APRENDIZADO DE MÁQUINA PARA PREVISÃO DE PROPRIEDADES PETROFÍSICAS DE ROCHAS RESERVATÓRIO A PARTIR DE IMAGENS DE RAIOS-X 2D

2. RESUMO

Em meios porosos, as propriedades petrofísicas determinam a dinâmica dos fluidos em rochas. A determinação de propriedades específicas em cada rocha reservatório de petróleo ou gás deve ser feita a fim de quantificar a porosidade e a permeabilidade das mesmas. Não obstante, a determinação de tais propriedades requer ensaios de campo e pesquisas laboratoriais, que costumam ser indolentes e onerosos, e ainda não abarcam propriedades inerentes ao estudo dos reservatórios de petróleo, como a anisotropia e a heterogeneidade da permeabilidade. Por outro lado, pesquisas são feitas com Física Digital de Rochas (FDR), economizando o tempo que seria gasto com métodos empíricos e de laboratórios. A FDR digitaliza imagens de rochas reservatório e calcula suas propriedades, como porosidade, e gera uma análise mais precisa do seu interior, que facilitará o estudo da heterogeneidade e da permeabilidade. Em FDR, Machine Learning (ML, Aprendizado de Máquinas) destaca-se entre as outras tecnologias de estudo das propriedades petrofísicas, pois prevê, baseado em amostras, e decide, usando apenas dados, sem qualquer tipo de programação. ML é um sistema computacional que faz atividades, baseado em experiência anteriores, com a visão de melhorar o desempenho. Assim, ML facilita a definição de propriedades petrofísicas, a começar de um grupo de dados previamente recolhidos, definindo classes de porosidade e permeabilidade, até determinar os valores reais precisamente.

3. INTRODUÇÃO

As propriedades petrofísicas das rochas reservatórios de petróleo são essenciais para a determinação da dinâmica dos fluidos nesses meios porosos. Na caracterização de rochas reservatórios de petróleo ou gás, deve ser realizada a determinação de propriedades físicas de modo que seja possível a quantificação da porosidade e da permeabilidade.

A porosidade é uma propriedade fundamental de rochas reservatórios, pois descreve o volume potencial de armazenamento de fluidos (água, gás e óleo) e influencia a maioria de suas propriedades físicas, como: a velocidade da onda elástica, a resistividade elétrica, a densidade e a permeabilidade (Salimidelshad et al., 2019). Já a permeabilidade, representa a capacidade de transmitir fluido, tornando-a uma das propriedades físicas mais significativas dos meios porosos.

Contudo, para a determinação dessas propriedades petrofísicas, fazem-se necessários ensaios de campo e laboratoriais, os quais costumam ser demorados e onerosos (Saxena et al., 2018). Esses ensaios ainda não conseguem avaliar propriedades primordiais para o estudo de reservatórios de petróleo, como: a anisotropia e a heterogeneidade da permeabilidade (Sun et al., 2017).

Nesse sentido, diversas pesquisas vêm utilizando a Física Digital de Rochas (FDR) para substituir a necessidade de medições baseadas em laboratório, que são relativamente lentas e baseadas em modelos empíricos de propriedades das rochas (Andra et al., 2013, Wang et al., 2015, Sun et al., 2017, Saxena et al., 2018). A FDR usa imagens digitalizadas de rochas reservatórios para calcular suas propriedades, como porosidade e permeabilidade direcional, e fornecer uma melhor visão da estrutura interna da amostra de rocha, que pode ser usada para estudar a anisotropia e a heterogeneidade da permeabilidade (Andra et al., 2013).

Dentro da FDR, o Aprendizado de Máquina vem ganhando grande destaque entre as tecnologias para a determinação das propriedades petrofísicas. Os algoritmos podem fazer previsões a partir de amostras ou tomar decisões guiadas unicamente por dados, sem qualquer tipo de programação. E por ser uma ferramenta de inteligência analítica, o Machine Learning constrói modelos apoiados em conexões e informações, quem faz uso de ML consegue tomar melhores decisões sem a intervenção humana, reduzindo custos.

Atualmente, grande parte das indústrias, empresas e pesquisadores que trabalham com quantidades massivas de dados tem mostrado o devido reconhecimento às tecnologias de Aprendizado de Máquina, pois, ao extrair insights desses dados – quase sempre em tempo real –, as organizações são capazes de trabalhar com maior eficiência, ganhando vantagens em relação aos concorrentes. E quanto as áreas que interessa à FDR, destaca-se o item em abordagem neste trabalho: analisar minerais no solo com maior precisão, acelerando as pesquisas de reconhecimento de tipos específicos de rochas, assim tornando-as mais eficientes e econômicas. O número de aplicações de Machine Learning nesta área é amplo – e continua a crescer.

Formalmente, o Aprendizado de Máquina é definido por um sistema computacional que busca realizar uma tarefa T, aprendendo a partir de uma experiência E, e procurando melhorar um desempenho D. Ele ainda pode ser divido em três principais tipos: aprendizado supervisionado – que utiliza a detecção de padrões para estabelecer previsões; aprendizado não supervisionado - identifica padrões para rotular os dados; e aprendizado por reforço – que aprende com base em tentativas e erros. O aprendizado supervisionado ainda pode ser dividido em dois grupos: o classificatório (do qual classifica a entrada entre tipos possíveis de classes) e o regressor (do qual fornece um resultado numérico).

Desse modo, o Aprendizado de Máquina pode facilitar a determinação de propriedades

petrofísicas a partir de um conjunto de dados previamente armazenados, podendo definir classes de porosidade e/ou permeabilidade ou até mesmo determinar com precisão os seus valores reais. Desse mesmo modo, com o intuito de diminuir o tempo de processamento dos resultados, técnicas de Machine Learning (ML, aprendizado de Máquina) veem sendo desenvolvidas e utilizadas para a caracterização das propriedades petrofísicas das rochas por diversos autores. O ML é um campo de estudo da inteligência artificial que busca o desenvolvimento de métodos capazes de definir regras a partir de um conjunto de dados, ou seja, ele busca aprender uma metodologia sem ter sido programado para isso. Segundo Al-Farisi et al. (2020) os algoritmos de ML podem melhorar a qualidade e a velocidade da classificação da morfologia de rochas carbonáticas heterogêneas.

A Física Digital das Rochas (FDR) se tornou um método confiável para obter propriedades em escala macro de rochas a partir de processos físicos em escala micro, utilizando cálculos, como: elemento finito, diferença finita e métodos de Lattice Boltzmann. Contudo, para a determinação das propriedades efetivas das rochas, a FDR necessita gerar e processar imagens digitais do meio poroso rochoso. Nesse sentido,