Técnicas de aprendizado de máquina aplicadas a inversão da forma de onda para estimativa de porosidade em reservatórios de hidrocarbonetos

• Processo: 23/17610-8
• Modalidade de apoio: Bolsas no Brasil - Doutorado
• Data de Início da vigência: 01 de abril de 2024
• Data de Término da vigência: 31 de janeiro de 2028
• Área de conhecimento: Ciências Exatas e da Terra - Geociências - Geofísica
• Pesquisador responsável: Roberto Hirata Junior
• Beneficiário: Janaína Anjos Melo
• Instituição Sede: Instituto de Astronomia, Geofísica e Ciências Atmosféricas (IAG). Universidade de São Paulo (USP). São Paulo , SP, Brasil
• Vinculado ao auxílio: 22/15304-4 - Aprendizado de representações ricas em contexto para visão computacional, AP.TEM
• Assunto(s): Aprendizado computacional Redes neurais convolucionais Tomografia sísmica Inversão sísmica
• Palavra(s)-Chave do Pesquisador: Aprendizado de Máquina | Caracterização de Reservatórios | Inversão da Forma de Onda | Redes Neurais convolucionais | Tomografia Sísmica | Inversão Sísmica

Resumo

A caracterização de reservatórios é uma etapa essencial no desenvolvimento, monitoramento e gerenciamento de um reservatório de hidrocarbonetos e na otimização da produção de componentes importantes para utilização humana. Um importante parâmetro físico do reservatório é a porosidade, pois ela reflete a quantidade existente de óleo e gás em um reservatório. Dessa forma, cálculos precisos da porosidade de um reservatório são cruciais na interpretação geológica, na exploração e no desenvolvimento de um reservatório. A porosidade pode ser estimada por meio da tomografia sísmica, uma técnica de inversão de dados que permite o imageamento da estrutura de velocidade ou de atenuação do interior da Terra. Com o crescente avanço do poder computacional a partir da última década, técnicas numéricas que resolvem a equação de movimento para meios elásticos e poroelásticos podem ser agora aplicadas ao estudo de meios com propriedades físicas e estruturas complexas. Devido à necessidade de se obter modelos de propriedades elásticas cada vez mais precisos e com maior resolução, o método da Inversão da Forma de Onda Completa (FWI), uma outra maneira de se fazer tomografia, vem sendo cada vez mais aplicado. A FWI é um processo de inversão não-linear que consiste em minimizar a diferença entre a forma de onda registrada em um receptor e a forma de onda calculada por um modelo físico para estimar parâmetros elásticos de um meio, permitindo explorar todos os efeitos de frequência-finita contidos num registro sísmico e fornecendo comprovadamente modelos de parâmetros físicos de maior resolução. Assim, os modelos de parâmetros elásticos fornecidos pela FWI têm sido cada vez mais utilizados para estimativas das propriedades físicas das rochas para caracterização de reservatórios. As técnicas de Aprendizado de Máquina têm diversas vantagens sobre as técnicas tradicionais de interpretação, pois permitem conectar parâmetros usualmente não relacionados e resolver problemas não-lineares comuns quando tenta converter a informação de dados geofísicos em informação geológica ou propriedades petrofisicas do reservatório, com mais precisão e menos influência do viés interpretativo. Diante da capacidade do Aprendizado de Máquina em manipular dados não-lineares sem a necessidade de especificar a natureza precisa da não-linearidade a priori, este projeto propõe o uso de duas Redes Neurais (supervisionada e não supervisionada) para o processamento de sinais sísmicos e interpretação de imagens geradas pela FWI. Este procedimento tem como objetivo estimar a porosidade relativa em multiescala, ou seja, integrando três escalas diferentes de estudo (tomografia sísmica, perfis de poço e medidas laboratoriais de testemunho) para melhorar a precisão da distribuição espacial dessa propriedade petrofísica. Para isso, serão utilizados dados sintéticos e reais para o treinamento das Redes Neurais, adaptando códigos já disponíveis na linguagem de programação Python e desenvolvendo novos códigos quando necessário. Portanto, as Redes Neurais resultantes deste trabalho estarão treinadas para que tenham a capacidade de gerar interpretação e estimativa de porosidade de um reservatório em três escalas diferentes de estudo (sísmica, poço e laboratório), desenvolvendo a capacidade de interligar essas diferentes escalas de detalhes quando essas informações estão disponíveis na mesma área de estudo.