Modelagem de rochas e fluidos em campos de produção offshore: aplicações na Bacia de Santos utilizando algoritmos de aprendizado de máquina não supervisionado.

• Ano de defesa: 2025
• Autor(a) principal: Gorla, Felipe Ferreira Luiz
• 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: Análise de conglomerados; Aprendizado computacional; Cluster analysis; Electrofacies; Formation waters; Geologia do petróleo; Pré-sal; Santos basin; Seismic facies; Unsupervised algorithms
• Link de acesso: https://www.teses.usp.br/teses/disponiveis/3/3135/tde-08072025-142215/

A indústria de óleo e gás enfrenta uma transformação profunda em resposta aos esforços globais de mitigação das mudanças climáticas, o que torna indispensável o aprimoramento da modelagem espacial de rochas e fluidos de reservatórios. Essa modelagem é fundamental tanto para as operações de exploração e produção de petróleo quanto para projetos de armazenamento de carbono e hidrogênio, podendo ser significativamente otimizada com o uso de algoritmos de aprendizado de máquina. Este trabalho visa classificar, de forma semiautomatizada, rochas selantes, rochas reservatório e tipos de águas de formação, utilizando, respectivamente, dados de perfis de poços, atributos sísmicos e análises químicas das águas de formação. A pesquisa tem como base analítica os algoritmos de aprendizado não-supervisionado, que foram aplicados para tarefas de agrupamento e posterior classificação em três estudos de casos distintos. Foram utilizados dados da porção leste da Bacia de Santos, localizada na margem continental sudeste do Brasil, dentro da área do Présal. O primeiro caso focou na análise das rochas selantes da Formação Ariri. Três algoritmos não-supervisionados foram aplicados a dados de perfis geofísicos e curvas de parâmetros de perfuração. As análises, utilizando os métodos K-means, Mapas Auto-Organizáveis e Perceptron multicamadas com conexões laterais, resultaram em grupos posteriormente classificados com base na composição mineralógica e resistência à perfuração. Foram identificados evaporitos e suas misturas, detalhando a coluna litológica da Formação Ariri em eletrofácies que refletem tanto a mineralogia quanto as propriedades geomecânicas. O segundo caso concentrou-se na análise de atributos sísmicos para caracterizar os reservatórios da Formação Itapema, no Campo de Búzios. O processo incluiu o préprocessamento e a extração de atributos sísmicos relacionados à litologia e inclinação das camadas, a importação desses atributos para uma malha 3D e aplicação do algoritmo Mapas Auto-Organizáveis. Utilizando conceitos clássicos de interpretação de sismofácies e sismoestratigrafia, além de dados litológicos e petrofísicos de poços, foram identificadas cinco sismofácies, associadas a domínios deposicionais de uma plataforma carbonática lacustre. Por fim, o terceiro caso investigou a variação composicional das águas de formação nos aquíferos das formações Barra Velha e Itapema, também no Campo de Búzios. A partir de gradientes de pressão, análise de agrupamento e modelagem hidrogeoquímica, foram identificados sete tipos de salmouras, distribuídos em quatro compartimentos hidráulicos, delimitados por barreiras de permeabilidade. A análise revelou aquíferos com contatos óleoágua mais rasos, enriquecimento de íons em áreas específicas, além de destacar áreas mais susceptíveis a processos de incrustação inorgânica nos equipamentos de produção. A abordagem integrada apresentada nesta pesquisa, com fluxos metodológicos automatizados por algoritmos de aprendizado de máquina, contribui para uma caracterização mais precisa e robusta dos reservatórios, ampliando sua viabilidade para projetos de exploração de recursos energéticos na plataforma continental.