Condicionamento sísmico de geomodelos usando aprendizado de máquina e métodos probabilísticos.

• Processo: 25/04182-3
• Modalidade de apoio: Bolsas no Brasil - Doutorado
• Data de Início da vigência: 01 de setembro de 2025
• Data de Término da vigência: 31 de agosto de 2029
• Área de conhecimento: Ciências Exatas e da Terra - Geociências - Geofísica
• Pesquisador responsável: Emilson Pereira Leite
• Beneficiário: Muhammad Irfan Haider
• 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 Pré-sal Sísmica
• Palavra(s)-Chave do Pesquisador: aprendizado de máquina | Pré-sal | sísmica | Interpretação sísmica quantitativa

Resumo

O principal objetivo deste projeto é desenvolver um fluxo de trabalho consistente para o condicionamento de geomodelos de reservatórios carbonáticos a dados sísmicos. Os geomodelos fornecem uma referência para a modelagem numérica, auxiliando na melhor compreensão dos fatores-chave que influenciam os desafios nas fases de exploração e desenvolvimento de um campo, especialmente no caso de reservatórios carbonáticos complexos, como os do pré-sal offshore do Brasil (e.g. Amaru & Tyshkanbayeva, 2022). Os dados sísmicos 3D são utilizados tanto para fornecer interpretação estrutural tridimensional quanto para popular os geomodelos com propriedades do reservatório. Esse processo pode ser realizado por diversas estratégias e algoritmos, dependendo principalmente da complexidade do cenário geológico, da disponibilidade e da qualidade dos dados. Um fluxo de trabalho capaz de produzir um geomodelo 3D realista em um cenário geológico complexo, capturando as diversas incertezas e heterogeneidades envolvidas, precisa ser desenvolvido. Este projeto enfrentará esse desafio investigando algoritmos probabilísticos e de aprendizado de máquina em um condicionamento multietapa de geomodelos a dados sísmicos (e.g. Song et al., 2022). A literatura discute que as estratégias tradicionais não fornecem um modelo totalmente realista que seja capaz de produzir uma resposta sísmica comparável à sísmica observada (e.g. Shragge et al., 2019). Algoritmos de aprendizado profundo serão utilizados para a interpretação automática de falhas e unidades estratigráficas, a fim de construir uma estruturação geológica para o geomodelo. Os algoritmos desenvolvidos serão capazes de avaliar um conjunto de atributos sísmicos para fornecer a melhor interpretação possível. A predição das propriedades petrofísicas e das fácies petroelásticas será realizada por meio de métodos de inversão sísmico-petrofísica baseados em técnicas probabilísticas e de aprendizado de máquina (e.g. Grana et al., 2022). O foco será na combinação dessas abordagens, e cada produto intermediário será avaliado em termos de incertezas e resoluções. As previsões das propriedades do reservatório exigirão o estabelecimento de modelos físico-estruturais de rochas adequados, que devem considerar as fácies geológicas descritas na escala dos perfis de poço. Será dada atenção especial à validação das respostas sísmicas modeladas a partir do geomodelo condicionado. (AU)