Caracterização de petrofácies e genese das rochas carbonáticas do reservatório Sapinhoá (Pré-sal, Bacia de Santos) e aplicação de aprendizagem de máquina por meio de microscopia óptica e imagens digitais a partir de atributos permo-porosos

• Ano de defesa: 2024
• Autor(a) principal: Oliveira, Rita Fabiane Guasina de
• Orientador(a): Chemale Junior, Farid
• Tipo de documento: Tese
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade do Vale do Rio dos Sinos
• Programa de Pós-Graduação: Programa de Pós-Graduação em Geologia
• Departamento: Escola Politécnica
• País: Brasil
• Palavras-chave em Português: Aprendizado de máquina; Porosidade e permeabilidade; Atributos permo-porosos; Imagens digitais
• Palavras-chave em Inglês: Machine learning; Porosity and permeability; Permeable-porous attributes; Digital images
• Área do conhecimento CNPq: ACCNPQ::Ciências Exatas e da Terra::Geologia
• Link de acesso: http://repositorio.jesuita.org.br/handle/UNISINOS/13221

A presente tese de doutorado tem como tema principal a caracterização de reservatórios carbonáticos do pré-sal e o desenvolvimento de uma abordagem inovadora para a predição de porosidade e permeabilidade destas rochas sem a necessidade de dados geofísicos, utilizando para isto a aprendizagem de máquina. O estudo foi dividido em três manuscristos, como segue: (I) Petrography and Genesis of Carbonate Rocks from the Barra Velha Formation (Santos Basin, Brazil) and Associated Biogenic Structures, (II) Prediction of Porosity and Permeability of Carbonate Rocks Using Thin Section Data and Machine Learning Methods: A Systematic Review e (III) Prediction of Carbonate Rocks Poroperm Properties Using Convolutional Neural Networks. As técnicas envolveram revisão bibliográfica conceitual e aquelas utilizadas em aprendizagem de máquina, petrografia óptica de rochas carbonáticas e redes neurais convolucionais. Na primeira parte, foram descritas petrograficamente 565 lâminas delgadas de rochas do pré-sal, obtidas de três poços localizados na Bacia de Santos, as quais foram utilizadas para identificar as principais fácies carbonáticas, definir sua gênese e adquirir o dataset utilizado no treinamento da rede neural. Na segunda parte, realizou-se uma revisão bibliográfica sistemática das principais técnicas utilizadas em aprendizagem de máquina com aplicação daquele dataset obtido na fase anterior deste estudo. O objetivo central foi obter a predição da porosidade e a permeabilidade. Por fim, na terceira parte, desenvolveu-se o treinamento e a predição da porosidade e da permeabilidade de rochas carbonáticas do pré-sal com uso do mesmo dataset da primeira parte. A petrografia óptica permitiu identificar as diferentes fácies carbonáticas que compõe as rochas do pré-sal, bem como as caracteristicas texturais, a mineralogia e o percentual de vazios do arcabouço da rocha, os quais constituem parte dos atributos permo-porosos que compuseram o dataset de treinamento. Ainda, pode-se tecer considerações sobre a gênese do pré-sal que contribuiu para avaliação da complexidade destes depósitos expressivos de óleo e gás. Por sua vez, a análise bibliográfica sistemática contribuiu para conhecer as técnicas mais usadas para o dataset gerado. Por fim, a fase de treinamento possibilitou que fosse desenvolvida uma arquitetura específica para o dataset gerado e para a finalidade de se predizer as porosidades e as permeabilidades de rochas do pré-sal sem que fosse necessário o uso de dados geofísicos complementares. A integração dos dados gerados na fase de petrografia óptica auxiliou na aquisição e seleção do dataset usado no treinamento bem como na análise dos dados obtidos durante o processo preditivo, tratamento e seleção do dataset de imagens. Além disso, a investigação de evidências hidrotermais e biogênicas fornece insights valiosos sobre gênese das fácies carbonáticas e seus efeitos nas propriedades porosas do reservatório. Os resultados obtidos a partir da análise petrográfica de poços na Bacia de Santos corroboram com o entendimento sobre a importância dos processos de formação na determinação das propriedades porosas das rochas. O uso de uma arquitetura de rede neural convolucional permitiu a obtenção de valores de porosidade e permeabilidade mesmo em um dataset heterogêneo e complexo, destacado a eficácia da arquitetura desenvolvida, indicando alta capacidade preditiva tanto para a porosidade (R2 = 0,86) quanto para a permeabilidade (R2 = 0,96), consolidandose como uma ferramenta fundamental para a caracterização de reservatórios em ambientes carbonáticos do pré-sal. Posteriormente, novos testes serão feitos, utilizando para isto um dataset maior, composto por um número maior de imagens e uma nova abordagem híbrida, onde pretende-se utilizar no treinamento imagens e rótulos obtidos na fase de petrografia óptica.