Dados da Submissão

Título

APLICAÇÃO DE MÉTODOS DE MACHINE LEARNING NA PREVISÃO DE PERMEABILIDADE EM RESERVATÓRIOS ARENOSOS PARA ARMAZENAMENTO DE CO2 NA BACIA DO PARNAÍBA, BRASIL

Texto do resumo

O armazenamento de dióxido de carbono (CO2) em reservatórios de hidrocarbonetos depletados representa um papel vital na tecnologia de captura e estocagem de carbono (CCS). O processo envolve capturar as emissões de CO2 dos processos industriais e da produção de energia e armazená-las no subsolo, reduzindo assim as emissões de gases de efeito estufa e o impacto das alterações climáticas. Para que o reservatório tenha potencialidade para CCS, algumas propriedades devem ser levadas em consideração, tais como: capacidade (porosidade, mineralogia da rocha e tipo de fluido existente), permeabilidade (fluxo das plumas de injeção), profundidade (pressão e temperatura adequadas) e estruturação com selo. Os campos de hidrocarbonetos depletados são portanto excelentes candidatos para CCS, pelo vasto conhecimento de subsuperfície adquirido e infraestrutura de superfície existente. Os reservatórios direcionados para CCS exigem uma caracterização petrofísica extensiva para garantir que o reservatório atenda aos requisitos de capacidade, injetividade e confinamento do CO2. Incertezas na permeabilidade dos reservatórios trazem consequências significativas, impactando na taxa de injeção, distribuição de pressão e consequentemente no volume de CO2 armazenado. A caracterização da permeabilidade a partir dos perfis convencionais é um dos desafios na avaliação petrofísica devido à sua heterogeneidade conforme variações faciológicas. Nos últimos anos, com a crescente disponibilidade do poder computacional, as técnicas de machine learning (ML) estão sendo cada vez mais utilizadas para otimizar e automatizar modelos complexos em diversos setores da indústria. Na área de petrofísica, esses modelos de ML são amplamente utilizados para estimar a permeabilidade, obtendo resultados precisos e computacionalmente eficientes. O presente trabalho tem como objetivo testar diversos modelos de ML para otimizar a caracterização da permeabilidade nos arenitos das Formações Piauí (Carbonífero), Poti (Carbonífero) e Cabeças (Devoniano) para fins de armazenamento de carbono em reservatórios depletados da Bacia do Parnaíba (NE). Foram selecionados sete poços da bacia com amostras de rocha (amostras laterais e plugues de testemunhos) para correlacionar os resultados laboratoriais de permeabilidade com os perfis convencionais e interpretações petrofísicas (raios gama, densidade, neutrão, sônico, fator fotoelétrico, volume de argilas e porosidades total e livre). Foram testadas diversas técnicas de ML: Árvore de decisão, Random Forest, Redes Neurais Artificiais, Extreme Gradient Boosting (XGBoost), Adaptive Boosting Model (AdaBoost), K-nearest Neighbour (KNN) e Support Vector Machine. Os modelos foram treinados com 80% dos dados (384 amostras) de forma independente compreendendo uma ampla gama de hiperparâmetros, e sua validação foi realizada com 20% dos dados (96 amostras). Com base nos desempenhos dos modelos medidos nas etapas de validação e teste de poço cego, a técnica Random Forest foi a que apresentou o melhor desempenho na previsão da permeabilidade, obtendo um coeficiente de correlação R² de 0,80. Por fim, os modelos obtidos neste trabalho se demonstraram eficientes na redução de incertezas da permeabilidade para melhor representação geológica.

Palavras Chave

Machine Learning; Petrofísica; Armazenamento de Carbono; CCS