Utilização de Machine Learning supervisionado para a predição de litofácies no pré-sal da Bacia de Santos, formação Barra Velha, Campo de Tupi

• Ano de defesa: 2023
• Autor(a) principal: Cardoso, Daiane dos Santos
• Tipo de documento: Tese
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade do Estado do Rio de Janeiro; Centro de Tecnologia e Ciências::Faculdade de Geologia; Brasil; UERJ; Programa de Pós-Graduação em Geociências
• Palavras-chave em Português: Machine learning supervisionado; Classificação de litofácies; Fomação Barra Velha; Campo de Tupi; Pré-sal da Bacia de Santos; Supervised Machine Learning; Lithofacies classification; Barra Velha formation; Tupi Field; Pre-Salt Santos Basin; CIENCIAS EXATAS E DA TERRA::GEOCIENCIAS::GEOLOGIA::ESTRATIGRAFIA
• Link de acesso: http://www.bdtd.uerj.br/handle/1/21083

A classificação de litofácies é essencial para a exploração e desenvolvimento de campos de petróleo e gás, fornecendo informações valiosas para análises petrofísicas e sísmicas. No caso das litofácies carbonáticas, a heterogeneidade em diferentes escalas apresenta um desafio, especialmente porque a interpretação manual por especialistas é demorada e sujeita a viés. No Brasil, a descoberta de grandes campos de hidrocarbonetos no intervalo de reservatórios do Pré-sal gerou um alto interesse na origem e classificação de rochas carbonáticas complexas. Recentemente, métodos de machine learning emergiram como uma solução promissora para processos de classificação automatizada de litofácies. Neste estudo, apresentamos uma abordagem que inclui o uso do algoritmo XGBoost e um conjunto de dados da Formação Barra Velha no Campo de Tupi, Bacia de Santos, Brasil, realizando a classificação automatizada de litofácies carbonáticas com alta precisão. A metodologia incluiu seleção de dados, controle de qualidade e pré-processamento, seguidos por aumento de dados, definição de hiperparâmetros para cada modelo, treinamento do algoritmo XGBoost e avaliação do modelo usando métricas importantes nas etapas de treinamento, validação cruzada e teste. Doze modelos diferentes foram avaliados, sendo quatro deles selecionados para a sua aplicação nos blind wells. Esses modelos apresentaram 0,63 a 0,72 na métrica de avaliação de modelos F1-score. Os resultados demonstram a eficácia do algoritmo XGBoost combinado com seleção avançada de variáveis, processo de aumento de dados e definição de hiperparâmetros. A abordagem e o fluxo de trabalho criados com o conjunto de dados da Formação Barra Velha do Campo de Tupi forneceram insights valiosos para a exploração do intervalo Pré-sal no Brasil, bem como para a sua promissora utilização na classificação de litofácies em diferentes bacias carbonáticas, como as bacias de Campos e Kwanza.