Advanced techniques for 3D reservoir characterization: models for the Buzios field, Santos Basin

• Ano de defesa: 2022
• Autor(a) principal: Ferreira, Danilo Jotta Ariza
• Tipo de documento: Tese
• Tipo de acesso: Acesso aberto
• Idioma: eng
• Palavras-chave em Português: Carbonato do pré-sal; Caracterização de reservatório 3D; Aprendizagem de máquina; Modelagem sedimentar 4D; Carboneto de pre-sal; Modelagem sedimentar; Presalt carbonates; 3D reservoir characterization; Machine learning; Sedimentary modeling
• Link de acesso: http://app.uff.br/riuff/handle/1/27901; http://dx.doi.org/10.22409/PPGDOT .2022.d.14382625742

Esta tese tem como objetivo construir fluxos de trabalho usando técnicas inovadoras de caracterização de reservatórios 3D que tenham a capacidade de fornecer modelos de fácies e propriedades petrofísicas robustos, automatizados e com previsibilidade razoável a partir de dados de poços e dados secundários, honrando as heterogeneidades de reservatórios complexos como os carbonatos Aptianos do pré-sal brasileiro. Inicialmente neste trabalho, foi aplicada pela primeira vez uma abordagem integrada entre modelagem sedimentar 4D e modelagem geoestatística para a reconstrução de fácies para reservatórios de pré-sal da Formação Barra Velha do Campo de Búzios localizado na Bacia de Santos. Os resultados deste estudo demonstraram que esta metodologia possibilita a incorporação do conhecimento geológico conceitual paleoambiental as fácies a serem modeladas de forma precisa e sua integração com a geoestatística para correspondência adequada do modelo com dados de poços. No segundo estudo, foi utilizado um algoritmo de rede neural para classificação de sismofácies multiatributos não-supervisionada para a mesma área. Os resultados deste trabalho mostraram que esta técnica permite a criação automatizada de um modelo de sismofácies 3D que pode ser posteriormente associado as porosidade e permeabilidade de perfis de poços para uma inferência qualitativa das propriedades do reservatório. O terceiro estudo presente nesta tese, também pela primeira vez publicado, aborda o uso de uma metodologia pré-comercial e inovadora de aprendizado de máquina que implementa conceitos geoestatísticos para estimativa supervisionada de propriedades de reservatórios petrofísicos a partir de múltiplas variáveis secundárias denominada EMBER. Os resultados deste estudo permitiram a avaliação quantitativa dos reservatórios da Formação Barra Velha através da criação de modelos 3D de porosidade efetiva e permeabilidade e auxiliando na avaliação das incertezas relacionadas à distribuição efetiva da porosidade. Antes desta tese, duas dessas metodologias nunca haviam sido aplicadas para caracterização de rochas carbonáticas ou modelagem de reservatórios Aptianos do pré-sal. Finalmente, espera-se que essas metodologias padronizadas e as discussões dos resultados desta tese possam ajudar na construção de um melhor entendimento das origens desses reservatórios, reduzindo a complexidade e fornecendo alternativas para as abordagens clássicas de caracterização de reservatórios que nem sempre podem fornecer resultados robustos impactando no futuro da exploração e produção de petróleo e gás.