Uma nova abordagem para caracterização de reservatórios em Campos Maduros com aprendizado de máquina

• Ano de defesa: 2025
• Autor(a) principal: Hernandez, German Meneses
• Tipo de documento: Tese
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Biblioteca Digitais de Teses e Dissertações da USP
• Palavras-chave em Português: Aprendizado de máquina; Bacia do Recôncavo; Campo de petróleo maduro; Cores permeability; Fluvial-aeolian reservoirs; Machine learning; Mature oil field; NMR; NMR Permeability; Permeabilidade; Permeability; Recôncavo Basin; Reservatórios fluviais eólicos; SHAP; Testemunhos
• Link de acesso: https://www.teses.usp.br/teses/disponiveis/44/44141/tde-06052025-113205/

A revitalização de campos de petróleo maduros é atualmente um objetivo significativo com implicações econômicas e estratégicas para o país, pois reduz a necessidade de novas explorações e perfurações, minimiza o impacto ambiental e maximiza a utilização da infraestrutura existente. Estima-se que aproximadamente dois terços da produção diária de petróleo do mundo sejam derivados de campos maduros, uma proporção que deve aumentar ainda mais no futuro. Estimar com precisão a distribuição da permeabilidade é essencial para projetar planos de desenvolvimento eficazes e gerenciar com eficiência a produção de reservas que não foram consideradas ou inexploradas. A permeabilidade é um dos parâmetros petrofísicos mais difíceis de prever utilizando técnicas de perfuração convencionais. O desenvolvimento de modelos de permeabilidade confiáveis em campos de petróleo maduros apresenta desafios significativos decorrentes de dados limitados, infraestrutura de poços envelhecida e restrições técnicas e financeiras. Esta pesquisa integrou dados dos reservatórios jurássicos da Formação Sergi no Campo de Araçás, localizado na parte nordeste da bacia do Recôncavo no Brasil, desenvolvemos uma abordagem baseada em aprendizado de máquina (ML) para estimar a permeabilidade derivada de plugues de testemunhos e de ressonância magnética nuclear (NMR), em conjunto com a criação de atributos extraídos da curva de perfilagem de raios gama, dados de litologia de Mud Logging e dados de perfilagem convencionais. Além disso, implementamos a otimização de hiperparâmetros para melhorar o desempenho dos modelos. Nossos resultados enfatizam o potencial da implementação de metodologias de aumento de atributo quando é integrado com dados básicos de variabilidade litológica vertical para prever com maior precisão a permeabilidade. Nossa pesquisa ressalta a importância de não depender somente da sofisticação, complexidade e robustez dos algoritmos de aprendizado de máquina para estimativa de permeabilidade. É essencial integrar características que possuam relevância física e geológica, reforçando assim sua influência e correlação com os resultados do modelo. É importante observar que, embora o aprendizado de máquina mostre potencial para automação mesmo com dados limitados, a intervenção humana continua sendo crucial no campo da geociência aplicada.