Novo método para identificação de estratificações de sal utilizando machine learning sobre atributos sísmicos

• Ano de defesa: 2020
• Autor(a) principal: Mesquita, Flavio Costa de
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Palavras-chave em Português: Sequência evaporítica; Pré-sal; Machine learning; Modelagem; Estratificação de sal; Machine Learning; Evaporitic sequence; Pre-salt; Modelling
• Link de acesso: https://app.uff.br/riuff/handle/1/22358

Para construir uma imagem sísmica, precisamos processar as informações das reflexões das interfaces das rochas. Essas reflexões ocorrem em função das diferenças das propriedades de impedância entre as rochas, que são calculadas como uma combinação de medidas de densidade e velocidade de compressão (inverso da vagarosidade). A halita, geralmente o mineral mais abundante na seção denominada sal, tem uma densidade média de cerca de 2,14 g/cm3 e velocidade de compressão da ordem de 4.500 m/s. Em termos de estudos sísmicos, até o período recente, o modelo inicial para a seção de evaporitos era considerado aproximadamente constante refletindo as propriedades da halita, porém esta aproximação leva a erros no processo de migração em profundidade quando o sal se apresenta estratificado como é o caso da Bacia de Santos. Com a evolução dos algoritmos de migração sísmica e da capacidade computacional, percebeu-se a necessidade de modelar a seção de sal de forma mais complexa tornando-a menos homogênea, pois a formação de evaporitos (processo de evaporação) ocorre em estágios, de acordo com taxas de evaporação específicas, gerando as camadas observadas, também denominadas estratificações. Existem muitos tipos de minerais evaporitos na seção evaporítica das bacias de Santos e Campos, sendo os mais comuns halita, anidrita, gipsita, carnalita, taquidrita e silvita. Estudos realizados na análise de perfis mostram que nem todos esses tipos de minerais serão sísmicamente detectáveis por amplitude devido serem delgados e estarem abaixo da resolução sísmica. Assim, para facilitar a identificação dos estratos, os minerais evaporíticos na seção de sal vem sendo agrupados em três fácies principais: halita, sais de alta velocidade (anidrita e gipsita) e sais de baixa velocidade (carnalita, silvita e taquidrita), esses últimos são de especial interesse devido a sua alta solubilidade que pode vir a ocasionar problemas de circulação durante a perfuração podendo levar até mesmo ao abandono do poço. Devido a baixa quantidade de poços onde aparecem os chamados sais de baixa velocidade, além do próprio sinal foram também utilizados atributos sísmicos de forma que melhor representassem as camadas de sal esperadas de acordo com os perfis de poço. Muitos trabalhos foram feitos no sentido de inserir estas estratificações no modelo de velocidade, alguns trabalhos indicavam que mesmo a inserção de heterogeneidades randomicamente na camada de sal (o chamado “sal sujo”) já contribui na produção de melhores imagens no processo de migração. Neste trabalho apresentamos uma metodologia de construção de modelos de velocidades sísmicas onde é possível inserir essas estratificações baseado na identificação e separação das wavelets num modelo de clusters de uma sísmica migrada utilizando os poços perfurados na região como referencia e então utilizar esse modelo de clusters para comparar ponto a ponto o traço sísmico e gerar assim um novo modelo que considera as estratificações de sal e suas respectivas velocidades sísmicas. Para isso foram utilizadas técnicas de machine learning e os mais modernos algoritmos de clusterização, redução de dimensionalidade e atribuição.