Grupo de Interpretação Exploratória e Caracterização de Reservatórios (GIECAR)

 

 

FacebookInstagramlinkedinYoutubegithubwordpress

Inovações

Inversão Sísmica

Desenvolvemos ferramentas de inversão sísmica em dados sísmicos empilhados e  parcialmente empilhados para a interpretação sísmica quantitativa de reservatórios siliciclásticos e carbonáticos. Nosso objetivo é gerar algoritmos inovadores e que tenham boa eficiência computacional, visando a evolução dos membros do grupo GIECAR e seu alinhamento com as últimas tecnologias encontradas na indústria de óleo e gás. Os algoritmos de inversão sísmica disponíveis cobrem tanto as abordagens determinísticas quanto as estocásticas. Na inversão sísmica determinística, trazemos técnicas que são capazes de gerar um modelo de parâmetros elásticos para a subsuperfície com um baixo custo computacional. Na inversão sísmica estocástica, utilizamos métodos que possibilitam a geração de diversos modelos da subsuperfície para a avaliação de cenários e incertezas. São utilizadas tecnologias recentes como o uso de GPU para a manipulação dos dados multidimensionais e aceleramento das rotinas de inversão sísmica.

Classificação Bayesiana

A classificação Bayesiana, também chamada de decisão Bayesiana, utiliza o teorema de Bayes para a classificação de fácies a partir de atributos sísmicos. Esta classificação pode ser feita tanto com um único atributo quanto com multi-atributos. O resultado disso são perfis/volumes de probabilidade de ocorrência das fácies e, consequentemente, a fácies mais provável em cada local da área de estudo. Para a aplicação do algoritmo, trazemos abordagens paramétricas e não-paramétricas para a construção das funções de densidade de probabilidade de verossimilhança. Além disso, podemos gerar pseudo-poços para reduzir o enviesamento destas funções de densidade de probabilidade causado pelo posicionamento dos poços. Para a probabilidade a priori de ocorrência das fácies, incorporamos modelos que contém informações geológicas a priori, adaptados para o contexto das diferentes áreas de estudo.

Redes Neurais Convolucionais

As redes neurais convolucionais, também conhecidas como CNNs, são poderosas ferramentas de aprendizagem de máquina com grande aplicabilidade em dados sísmicos 3D. As CNNs possuem grande versatilidade, sendo possível encontrar trabalhos na literatura que as empregam em diferentes tarefas, desde a interpretação automatizada de horizontes até estimativa de propriedades de reservatório.

Nós empregamos as CNNs como uma importante ferramenta de auxílio a interpretação sísmica, com objetivo de capacitar os especialistas a realizarem seu trabalho de forma mais produtiva e precisa.

Alguns exemplos de trabalhos já desenvolvidos por nosso grupo utilizando essa importante técnica de inteligência artificial são a identificação automática de falhas e a interpretação semiautomática de fácies ígneas.

Appy

appy é uma solução completa para manipulação petrofísica de perfis de poço que vem sendo construída por nosso grupo. É um projeto de grande escala, envolvendo diferentes linguagens de programação e um time multidisciplinar de desenvolvedores. Sua interface gráfica utiliza as ferramentas web mais modernas disponíveis na atualidade, como Vue.js e D3.js. O motor científico, responsável pelas operações de geofísica de poço, é desenvolvido em Python, permitindo ao usuário a implementação de rotinas customizadas utilizando suas principais bibliotecas científicas, como numpy e scipy. Nosso software permite a realização de fluxos petrofísicos completos, desde a importação de arquivos de poços, visualização de curvas para controle de qualidade, cálculos de propriedades de reservatório e exportação dos resultados em formatos compatíveis com outros softwares. Por se tratar de um programa em desenvolvimento, o appy apresenta grande potencial de incorporar novas tecnologias, tanto em relação a sua arquitetura de software, quanto em relação a avanços científicos recentes, como por exemplo, uso de algoritmos de aprendizagem de máquina.


Parcerias:

Patrocinadoras:

Apoio:
Skip to content