Dados da Submissão

Título

Explorando o Potencial do Aprendizado de Máquina na Classificação de Gases durante a Perfuração de Poços de Petróleo e Gás

Texto do resumo

A técnica de mud logging é amplamente utilizada na indústria do petróleo para avaliar formações geológicas durante a perfuração de poços. O processo envolve a coleta de amostras de calha e análise do gás presente no fluido de perfuração. A análise do gás é feita por meio de detectores de gás, cromatógrafos a gás e espectrômetros de massa, permitindo a determinação da composição do gás liberado. Os dados de gás obtidos durante a perfuração são extremamente importantes para a caracterização das propriedades das formações e fluidos, identificação de anomalias de perfuração e tomada de decisões estratégicas no desenvolvimento de campos petrolíferos. Todavia, os dados de gases mud logging ainda não são totalmente explorados, especialmente quando se trata do uso de Inteligência artificial. Este trabalho propõe o uso de aprendizado de máquina para classificar tipos de gases com base em parâmetros de composição molar obtidos durante a perfuração de poços. Três classes de gases foram utilizadas: Termogênico, Microbial Primário e Microbial Secundário. A metodologia envolveu a extração de dados do banco de dados do departamento de Geoquímica do Petróleo do CENPES, a seleção de parâmetros relevantes e a utilização de algoritmos de aprendizado de máquina, como o Random Forest, para criar um modelo preditivo. Os resultados mostraram uma acurácia de 93,1% na fase de treinamento do modelo, sendo que a classe de gases Microbial Secundário foi a mais difícil de ser predita. Na fase de validação, o modelo apresentou um erro inferior a 5% na predição das classes de gases. O uso de aprendizado de máquina e técnicas de análise de dados pode ajudar a melhorar a classificação de gases durante a perfuração de poços de petróleo e gás, permitindo uma melhor compreensão das formações e reservatórios, otimização da produção e redução de riscos.

Palavras Chave

Mud Logging; Gases; Machine Learning