Dados da Submissão

Título

Modelagem de propriedades petrofísicas em cenários exploratórios: um estudo de caso utilizando Machine Learning no Pré-sal

Texto do resumo

Modelos geológicos 3D são cada vez mais utilizados para avaliação de áreas exploratórias. Contudo, os métodos tradicionais de criação de modelos geológicos para reservatórios demandam um tempo considerável de construção e conhecimentos substanciais em geoestatística. A fim de melhorar o fluxo de trabalho para construção dos modelos exploratórios, o software Ember foi testado em um prospecto do Pré-sal na Bacia de Santos. Este software, que utiliza um algoritmo de aprendizado de máquina (Quantile Random Forest - QRF) em conjunto com geoestatística, permite gerar modelos de propriedades contínuas através de parametrizações mais simples em relação ao método clássico. Neste estudo, foram comparados aos pares oito modelos gerados por geoestatística clássica (Modelos Clássicos) e pelo Ember (Modelos Ember), de acordo com suas classes petrofísicas: otimista (OTM), moderado (MDR), pessimista (PES) e superpessimista (SPE). Os modelos Ember foram construídos para a propriedade de porosidade a partir de poços-tipo e de acordo com as seguintes etapas: remostragem dos perfis e avaliação das propriedades secundarias, treinamento da rede QRF, controle de qualide por teste cego de poços, simulação dos modelos. Os modelos de porosidade Ember apresentaram aumentos médios dos seus valores de 6% (OTM), 13% (MDR, PES) e 12% (SPE) em comparação aos modelos clássicos. Em termos de volumetria, os modelos Ember resultaram em incrementos de 37% (OPT), 18% (MDR), 24% (PES) e 6% (SPE). As diferenças de 6% a 13% entre as porosidades médias dos modelos Ember e clássicos, demonstram que os métodos convergem. No entanto, essas diferenças impactaram significativamente nos volumes, que são determinantes na avaliação de áreas exploratórias. Os incrementos tanto na porosidade quanto no volume dos modelos Ember em relação aos clássicos resultaram das características distintas empregadas em cada método. O método geoestatístico clássico é estacionário, pois assume uma média e variância constante por todo o modelo. Tal abordagem se deve à dificuldade inerente em alcançar estacionaridade a partir de variáveis contínuas governadas por tendências geológicas. Diferentemente, técnicas de aprendizado de máquina, como o Ember, superam essas limitações produzindo modelos não-estacionários, ou seja, com diferentes médias e variâncias locais. A influência destes aspectos pode ser observada no maior ajuste entre os histogramas dos poços com os histogramas dos modelos Ember, do que com os dos modelos clássicos. Na prática, o Ember produziu uma maior correlação com os poços, realçando áreas com maiores porosidades (hotspots), que eventualmente foram suavizadas e descaracterizadas pelo método clássico. Tais anomalias, aumentaram as porosidades e os volumes nos modelos Ember. Outra característica interessante do Ember é a possibilidade do uso de diversas variáveis secundárias, que permitiu testar e escolher rapidamente aquelas que apresentaram melhor correlação com as porosidades. Em suma, o Ember otimizou a integração dos trabalhos de modelagem de reservatório e exploração, através de vantagens relacionadas a uma parametrização mais simplificada e a rapidez na construção dos modelos, permitindo ajustes empíricos e exigindo menor expertise em técnicas geoestatísticas.

Palavras Chave

aprendizado de máquina; porosidade; Tecnologia; Exploração