Dados da Submissão

Título

Aplicação de técnicas de Machine Learning na modelagem geofísica e geológica no campo de reservatórios carbonáticos da Bacia do Campos

Texto do resumo

A modelagem geológica é constituída por várias etapas: interpretação sísmica, estudos petrofísicos, modelagem conceitual e caracterização de propriedades de rocha (composição faciológica, porosidade e permeabilidade). Nos estudos de reservatórios, as técnicas de Machine Learning ou Aprendizado de Máquina merecem destaque por permitir a criação de modelos que aprendem a partir de dados, auxiliando no entendimento de cenários em relação à modelagem geológica e geofísica. Neste trabalho, foram selecionadas técnicas de Machine Learning (ML) para classificação de eletrofácies e também para sismofácies (fácies obtidas a partir dados sísmicos) a fim de serem utilizadas na simulação das propriedades estatísticas e de fluxos.
O Campo de Tartaruga Verde é constituído por rochas carbonaticas de idade albiana e depositadas em ambiente de águas rasas, possui uma estrutura alongada na direção NE-SW, do tipo casco de tartaruga. O reservatório é dividido em três sequências litoestratigráficas principais: Zona Basal (K60-10/20), constituída por dolomitos, carbonatos híbridos e rochas siliciclásticas; Zona Intermediaria (K60-40), formada por dolomitos, grainstones e packstones; e Zona Superior (K60-50), constituída por grainstones, packstones e wackestones.
Para a classificação de eletrofácies, utilizou-se a técnica de classificação não supervisionada, Self Organizing Maps (SOM), primeiro com dados de perfis de raio gama e litogeoquimico (K, Th, U, Ca, Mg e Si) obtidos em quatro poços da área 4 do campo de Tartaruga verde, o trabalho foi realizada no software Interact Petrophysical (Geoactive). Em outra abordagem, feita a partir do software Techlog (Schlumberger), utilizou além dos perfis supracitados, também foi adicionado as informações de porosidade como dados de entrada.
Na etapa de interpretação sísmica, foram utilizadas duas técnicas de produção de sismofácies: classificação bayesiana e QI Machine Learning. A classificação bayesiana foi desenvolvida nas ferramentas Litho Analysis e Litho Prediction (Petrel) e utilizou os dados de perfis de poços verticais, cubo de amplitude e impedância acústica, a fim de obter a determinação de propriedades petrofísicas e classificação de sismofácies. A segunda técnica para a produção de sismofácies utilizou-se a ferramenta QI Machine Learning, onde o principal dado de entrada foi a impedância acústica. A partir destas técnicas, tiveram como resultado cubos sísmicos de probabilidades de rochas e porosidade.
Para a construção do modelo tridimensional, a equipe optou por construir um grid tridimensional do tipo depogrid através do Structural Frame Work do Petrel. Com o intuito de otimizar o trabalho, foi selecionada a Área 4, na porção sul do campo de Tartaruga Verde. Esta região possui características geológicas representativas do campo (estruturas progradantes, falhas, fraturas e feições cársticas). A simulação de fluxo foi realizada no Intersect, da SLB.
As técnicas de ML utilizadas para a classificação de eletrofácies mostraram bons resultados, condizentes com o modelo conceitual e geológico para o campo de TVD. Com relação às sismofácies, a técnica gerada a partir da modelagem QI apresentou um bom resultado na zona superior do campo, região a qual, possui maior volume de informações de rocha e também é a principal área produtora do campo. Os resultados inicialmente foram promissores e poderão ser estendidos para todo o campo de TVD e, possivelmente, em outros reservatórios carbonáticos albianos.

Palavras Chave

Modelagem Geológica 3D; Machine Learning; Sismofácies; eletrofacies; Reservatórios carbonáticos