Modelagem geoquímica e mineralógica dos reservatórios carbonáticos do pré-sal da bacia de Santos através de perfis de poços e inteligência artificial.

• Ano de defesa: 2022
• Autor(a) principal: Oliveira, Lucas Abreu Blanes de
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Biblioteca Digitais de Teses e Dissertações da USP
• Palavras-chave em Português: Aprendizado computacional; Artificial intelligence; Geochemical logs; Inteligência artificial; Machine learning; Mineralogical model; Modelo mineralógico; Perfilagem de poços; Perfis geoquímicos; Wireline logs
• Link de acesso: https://www.teses.usp.br/teses/disponiveis/3/3135/tde-22022022-092113/

Conhecer a geoquímica e mineralogia das rochas é essencial para a avaliação de formações e caracterização dos reservatórios. Usualmente, modelos geoquímicos e mineralógicos são criados usando os perfis geoquímicos, utilizando as concentrações dos elementos químicos presentes na matriz da rocha para calcular as frações minerais. Entretanto, incertezas observadas na criação desses modelos e a disponibilidade dos perfis geoquímicos e de amostras de rocha em cenários de cortes de gastos torna essa modelagem desafiadora. Nos campos do pré-sal da Bacia de Santos operados pela Petrobras, a aquisição da ferramenta geoquímica e de amostras de rocha é mais frequente na fase exploratória, sendo diminuída nos poços da fase de desenvolvimento. Com essas complexidades, algoritmos de aprendizado de máquina representam uma solução para a criação de modelos geoquímicos e mineralógicos alinhados com o cenário de redução de custos da companhia. Para o modelo geoquímico, uma base de dados foi criada com os perfis de 19 poços. Os dados de entrada foram os perfis de raios gama, espectroscopia de raios gama, densidade, fator fotoelétrico, nêutrons, ressonância magnética nuclear e sônico. Os dados de saída foram as concentrações de Al, Ca, Fe, Mg, Na, Si, S e Ti. O algoritmo de aprendizado de máquina XGBoost foi treinado para gerar perfis geoquímicos sintéticos, e os resultados foram avaliados usando um conjunto de validação e validação cruzada. Com exceção do Na, com R2 acima de 0,70, os modelos dos demais elementos apresentaram R2 acima de 0,80. Para o modelo mineralógico, duas metodologias foram criadas. Na primeira, uma base de dados foi criada com as análises de FRX e DRX de 1.376 amostras de rocha coletadas no pré-sal. Os dados de entrada foram as concentrações de Al, Ca, Fe, K, Mg, Na, Si e Ti, e os dados de saída foram as frações de calcita, dolomita, quartzo, K-feldspato, argilas detríticas, plagioclásio e piroxênio. O algoritmo XGBoost foi utilizado através de aprendizado escalonado, melhorando o resultado dos modelos de argilas detríticas, quartzo e calcita quando comparada com técnicas tradicionais. O segundo modelo mineralógico utilizou uma modelagem híbrida, criada através da integração dos algoritmos do aprendizado escalonado com um modelo probabilístico. A etapa probabilística utilizou as informações dos algoritmos de aprendizado de máquina em conjunto com os perfis de densidade, fator fotoelétrico, frações de fluido da ressonância magnética nuclear e geoquímicos, para estimar também as frações de pirita, barita e argilas magnesianas, que não haviam sido contemplados na base de dados. Os modelos geoquímicos e mineralógicos foram aplicados a dados de perfis de poços não utilizados no treinamento e validação, para testar sua qualidade em situações reais. Os modelos foram capazes de honrar os perfis geoquímicos reais e as frações minerais observadas em análises de DRX, confirmando sua robustez e capacidade de generalização. Ficou demonstrado que as metodologias propostas são capazes de gerar modelos geoquímicos e mineralógicos de alta qualidade, alinhado com as iniciativas de otimização e redução de custos.