1. Técnicas de aprendizagem de máquina bio-inspiradas aplicadas ao estudo de rochas reservatório
- Author
-
Kuroda, Michelle Chaves, 1984, Vidal, Alexandre Campane, 1969, Leite, Emilson Pereira, 1975, Maschio, Célio, Rocha, Marcelo Monteiro da, Carneiro, Cleyton de Carvalho, Loures, Luiz Geraldo do Carmo Lucchesi, Universidade Estadual de Campinas. Instituto de Geociências, Programa de Pós-Graduação em Geociências, and UNIVERSIDADE ESTADUAL DE CAMPINAS
- Subjects
Petrophysics ,Reservatórios ,Genetic algorithm ,Redes neurais (Computação) ,Machine learning ,Algoritmos genéticos ,Petrofísica ,Neural networks ,Reservoir - Abstract
Orientadores: Alexandre Campane Vidal, Emilson Pereira Leite Tese (doutorado) - Universidade Estadual de Campinas, Instituto de Geociências Resumo: Esta tese propõe a utilização de técnicas de aprendizagem de máquina bio-inspiradas, descrita em seis artigos, que visam a identificação e classificação de rochas reservatório, a partir da análise de perfis de poços, dados sísmicos e imagens de rochas. O primeiro capítulo descreve a seleção de variáveis utilizadas para treinamento hierárquico do método SOM (Mapa Auto-Organizável) na classificação de eletrofácies carbonáticas, aumentando o desempenho da técnica em 16%. No segundo capítulo, dados de perfis de porosidade neutrão são estimados em escala sísmica com a combinação de redes neurais MLP (Perceptrons de Múltiplas Camadas) e GA (Algoritmo Genético). Através do resultado obtido e do mapa de distribuição de fácies, calculado a partir do capítulo 1, é possível interpretar feições geológicas que corroboram com descrições prévias do campo, validando a técnica. No capítulo 3 é apresentado um workflow para identificação de lugares estratégicos para perfuração de poços em um campo turbidítico. Com este propósito, SOM é aplicado para predição de eletrofácies com descrição de qualidade de reservatório, que posteriormente são extrapoladas em 3D através da combinação de atributos sísmicos, assim como valores de porosidade. São gerados mapas de espessura de fácies e de probabilidade de porosidade acima de 12% que revelam duas regiões alvos de exploração. No capítulo 4 a porosidade de cinco amostras de coquinas, provenientes do Morro do Chaves, é definida com SOM, a partir de CT (tomografia computadorizada), para as quais conclui-se que quanto maior o tamanho do poro e a heterogeneidade da distribuição, menor seus valores de permo-porosidade e maior o REV (volume elementar representativo), não apresentando correlação com o tipo de porosidade da rocha, salvo o caso de porosidade vugular conectada. O 5º capítulo descreve a análise petrofísica e petrológica de um bloco de travertino italiano de 21,2 ton, no qual imagens RGB e valores de permeabilidade são correlacionados com MLP. Os valores de permo-porosidade e concentração de K, Th e U apresentam gradiente que diminui em direção ao topo, associados na base às feições arbustivas bem desenvolvidas e camadas espessas irregulares que apresentam porosidade vugular e fenestral, ausentes no topo, caracterizado por camadas plano paralelas. No 6º capítulo a alta heterogeneidade da permeabilidade das rochas análogas do pré-sal é demonstrada a partir da correlação de imagens de scanner e CT de uma amostra de coquina com MLP, em que características de bom reservatório a reservatório ruim foram apresentadas em 12 cm de espessura de amostra. Desta forma, a tese prova a hipótese de que as técnicas de aprendizagem de máquina podem ser utilizadas para caracterização de reservatórios turbidíticos e carbonáticos respeitando suas heterogeneidades na geração de modelos geológicos robustos e realistas a partir da correlação não linear de dados de diferentes escalas Abstract: This thesis purposes the use of bio-inspired machine learning techniques, described in six articles, for reservoir characterization, based on the analysis of well logs, seismic data and rock images. In the 1º chapter, the classification of carbonate electrofacies is calculated by SOM (Self-Organizing Map), in a hierarchical way that increases in 16% its performance. In the 2º chapter, neutron porosity well log data is estimated at seismic scale by the neural networks MLP (Multilayer Perceptrons) and GA (Genetic Algorithm). Through this result and facies distribution map, calculated from chapter one, it is possible to interpret geological features that corroborate with previous descriptions, validating the technique. In chapter 3, we present a workflow to identify strategic places for drilling of wells in a sand field. For this purpose, SOM is used to predict electrofacies, which are extrapolated in 3D combining seismic attributes. The same process is applied to porosity values, which allowed the calculation of thickness maps of facies and porosity probability above 12%, revealing two operating regions. Chapter 4 shows the pore definition of CT (computed tomography data) by SOM using five coquinas samples from the Morro do Chaves. In this work we demonstrate that the larger pore size and heterogeneity of the distribution, the smaller their values of permeability and porosity, and larger the REV (representative elementary volume), which do not show correlation with the type of rock porosity, except if they are touching vugs. The 5th chapter describes the petrophysical and petrological analysis of an Italian travertine block with 21.2 ton, in which RGB images and permeability values are correlated by MLP. The distribution of permeability, porosity, and concentration of K, Th and U show a gradient that decreases toward the top, associated with well-developed shrub features and irregular thick layers with vugs, which are missing in the top, characterized by parallel layers. In the 6th chapter the prediction of permeability is determined in 2D and 3D for a sample of coquina through scanner and CT images highlighting the high heterogeneity of the analogous rocks of pre-salt through a 12 cm thick sample that shows characteristics from good reservoir to bad reservoir. Thus, this thesis proves the hypothesis that machine learning techniques can be used to characterize sand and carbonate reservoirs, respecting their heterogeneity and generating robust and realistic geologic models by nonlinear correlation of data at different scales Doutorado Geologia e Recursos Naturais Doutora em Ciências CAPES
- Published
- 2021