Deep learning methods on geological reservoir borehole log images and applications

A caracterização de reservatórios é um campo importante da petrofísica e da geologia que tem por objetivo obter modelos teóricos e empíricos capazes de descrever de forma precisa os fatores e forças que criam e modificam os reservatórios de hidrocarbonetos, assim como as diversas propriedades físicas que possam caracterizá-lo e defini-lo, mediante o mapeamento de diversas propriedades físicas do reservatório. Dentre todas as propriedades, três são consideradas chave para determinar a viabilidade da exploração de um reservatório: a saturação de fases, a permeabilidade e a porosidade da rocha. Obter medidas confiáveis de permeabilidade e porosidade efetiva do reservatório não é uma tarefa simples, já que geralmente implica a necessidade de obter amostras rochosas intatas do próprio reservatório, nas quais diversos testes destrutivos e caros são aplicados. Desde essa perspectiva, diversos autores propuseram usar curvas de poços e dados sísmicos para estimar diferentes propriedades geológicas tais como permeabilidade, porosidade, fácies de rochas ou eletrofácies. Neste trabalho, apresentamos dois novos métodos que podem ser aplicados a perfis de imagens de poços para extrair deles estimativas precisas de propriedades geológicas e petrofísicas. O primeiro, que é baseado em Deep Stacked Autoencoders, usa imagens de poço ultrassônicas e de microresistividade para obter uma estimativa de curvas de permeabilidade e porosidade efetiva. Testamos nosso método em dados originários de um reservatório de carboneto do pré–sal, obtendo uma precisão na estimativa de mais de 96%. O segundo método que apresentamos neste trabalho é baseado em redes neurais convolucionais profundas, as quais são capazes de extrair características internas sofisticadas de imagens de poço ultrassônicas e de microresistividade, para poder estimar fácies de rochas. Esse método também foi testado com dados de um outro poço do pré–sal, obtendo uma precisão global de estimativa de mais de 97%. Estes dois métodos abordam o problema da estimativa de propriedades petrofísicas desde o ponto de vista do deep learning. O fato de usarmos janelas deslizantes e/ou técnicas convolutivas permite que nossos métodos extriam propriedades das Imagens de Poços que mantém as características espaciais das redondezas de cada amostra, ao invés de tratar cada amostra como um ponto único (como a maioria dos métodos anteriores analisados faziam). Nossos resultados, junto com os resultados obtidos em trabalhos prévios ao nosso nessa área, sugerem a existência de uma ligação entre as propriedades capturadas por essas imagens e estas curvas petrofísicas. Por outro lado, nós também apresentamos três novas técnicas para realçar/filtrar e processar imagens de poços de reservatórios. A primeira delas é um método de detecção automática de breakouts. Caracterizar estas estruturas em dados de reservatório é importante porque ajuda a entender a distribuição de estresses no poço durante a perfuração. Atualmente, os breakouts são detectados manualmente por métodos aproximados, o que acaba gerando resultados pouco precisos. Nosso método, que é baseado em imagens de reservatório de tempo de transito, mostrou uma alta precisão na caracterização automática destas formações nos dados testados. O segundo método de processamento de imagens de poço tem por objetivo eliminar a distorção causada pela distância entre sensores não centralizados e a parede do poço, ao obter imagens de poço tais como as ultrassônicas. Nosso método usa imagens de tempo de trânsito para estimar essa distância e remover a distorção causada por este efeito. Por último, nós apresentamos um método para remoção de artefatos de patins de imagens de poço de reservatório. Nosso método se baseia na aplicação de uma função específica de rejeição de patins em dados ultrassônicos, de forma que a imagem resultante contém unicamente a informação litológica do poço que foi mascarada pelos artefatos, o que pode ajudar aos geólogos em futuras possíveis análises do dado.