Modelagem geológica 3D de um reservatório carbonático da Bacia de Santos utilizando aprendizagem de máquina

Detalhes bibliográficos
Ano de defesa: 2024
Autor(a) principal: Santana, Henrique Moreira, 1996-
Orientador(a): Não Informado pela instituição
Banca de defesa: Não Informado pela instituição
Tipo de documento: Dissertação
Tipo de acesso: Acesso aberto
Idioma: por
Instituição de defesa: [s.n.]
Programa de Pós-Graduação: Não Informado pela instituição
Departamento: Não Informado pela instituição
País: Não Informado pela instituição
Palavras-chave em Português:
Reservatórios de petróleo
Pré-sal
Inteligência artificial
Modelagem tridimensional
Petroleum reservoirs
Pre-salt
Artificial intelligence
Three-dimensional modeling
Link de acesso: https://hdl.handle.net/20.500.12733/21331
Resumo: Orientador: Emilson Pereira Leite
id UNICAMP-30_e4e23a0f7bbefc5319db2ce9caa36b42
oai_identifier_str oai::1398657
network_acronym_str UNICAMP-30
network_name_str Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP)
repository_id_str
spelling Modelagem geológica 3D de um reservatório carbonático da Bacia de Santos utilizando aprendizagem de máquina3D geological modeling of a carbonate reservoir in the Santos Basin using machine learningReservatórios de petróleoPré-salInteligência artificialModelagem tridimensionalPetroleum reservoirsPre-saltArtificial intelligenceThree-dimensional modelingOrientador: Emilson Pereira LeiteDissertação (mestrado) - Universidade Estadual de Campinas (UNICAMP), Instituto de GeociênciasResumo: A modelagem geológica tridimensional de um campo petrolífero é fundamental para o planejamento das etapas de exploração e produção de hidrocarbonetos. Alguns produtos comuns da modelagem de reservatórios são os modelos 3D de fácies petroelásticas, unidades de fluxo, unidades geomecânicas e tipos de poros. Comumente, o entendimento da distribuição dessas classes em subsuperfície é adquirido por meio da integração de dados obtidos por levantamentos sísmicos e pela perfilagem geofísica de poços. Entretanto, apesar dos avanços na determinação dessas classes com certa precisão para cada poço, há o problema da classificação no espaço entre os poços. Em geral, essa classificação é feita por meio da marcação arbitrária de zonas homólogas em diagramas de dispersão dos parâmetros elásticos, como razão de velocidades das ondas P e S (Vp/Vs) e impedância acústica da onda P (Zp). Contudo, a região interpretada no volume sísmico depende criticamente do tamanho da zona selecionada no diagrama de dispersão, tornando o processo muito subjetivo. Posto isto, a abordagem seguida neste estudo consiste na classificação de unidades a partir de um algoritmo baseado em aprendizagem de máquina. Dessa forma, é eliminada a necessidade de se definir arbitrariamente um limiar para a separação de zonas homólogas. O algoritmo de classificação supervisionada foi treinado a partir de parte dos poços, utilizando 1 poço para teste até que todos tenham sido testados. O estudo avaliou a melhoria de desempenho do modelo ao incorporar aos dados de treino pseudocurvas extraídas dos produtos de inversão sísmica (eg. Zp, Zs). Além disso, avaliou o desempenho de diferentes métodos de reamostragem de dados para balancear as classes da Formação Barra Velha. Com isso, foi possível aplicar a classificação às saídas da inversão sísmica, resultando em modelos 3D de fácies petroelásticas, unidades de fluxo e unidades geomecânicas. Os modelos apresentam acurácia média entre 70 e 95%. A distribuição das classes observadas nos modelos indicam maior proporção de fácies e unidades de rocha-reservatório nos intervalos de produção da Formação Barra Velha BVE100 e BVE300 e maior proporção de não-reservatório no BVE200. Essa distribuição está consistente com a interpretação geológica da área de estudo com base em estudos anteriores que identificaram, a partir de análise petrográfica, a maior presença de lama carbonática no BVE200, em contraste com os outros dois intervalos de produção. Além disso, os resultados de classificação indicam que os reservatórios ocorrem como estruturas alongadas na direção do alto estrutural (NE-SW), compartimentadas em corredores entre falhas que ocorrem na mesma direção. Os resultados demonstram o potencial do uso dessa ferramenta para classificação de dados sísmicos e caracterização de reservatórios do pré-salAbstract: Three-dimensional geological modeling of an oil field is fundamental for planning the stages of hydrocarbon exploration and production. Common outputs from reservoir modeling include 3D models of petroelastic facies, flow units, geomechanical units, and pore types. Typically, the understanding of the distribution of these subsurface classes is acquired through the integration of data obtained from seismic surveys and well logging. However, despite advances in determining these classes with some precision for each well, there is the problem of classification in the space between wells. Generally, this classification is done by arbitrarily marking homologous zones on scatter plots of elastic parameters, such as the P- and S-wave velocity ratio (Vp/Vs) and P-wave acoustic impedance (Zp). However, the interpreted region in the seismic volume critically depends on the size of the selected zone in the scatter plot, making the process very subjective. Therefore, the approach followed in this study involves the classification of units using a machine learning-based algorithm. This eliminates the need to arbitrarily define a threshold for separating homologous zones. The supervised classification algorithm was trained using part of the wells, with one well used for testing until all had been tested. The study evaluated the improvement in model performance by incorporating pseudo-curves extracted from seismic inversion products (e.g., Zp, Zs) into the training data. Additionally, it assessed the performance of different data resampling methods to balance the classes of the Barra Velha Formation. Consequently, the classification was applied to the outputs of the seismic inversion, resulting in 3D models of petroelastic facies, flow units, and geomechanical units. The models show an average accuracy between 70% and 95%. The distribution of classes observed in the models indicates a higher proportion of reservoir facies and units in the production intervals of the Barra Velha Formation BVE100 and BVE300, and a higher proportion of non-reservoir in BVE200. This distribution is consistent with the geological interpretation of the study area based on previous studies that identified, from petrographic analysis, a greater presence of carbonate mud in BVE200, in contrast to the other two production intervals. Furthermore, the classification results indicate that the reservoirs occur as elongated structures in the direction of the structural high (NE-SW), compartmentalized into corridors between faults that occur in the same direction. The results demonstrate the potential of using this tool for the classification of seismic data and the characterization of pre-salt reservoirsAbertoMestradoGeologia e Recursos NaturaisMestre em GeociênciasFuncamp21575-6/2019[s.n.]Leite, Emilson Pereira, 1975-Vidal, Alexandre CampaneLupinacci, Wagner MoreiraUniversidade Estadual de Campinas (UNICAMP). Instituto de GeociênciasPrograma de Pós-Graduação em GeociênciasUNIVERSIDADE ESTADUAL DE CAMPINASSantana, Henrique Moreira, 1996-20242024-04-30T00:00:00Zinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdf1 recurso online (72 p.) : il., digital, arquivo PDF.https://hdl.handle.net/20.500.12733/21331SANTANA, Henrique Moreira. Modelagem geológica 3D de um reservatório carbonático da Bacia de Santos utilizando aprendizagem de máquina. 2024. 1 recurso online (72 p.) Dissertação (mestrado) - Universidade Estadual de Campinas (UNICAMP), Instituto de Geociências, Campinas, SP. Disponível em: 20.500.12733/21331. Acesso em: 29 set. 2025.https://repositorio.unicamp.br/acervo/detalhe/1398657https://repositorio.unicamp.br/acervo/detalhe/1398657Cover: https://repositorio.unicamp.br/capa/capa?codigo=1398657Requisitos do sistema: Software para leitura de arquivo em PDFporreponame:Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP)instname:Universidade Estadual de Campinas (UNICAMP)instacron:UNICAMPinfo:eu-repo/semantics/openAccess2025-08-21T15:19:00Zoai::1398657Biblioteca Digital de Teses e DissertaçõesPUBhttp://repositorio.unicamp.br/oai/tese/oai.aspsbubd@unicamp.bropendoar:2025-08-21T15:19Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP) - Universidade Estadual de Campinas (UNICAMP)false
dc.title.none.fl_str_mv Modelagem geológica 3D de um reservatório carbonático da Bacia de Santos utilizando aprendizagem de máquina
3D geological modeling of a carbonate reservoir in the Santos Basin using machine learning
title Modelagem geológica 3D de um reservatório carbonático da Bacia de Santos utilizando aprendizagem de máquina
spellingShingle Modelagem geológica 3D de um reservatório carbonático da Bacia de Santos utilizando aprendizagem de máquina
Santana, Henrique Moreira, 1996-
Reservatórios de petróleo
Pré-sal
Inteligência artificial
Modelagem tridimensional
Petroleum reservoirs
Pre-salt
Artificial intelligence
Three-dimensional modeling
title_short Modelagem geológica 3D de um reservatório carbonático da Bacia de Santos utilizando aprendizagem de máquina
title_full Modelagem geológica 3D de um reservatório carbonático da Bacia de Santos utilizando aprendizagem de máquina
title_fullStr Modelagem geológica 3D de um reservatório carbonático da Bacia de Santos utilizando aprendizagem de máquina
title_full_unstemmed Modelagem geológica 3D de um reservatório carbonático da Bacia de Santos utilizando aprendizagem de máquina
title_sort Modelagem geológica 3D de um reservatório carbonático da Bacia de Santos utilizando aprendizagem de máquina
author Santana, Henrique Moreira, 1996-
author_facet Santana, Henrique Moreira, 1996-
author_role author
dc.contributor.none.fl_str_mv Leite, Emilson Pereira, 1975-
Vidal, Alexandre Campane
Lupinacci, Wagner Moreira
Universidade Estadual de Campinas (UNICAMP). Instituto de Geociências
Programa de Pós-Graduação em Geociências
UNIVERSIDADE ESTADUAL DE CAMPINAS
dc.contributor.author.fl_str_mv Santana, Henrique Moreira, 1996-
dc.subject.por.fl_str_mv Reservatórios de petróleo
Pré-sal
Inteligência artificial
Modelagem tridimensional
Petroleum reservoirs
Pre-salt
Artificial intelligence
Three-dimensional modeling
topic Reservatórios de petróleo
Pré-sal
Inteligência artificial
Modelagem tridimensional
Petroleum reservoirs
Pre-salt
Artificial intelligence
Three-dimensional modeling
description Orientador: Emilson Pereira Leite
publishDate 2024
dc.date.none.fl_str_mv 2024
2024-04-30T00:00:00Z
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv https://hdl.handle.net/20.500.12733/21331
SANTANA, Henrique Moreira. Modelagem geológica 3D de um reservatório carbonático da Bacia de Santos utilizando aprendizagem de máquina. 2024. 1 recurso online (72 p.) Dissertação (mestrado) - Universidade Estadual de Campinas (UNICAMP), Instituto de Geociências, Campinas, SP. Disponível em: 20.500.12733/21331. Acesso em: 29 set. 2025.
url https://hdl.handle.net/20.500.12733/21331
identifier_str_mv SANTANA, Henrique Moreira. Modelagem geológica 3D de um reservatório carbonático da Bacia de Santos utilizando aprendizagem de máquina. 2024. 1 recurso online (72 p.) Dissertação (mestrado) - Universidade Estadual de Campinas (UNICAMP), Instituto de Geociências, Campinas, SP. Disponível em: 20.500.12733/21331. Acesso em: 29 set. 2025.
dc.language.iso.fl_str_mv por
language por
dc.relation.none.fl_str_mv https://repositorio.unicamp.br/acervo/detalhe/1398657
https://repositorio.unicamp.br/acervo/detalhe/1398657
Cover: https://repositorio.unicamp.br/capa/capa?codigo=1398657
Requisitos do sistema: Software para leitura de arquivo em PDF
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
1 recurso online (72 p.) : il., digital, arquivo PDF.
dc.publisher.none.fl_str_mv [s.n.]
publisher.none.fl_str_mv [s.n.]
dc.source.none.fl_str_mv reponame:Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP)
instname:Universidade Estadual de Campinas (UNICAMP)
instacron:UNICAMP
instname_str Universidade Estadual de Campinas (UNICAMP)
instacron_str UNICAMP
institution UNICAMP
reponame_str Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP)
collection Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP)
repository.name.fl_str_mv Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP) - Universidade Estadual de Campinas (UNICAMP)
repository.mail.fl_str_mv sbubd@unicamp.br
_version_ 1844628716252037120

Registros relacionados