Modelagem geológica 3D de um reservatório carbonático da Bacia de Santos utilizando aprendizagem de máquina
Henrique Moreira Santana
DISSERTAÇÃO
Português
T/UNICAMP Sa59m
[3D geological modeling of a carbonate reservoir in the Santos Basin using machine learning]
Campinas, SP : [s.n.], 2024.
1 recurso online (72 p.) : il., digital, arquivo PDF.
Orientador: Emilson Pereira Leite
Dissertação (mestrado) - Universidade Estadual de Campinas (UNICAMP), Instituto de Geociências
Resumo: A modelagem geológica tridimensional de um campo petrolífero é fundamental para o planejamento das etapas de exploração e produção de hidrocarbonetos. Alguns produtos comuns da modelagem de reservatórios são os modelos 3D de fácies petroelásticas, unidades de fluxo, unidades geomecânicas e...
Ver mais
Resumo: A modelagem geológica tridimensional de um campo petrolífero é fundamental para o planejamento das etapas de exploração e produção de hidrocarbonetos. Alguns produtos comuns da modelagem de reservatórios são os modelos 3D de fácies petroelásticas, unidades de fluxo, unidades geomecânicas e tipos de poros. Comumente, o entendimento da distribuição dessas classes em subsuperfície é adquirido por meio da integração de dados obtidos por levantamentos sísmicos e pela perfilagem geofísica de poços. Entretanto, apesar dos avanços na determinação dessas classes com certa precisão para cada poço, há o problema da classificação no espaço entre os poços. Em geral, essa classificação é feita por meio da marcação arbitrária de zonas homólogas em diagramas de dispersão dos parâmetros elásticos, como razão de velocidades das ondas P e S (Vp/Vs) e impedância acústica da onda P (Zp). Contudo, a região interpretada no volume sísmico depende criticamente do tamanho da zona selecionada no diagrama de dispersão, tornando o processo muito subjetivo. Posto isto, a abordagem seguida neste estudo consiste na classificação de unidades a partir de um algoritmo baseado em aprendizagem de máquina. Dessa forma, é eliminada a necessidade de se definir arbitrariamente um limiar para a separação de zonas homólogas. O algoritmo de classificação supervisionada foi treinado a partir de parte dos poços, utilizando 1 poço para teste até que todos tenham sido testados. O estudo avaliou a melhoria de desempenho do modelo ao incorporar aos dados de treino pseudocurvas extraídas dos produtos de inversão sísmica (eg. Zp, Zs). Além disso, avaliou o desempenho de diferentes métodos de reamostragem de dados para balancear as classes da Formação Barra Velha. Com isso, foi possível aplicar a classificação às saídas da inversão sísmica, resultando em modelos 3D de fácies petroelásticas, unidades de fluxo e unidades geomecânicas. Os modelos apresentam acurácia média entre 70 e 95%. A distribuição das classes observadas nos modelos indicam maior proporção de fácies e unidades de rocha-reservatório nos intervalos de produção da Formação Barra Velha BVE100 e BVE300 e maior proporção de não-reservatório no BVE200. Essa distribuição está consistente com a interpretação geológica da área de estudo com base em estudos anteriores que identificaram, a partir de análise petrográfica, a maior presença de lama carbonática no BVE200, em contraste com os outros dois intervalos de produção. Além disso, os resultados de classificação indicam que os reservatórios ocorrem como estruturas alongadas na direção do alto estrutural (NE-SW), compartimentadas em corredores entre falhas que ocorrem na mesma direção. Os resultados demonstram o potencial do uso dessa ferramenta para classificação de dados sísmicos e caracterização de reservatórios do pré-sal
Ver menos
Abstract: Three-dimensional geological modeling of an oil field is fundamental for planning the stages of hydrocarbon exploration and production. Common outputs from reservoir modeling include 3D models of petroelastic facies, flow units, geomechanical units, and pore types. Typically, the...
Ver mais
Abstract: Three-dimensional geological modeling of an oil field is fundamental for planning the stages of hydrocarbon exploration and production. Common outputs from reservoir modeling include 3D models of petroelastic facies, flow units, geomechanical units, and pore types. Typically, the understanding of the distribution of these subsurface classes is acquired through the integration of data obtained from seismic surveys and well logging. However, despite advances in determining these classes with some precision for each well, there is the problem of classification in the space between wells. Generally, this classification is done by arbitrarily marking homologous zones on scatter plots of elastic parameters, such as the P- and S-wave velocity ratio (Vp/Vs) and P-wave acoustic impedance (Zp). However, the interpreted region in the seismic volume critically depends on the size of the selected zone in the scatter plot, making the process very subjective. Therefore, the approach followed in this study involves the classification of units using a machine learning-based algorithm. This eliminates the need to arbitrarily define a threshold for separating homologous zones. The supervised classification algorithm was trained using part of the wells, with one well used for testing until all had been tested. The study evaluated the improvement in model performance by incorporating pseudo-curves extracted from seismic inversion products (e.g., Zp, Zs) into the training data. Additionally, it assessed the performance of different data resampling methods to balance the classes of the Barra Velha Formation. Consequently, the classification was applied to the outputs of the seismic inversion, resulting in 3D models of petroelastic facies, flow units, and geomechanical units. The models show an average accuracy between 70% and 95%. The distribution of classes observed in the models indicates a higher proportion of reservoir facies and units in the production intervals of the Barra Velha Formation BVE100 and BVE300, and a higher proportion of non-reservoir in BVE200. This distribution is consistent with the geological interpretation of the study area based on previous studies that identified, from petrographic analysis, a greater presence of carbonate mud in BVE200, in contrast to the other two production intervals. Furthermore, the classification results indicate that the reservoirs occur as elongated structures in the direction of the structural high (NE-SW), compartmentalized into corridors between faults that occur in the same direction. The results demonstrate the potential of using this tool for the classification of seismic data and the characterization of pre-salt reservoirs
Ver menos
Requisitos do sistema: Software para leitura de arquivo em PDF
Aberto
Modelagem geológica 3D de um reservatório carbonático da Bacia de Santos utilizando aprendizagem de máquina
Henrique Moreira Santana
Modelagem geológica 3D de um reservatório carbonático da Bacia de Santos utilizando aprendizagem de máquina
Henrique Moreira Santana