Dados da Submissão

Título

ESTIMATIVA DE DADOS DE POÇO UTILIZANDO ALGORITMOS DE APRENDIZADO DE MÁQUINA APLICADOS PARA AMARRAÇÃO POÇO-SÍSMICA: ESTUDO DE CASO NA BACIA DE SANTOS, BRASIL

Texto do resumo

Devido ao seu volume de produção, as rochas carbonáticas do pré-sal presentes nas bacias marginais do sudeste do Brasil são atualmente o alvo prospectivo de maior importância para a indústria de hidrocarbonetos no país. Porém, além de serem de difícil acesso (i.e., geralmente encontradas abaixo de uma camada de sal que pode atingir mais de 2 km de espessura em águas ultra-profundas), os reservatórios carbonáticos possuem uma complexidade intrínseca, já que as características de interesse econômico (e.g., porosidade e permeabilidade) são altamente dependentes dos processos diagenéticos, como dissolução e retrabalhamento. Dessa forma, o sucesso da exploração e produção de hidrocarbonetos do pré-sal é cada vez mais dependente da combinação entre os dados petrofísicos e sísmicos, pois permite mitigar as incertezas quanto à delimitação e caracterização do reservatório do pré-sal. Uma etapa importante no estudo de reservatórios é a amarração de poço com a sísmica, pois além de ajudar a sanar incertezas quanto à sua profundidade, permite utilizar informações em diferentes escalas. O processo de amarração consiste na estimativa de um sismograma sintético calculado a partir de dados de densidade e velocidade sônica adquiridos ao longo do poço, que posteriormente são comparados com os dados sísmicos reais. Porém, é frequente que falhas técnicas durante a aquisição de dados resultem em lacunas que comprometam a continuidade da informação, dificultando o processo de amarração. Desse modo, modelos matemáticos e petrofísicos são boas alternativas para, a partir de outras informações, inferir e preencher tais intervalos com ausência de dados. Neste contexto, a estimativa de propriedades petroelásticas das rochas como densidade e velocidade de onda P são fundamentais para o processo de amarração. É comum na literatura encontrar estudos que correlacionam a densidade bulk das rochas (rho) a outros dados básicos de poços. Neste estudo, utilizamos a equação de Gardner e métodos de aprendizado de máquina, como redes neurais, florestas aleatórias e regressões de Gradient Boosting para gerar os perfis de densidade e posteriormente realizar a amarração poço-sísmica. Utilizamos dados reais adquiridos de vinte poços da formação do pré-sal da Bacia de Santos, no Brasil, para treinar e testar os métodos de aprendizado de máquina e avaliamos os dados estimados por esses modelos usando métricas estatísticas. Os métodos de Aprendizado de Máquina apresentaram menores erros entre as densidades estimadas e medidas quando comparados à equação de Gardner.

Palavras Chave

Inteligência Artificial; Reservatório de Hidrocarbonetos; pre-sal