Métodos de aprendizado profundo para caracterização de falhas e ampliação da escala de reservatórios

• Processo: 24/08939-9
• Modalidade de apoio: Bolsas no Brasil - Pós-Doutorado
• Data de Início da vigência: 01 de agosto de 2024
• Data de Término da vigência: 31 de julho de 2026
• Área de conhecimento: Ciências Exatas e da Terra - Ciência da Computação - Sistemas de Computação
• Acordo de Cooperação: Equinor (antiga Statoil)
• Pesquisador responsável: Hélio Pedrini
• Beneficiário: Sandro Pereira Vilela
• Instituição Sede: Centro de Estudos de Energia e Petróleo (CEPETRO). Universidade Estadual de Campinas (UNICAMP). Campinas , SP, Brasil
• Empresa: Universidade Estadual de Campinas (UNICAMP). Faculdade de Engenharia Mecânica (FEM)
• Vinculado ao auxílio: 17/15736-3 - Centro de Pesquisa em Engenharia em Reservatórios e Gerenciamento de Produção de Petróleo, AP.PCPE
• Assunto(s): Aprendizado computacional Reservatórios de petróleo Rochas sedimentares
• Palavra(s)-Chave do Pesquisador: ampliação de escalas | caracterização de falhas | Reservatórios de Petróleo | rochas carbonáticas | aprendizado de máquina

Resumo

Este plano de trabalho de pesquisa de pós-doutorado foca em duas tarefas principais no contexto do Centro de Inovação em Produção de Energia (EPIC) envolvendo Equinor/UNICAMP/FAPESP. A primeira tarefa é o uso de técnicas de processamento de imagem e aprendizado de máquina para analisar imagens de tomografia computadorizada (CT), ressonância magnética nuclear (NMR) e imagens de poços (BHI) a fim de detectar e caracterizar estruturas como poros, fraturas e vugs em rochas carbonáticas. Para realizar essa tarefa, o projeto envolverá a segmentação de dados para identificar os contornos dessas estruturas nas imagens (PURSWANI et al., 2020; XIONG; JIANG; XUet al., 2021; MACDONALD et al., 2022). Novos algoritmos de aprendizado de máquina serão desenvolvidos e aplicados para avaliar os parâmetros geométricos dessas estruturas, como tamanho, forma e orientação. Ao combinar esses dados com informações sobre as propriedades do fluido das rochas, os geólogos podem obter insights sobre o comportamento do fluxo de fluidos dentro do reservatório e, potencialmente, desenvolver métodos mais eficazes para extrair recursos dessas formações (LI et al., 2021). A segunda tarefa está relacionada à ampliação da escala de reservatórios, onde os pesquisadores geralmente utilizam uma combinação de dados experimentais, como amostras de núcleo e registros de poços, e simulações numéricas, que são usadas para criar modelos do comportamento dos fluidos. Esses modelos podem ser usados para estimar propriedades como permeabilidade, porosidade e saturação de fluidos em escalas maiores, com base em dados obtidos em escalas menores. Um dos principais desafios na ampliação da escala de reservatórios é capturar com precisão a natureza complexa e heterogênea do comportamento do fluxo de fluidos em escalas menores. Técnicas de aprendizado profundo serão usadas para identificar padrões e relações dentro dos dados em pequena escala (TREHAN e DURLOFSKY, 2018; ZHU et al., 2021), permitindo previsões mais precisas do comportamento dos fluidos em escalas maiores. Isso pode levar a uma gestão de recursos mais eficaz, bem como a estratégias de produção aprimoradas. No entanto, o uso de técnicas de aprendizado profundo na ampliação da escala de reservatórios também apresenta alguns desafios,como a necessidade de grandes quantidades de dados de alta qualidade e o potencial de sobreajuste,tópicos que serão abordados por meio de técnicas de aumento de dados e pré-condicionamento. (AU)