Dados da Submissão

Título

PetrografIA: INTELIGÊNCIA ARTIFICIAL NA IDENTIFICAÇÃO DE LITOLOGIAS DA FORMAÇÃO BARRA VELHA

Texto do resumo

Nos campos petrolíferos do Pré-Sal brasileiro, o tempo decorrido entre o momento da retirada de uma amostra lateral durante a perfuraçao de um poço até a obtenção da descrição microscópica oriunda da lâmina petrográfica confeccionada a partir desta amostra lateral é demasiado lento.
Durante este processo é possivel o acumulo de um grande passivo de amostras sem descrição, além de comumente a entrega dos resultados não corresponder ao tempo necessário para incorporação dos dados nos modelos geológicos desenvolvidos pelas equipes de reservatório.
Buscando melhoria nos processos e maior velocidade na incorporação desses dados nos modelos, a proposta desenvolvida neste trabalho foi automatizar a classificação litológica por meio do treinamento de uma rede possibilitando a inferência das litologias de maior ocorrência na Formação Barra Velha: estromatólito (ETR), laminito (LMT), esferulitito (ESF) e retrabalhados (RET; correspondentes a grainstones e rudstones). Foi desenvolvida uma rede neural profunda utilizando mais de 2.000 imagens de fotomosaicos com polarizadores paralelos como base de dados para treinamento, teste e validação. As descrições referentes à essas amostras foram extraídas do um banco de dados corporativo, realizadas por diversos petrógrafos.
Utilizou-se um modelo especialista binário, onde a classe alvo é composta pelas imagens identificadas como classe 1 e as demais imagens são classificadas como classe 0 (zero). Foram criados quatro modelos separados, um para cada classe correspondente (LMT, RET, ETR e ESF). Após a validação dos 4 modelos, a acurácia obtida foi de 79,15%.
A disponibilização desta classificação ocorre na forma de uma aplicação web denominada PetrografIA. Nela, é possível baixar temporariamente as imagens diretamente do banco de dados e o resultado da predição é disposto em uma planilha Excel. Além do mnemônico referente a fácies diagnosticadas pelo modelo, o arquivo contém as análises probabilísticas envolvidas, como as predições de cada modelo, seus valores máximos de probabilidade e a diferença entre o valor máximo predito e o segundo maior valor. Esse dado pode ser útil para determinar se o usuário quer trabalhar com duas classes de rocha, quando a diferença entre dois modelos tiver resultados baixos ou determinar um cutoff de confiabilidade de acordo com a necessidade de cada projeto.
Esta ferramenta terá grande aplicabilidade para otimização do tempo de recebimento das descrições litológicas preliminares, no auxílio da triagem para a descrições prioritárias pelo especialista e abrindo portas para o desenvolvimento de outras iniciativas utilizando IA, como a aplicação no desenvolvimento de novos campos ou um novo modelo treinado para características de outros reservatórios, como o Itapema.
Outra forma interessante de aplicação é utilizar a proporção das inferências litológicas de cada um dos quatro modelos criando um perfil de predição dos constituintes, pois a dificuldade de classificar as fácies da Formação Barra Velha muitas vezes se dá justamente pela variação dos elementos nas rochas, que impacta diretamente na sua qualidade permorosa. Uma rocha classificada de ETR, por exemplo, costuma ter pior permoporosidade quando ocorre junto com laminitos. Sendo assim, o entendimento dos demais litotipos presentes em uma mesma imagem de fotomosaico é de grande valor agregado para os modelos litológicos e petrofísicos.

Palavras Chave

Inteligência Artificial; Petrografia; pre-sal; Barra Velha