Busca avançada
Ano de início
Entree


Carbonate reservoir characterization with integrated rock, special well logs, and machine learning methods: a study case in a Pre-Salt field from the Santos Basin

Texto completo
Autor(es):
Bruno Wamzer Jeiss
Número total de Autores: 1
Tipo de documento: Tese de Doutorado
Imprenta: Campinas, SP.
Instituição: Universidade Estadual de Campinas (UNICAMP). Faculdade de Engenharia Mecânica
Data de defesa:
Membros da banca:
Alexandre Campane Vidal; Michelle Chaves Kuroda; André Pires Negrão; Giovanna da Fraga Carneiro; Aline Maria Poças Belila
Orientador: Alexandre Campane Vidal
Resumo

O desenvolvimento da produção de petróleo nos reservatórios do Pré-Sal requer suporte de modelos geológicos e petrofísicos consistentes. O principal objetivo desta pesquisa é desenvolver fluxos de trabalho de caracterização de reservatórios, combinando geologia, petrofísica e aprendizado de máquina. O intervalo estudado, pertencendo à Formação Barra Velha, apresenta uma sucessão de fácies in-situ, composta por shrubstones, mudstones laminados e spherulitestones, e fácies retrabalhadas compostas por grainstones e rudstones intraclásticos. A primeira parte do estudo integra descrição de testemunho, petrografia e perfis de imagem acústica para segmentar o intervalo em Petrofácies de Reservatório. Posteriormente avalia-se a qualidade de reservatório com perfis de ressonância magnética nuclear (RMN) e Micro-CT. A melhor qualidade de reservatório pertence a rudstones com baixa cimentação e grainstones com moderada cimentação por dolomita/quartzo, com valores de porosidade entre 15-20% e permeabilidades entre 100 e 500 mD. As melhores fácies in-situ pertencem aos shrubstones com cimentação por dolomita moderada, com porosidade entre 12-17% e permeabilidade em torno de 100 mD. O método integrado mostrou-se eficaz na transferência de informações, em escala de testemunho para perfil do poço, além de permitir ao intérprete fazer inferências fora do intervalo testemunhado, respeitando o contexto geológico. A segunda parte do estudo aborda a estimativa imprecisa da porosidade em intervalos dominados por porosidade secundária, aplicando aprendizado de máquina supervisionado. Integra-se dados de perfis convencionais, RMN e um índice de porosidade vugular extraído de perfis de imagem de acústica, e valida-se o modelo com análises petrofísica básica. Foram testados os algoritmos Random Forest, XGBoost e Support Vector Regression, com métricas de R2 de 0,835; 0,836; 0,800 e raiz do erro quadrático médio (REQM) de 1,75; 1,68; 1,82; respectivamente. Todos os três modelos superaram a estimativa original do perfil RMN de R2 de 0,64 e REQM de 2,78. Limitações metodológicas podem surgir, especialmente relacionadas a artefatos nos perfis de imagem acústicas, que precisam ser mitigados antes do treinamento do modelo. A incorporação de métodos de aprendizado de máquina à caracterização de reservatórios pode aprimorar a precisão na estimativa de parâmetros de reservatório, além do potencial para redução no tempo de análise o custo com amostragem. Em última análise, a integração destes métodos com petrofísica e geologia aprimora o fluxo de trabalho no desenvolvimento de reservatórios complexos (AU)

Processo FAPESP: 20/01320-2 - Análise petrofísica de um reservatório carbonático do pré-sal utilizando dados de poço
Beneficiário:Bruno Wamzer Jeiss
Modalidade de apoio: Bolsas no Brasil - Doutorado