Abordagem de aprendizado de máquina auxilia na avaliação de rochas de origem

Jul 29, 2023

Os parâmetros geoquímicos são conjuntos de dados cruciais para aumentar a precisão da previsão de zonas ricas em orgânicos. Os atuais métodos de análise laboratorial para obter essas medições, no entanto, são caros e demorados. Embora exista um rico conjunto de conhecimentos e equações para estimar o carbono orgânico total (TOC) a partir de perfilagens fixas, novos esforços de pesquisa continuam, especialmente aproveitando o aprendizado de máquina (ML), para prever parâmetros geoquímicos a partir de perfilagens fixas. Estes métodos, no entanto, dependem fortemente da disponibilidade e qualidade dos dados. Parâmetros geoquímicos como o TOC fornecem informações valiosas para compreender a riqueza e maturidade orgânica das rochas e, portanto, otimizar a exploração de hidrocarbonetos.

TOC pode ser definido como a quantidade de conteúdo orgânico em uma rocha. A matéria orgânica é o componente mais importante na avaliação da rocha geradora. Compreender as variações no TOC, portanto, é importante para avaliar a qualidade da rocha geradora de hidrocarbonetos, identificar zonas ricas em orgânicos e melhorar a caracterização de reservatórios não convencionais. Anteriormente, cálculos matemáticos usando perfis ajudavam na estimativa dos valores de COT e na determinação da produtividade da rocha geradora (Passey et al. 1990). A interpretação levou à identificação do conteúdo orgânico e dos intervalos ricos em orgânicos maduros. Duas das maneiras de calcular o TOC usando logaritmos são a razão sônica/resistividade (Ahangari et al. 2022) e combinações de logaritmos (Fertl et al. 1988). Estas abordagens fornecem avaliação da capacidade da rocha geradora em liberar hidrocarbonetos. Devido às limitações desses métodos, este artigo apresenta um novo fluxo de trabalho para prever perfis TOC contínuos de alta resolução usando ML, levando apenas alguns minutos. Esta abordagem ajuda a aumentar a precisão das previsões dos parâmetros geoquímicos. É não destrutivo e requer mínima necessidade de testes laboratoriais.

AntecedentesTOC é um parâmetro crítico para a identificação de zonas ricas em orgânicos e caracterização de rocha fonte em uma formação rochosa. Uma limitação importante dos dados de TOC medidos em laboratório é o fato de que essas medições são discretas e dispersas e não cobrem toda a área de interesse devido à natureza destrutiva da análise. Imagens contendo atributos de cores também podem ser incorporadas ao fluxo de trabalho para ajudar na previsão de parâmetros geoquímicos. Um fluxo de trabalho de ML foi introduzido para detectar e visualizar diferentes parâmetros geoquímicos para melhorar a caracterização de zonas ricas em orgânicos de forma não destrutiva (Shalaby et al. 2019). Aqui, apresentamos um fluxo de trabalho de ML que usa imagens principais e dados de laboratório de TOC para gerar perfis de TOC contínuos de alta resolução em tempo hábil.

MetodologiaAs fotos principais foram decompostas em atributos de entropia e cor (curvas vermelhas, verdes e azuis). Uma janela de média móvel foi utilizada para extrair curvas visuais contínuas dos atributos. Esses atributos foram combinados com suas medições de TOC correspondentes, medidas em laboratório usando o instrumento de pirólise Rock Eval.

O fluxo de trabalho consiste em dois algoritmos de ML. O primeiro algoritmo é o agrupamento K-means não supervisionado, que usa a entropia extraída e as curvas de cores como entradas. Isso gerou uma curva contínua de clusters com base nos atributos extraídos. Com base no conhecimento prévio das medições de TOC do núcleo, o número de aglomerados de rochas foi selecionado. Por exemplo, foram identificadas diferentes medições de TOC, que incluem valores altos, médios e baixos. Neste caso, o número de clusters gerados será três. Esta abordagem é útil para classificar diretamente intervalos com altos valores de TOC. O segundo algoritmo aplicou regressão vetorial de suporte (SVR), com os atributos extraídos vinculados aos valores TOC. Esta abordagem utilizou 80% dos dados para treinar o modelo e 20% para o teste cego e validação do modelo. O resultado final pode ser usado para produzir um perfil TOC contínuo de alta resolução (Fig. 1).

ResultadosO fluxo de trabalho gerou resultados promissores que consistem em perfis TOC contínuos de alta resolução para intervalos de rochas geradoras por meio de algoritmos de ML de maneira não destrutiva (Fig. 2). Os resultados mostram a geração bem-sucedida de um perfil TOC contínuo com precisão de previsão de 90% dentro de ± 1% dos dados medidos (Fig. 3). O uso de imagens consistentes e de alta qualidade, juntamente com a distribuição adequada de dados, pode ajudar a produzir resultados com um alto grau de precisão de previsão. Construir e treinar o modelo com base em imagens de alta qualidade e uma ampla gama de distribuição de dados melhora os resultados preditivos e, em última análise, melhora a caracterização de zonas ricas em orgânicos e recursos não convencionais (Peters et al. 2016).