Os avanços tecnológicos na caracterização de reservatórios de petróleo e gás, como atributos sísmicos e sísmica 3d, enriqueceram a descrição da subsuperfície feita por especialistas. no entanto, o processo de segmentação de imagens deste enorme volume de dados tornou-se uma tarefa complexa. a fim de gerenciar de forma mais eficiente grandes dados sísmicos, este trabalho explora uma rede computacionalmente mais barata, com o uso de redes neurais convolucionais em planos ortogonais 2d redes neurais convolucionais para classificação de fácies e grupos lito-estratigráficos em cubos sísmicos 3d, guiados por uma heurística baseada nas leis da estratigrafia, que é uma das etapas no processo de caracterização de reservatórios e exploração de óleo e gás. foi proposta uma transferência de conhecimento de 2d para 3d, na qual dividimos as amostras de nosso dado 3d em 3 planos ortogonais entre si e a subsequente conversão dos parâmetros treinados para uma rede convolucional tri-dimensional equivalente. cada um dos planos bi-dimensionais é convenientemente convertida em uma convolução tri-dimensional, emulando a visão de um géologo da amostra em 3 vistas ortogonais. as amostras de ambas redes (2d e 3d) foram extraídas em posições x,y selecionadas aleatoriamente, simulando a extração de informação de poços já perfurados. a arquitetura de uma unet foi selecionada para a rede proposta, visto que ela é uma das mais amplamente utilizadas para tarefas de segmentação de imagem. a metodologia proposta foi aplicada tanto em dados sintéticos (stanfordvi reservoir) e dados sísmicos reais (f3-block). os experimentos no primeiro obtiveram excelentes resultados (96% na metrica iou e 97,9% na métrica f1-score), melhores que uma rede unet 3d equivalente. os resultados no dado f3-block também foram superiores aos obtidos na literatura (alaudah et al., 2019) e de uma rede unet 3d, obtendo um resultado 7% maior que as demais na métrica mca (acurácia média por classe). em comparação a outros modelos no mesmo benchmark, a rede proposta obteve melhores resultados a um custo computacional viável, sugerindo que essa metodologia é promissora, versátil e de fácil replicação.