistência petrofísica e uma auditoria visual qualitativa em formato duplo-cego com especialistas sêniores em geociências. Os resultados analíticos revelaram que as variações sintéticas preservaram com fidelidade a distribuição multimodal e a malha de correlação multivariada original das rochas. No teste com especialistas, obteve-se uma taxa de abstenção por incerteza visual de 51,00% e uma acurácia líquida global de 46,94%. Dado que estes índices convergem estocasticamente para o comportamento de um classificador aleatório (puro chute ao acaso), comprova-se o realismo morfológico e o hiper-realismo das amostras geradas. Com isso, o trabalho consolida uma ferramenta automática, robusta e escalável, apta a expandir de forma consistente bases de dados geofísicos e potencializar arquiteturas preditivas complexas de subsuperfície.