Elaboração da interpretação automática de fraturas nos perfis de imagem utilizando a Inteligência Artificial
DOI:
https://doi.org/10.21712/lajer.2023.v10.n2.p13-22Palavras-chave:
Inteligência artificial, machine learning, petróleo e gás, fraturas, interpretação automática, processamento de imagens, support vector machine (SVM))Resumo
A Inteligência Artificial (IA) é uma abordagem de processamento de dados que utiliza análise de informações, detecção de padrões e prognósticos com pouca intervenção humana. O campo da IA abrange diversos subconjuntos, com destaque para o aprendizado de máquina (Machine Learning - ML), que possui grande potencial na indústria de petróleo e gás, especialmente na análise e interpretação de dados. Algoritmos de ML, como Support Vector Machine (SVM), Redes Neurais Artificiais (RNA), Deep Learning (DL) e Algoritmos Genéticos (AG), têm sido aplicados com sucesso na indústria petrolífera. A indústria de petróleo enfrenta desafios tecnológicos significativos, dada a sua complexidade. A análise de formação geológica por meio de perfilagem é crucial para melhorar a avaliação das formações rochosas, minimizar danos e reduzir custos na perfuração de poços. Além disso, a identificação de fraturas naturais e induzidas é fundamental para entender os reservatórios, especialmente os não inoportunos. O estudo das fraturas pode ser dividido em aspectos qualitativos e quantitativos, que envolve a identificação e a análise detalhada das fraturas nos reservatórios. A IA, especialmente o ML, pode ser aplicada para analisar a geometria, orientação, densidade e complexidade das fraturas, classificando-as em diferentes tipos, como fraturas induzidas e naturais. O objetivo deste estudo consiste em automatizar a interpretação de falhas em perfis de imagem por meio do uso de Inteligência Artificial, aprimorando a eficiência, a precisão e a velocidade desse procedimento. A linguagem de programação Python e a ferramenta Jupyter Notebook foram utilizadas para desenvolver o programa de IA. Foram coletados dados e imagens, que foram processados e analisados usando bibliotecas como OpenCV, Numpy e Sklearn.svm. Os resultados obtidos demonstram a eficácia da IA na identificação de fraturas em diferentes tipos de perfis de imagem, incluindo imagens acústicas, de resistividade, e de outras ferramentas de perfilagem. A Inteligência Artificial conseguiu identificar com precisão fraturas naturais, fraturas de baixa amplitude, fraturas internas e outros eventos geológicos. No entanto, o sucesso da IA depende da qualidade e quantidade dos dados de treinamento, e desafios como a complexidade geológica e a resolução das imagens ainda precisam ser superados. A aplicação da IA na interpretação automática de fraturas em imagens na indústria de petróleo oferece melhorias significativas na eficiência e rapidez do processo, contribuindo para a compreensão das características das formações rochosas.
Downloads
Referências
Adams, JT e Dart, C (1998) “The appearance of potential sealing faults on borehole images,” Geological Society special publication, 147(1), pp. 71–86. doi: 10.1144/gsl.sp.1998.147.01.05 DOI: https://doi.org/10.1144/GSL.SP.1998.147.01.05
Ali, JK. (1994) “Neural networks: A new tool for the petroleum industry?,” in All Days. SPE. DOI: https://doi.org/10.2118/27561-MS
Alizadeh, M, Movahed, Z e Junin, RB (no date) In-situ stress analysis using image logs, Tsijournals.com. Available at: https://www.tsijournals.com/articles/insitu-stress-analysis-using-image-logs.pdf (Acesso em: 26 de setembro de 2023).
Ameen, MS, MacPherson, K, Al-Marhoon, MI, e Rahim, Z (2012). Diverse fracture properties and their impact on performance in conventional and tight-gas reservoirs, Saudi Arabia: The Unayzah, South Haradh case study. AAPG Bulletin, 96(3), 459–492. https://doi.org/10.1306/06011110148 (Acesso em: 27 de setembro de2023). DOI: https://doi.org/10.1306/06011110148
Brekke, H, MacEachern, JA, Roenitz, T, e Dastgard, SE (2017). The use of microresistivity image logs for facies interpretations: An example in point-bar deposits of the McMurray Formation, Alberta, Canada. AAPG Bulletin, 101(05), 655–682. doi:10.1306/08241616014 DOI: https://doi.org/10.1306/08241616014
Cuddy, S (2021) “The benefits and dangers of using artificial intelligence in petrophysics,” Artificial Intelligence in Geosciences, 2, pp. 1–10. doi: 10.1016/j.aiig.2021.04.001. DOI: https://doi.org/10.1016/j.aiig.2021.04.001
Donselaar, ME. e Schmidt, JM (2005) “Integration of outcrop and borehole image logs for high‐resolution facies interpretation: example from a fluvial fan in the Ebro Basin, Spain,” Sedimentology, 52(5), pp. 1021–1042. doi: 10.1111/j.1365-3091.2005.00737.x DOI: https://doi.org/10.1111/j.1365-3091.2005.00737.x
Donselaar, ME e Schmidt, JM (2010) “The application of borehole image logs to fluvial facies interpretation,” in Dipmeter and Borehole Image Log Technology. American Association of Petroleum Geologists, pp. 1–22. doi: https://doi.org/10.1306/13181283M923415 DOI: https://doi.org/10.1306/13181283M923415
Fatah, TYA (2020) “Análise de zonas de fraturas através de perfis de imagem em poços do pré-sal da Bacia de Santos.” Available at: https://oasisbr.ibict.br/vufind/Record/UFF-2_576d4b9b9c807be6630881af06ed96ca (Acesso em: 27 de setembro de 2023).
Félix, FA, Nascimento, ES do e Borba, C (2013) “Perfis de imagem de poços de petróleo”, Caderno de Graduação - Ciências Exatas e Tecnológicas - UNIT - SERGIPE, 1(2), p. 61–78. Disponível em: https://periodicos.set.edu.br/cadernoexatas/article/view/525 (Acesso em: 27 de setembro de 2023).
Folkestad, A, Veselovsky, Z e Roberts, P (2012) “Utilising borehole image logs to interpret delta to estuarine system: A case study of the subsurface Lower Jurassic Cook Formation in the Norwegian northern North Sea,” Marine and petroleum geology, 29(1), pp. 255–275. doi: 10.1016/j.marpetgeo.2011.07.008. DOI: https://doi.org/10.1016/j.marpetgeo.2011.07.008
Hanga, K M. e Kovalchuk, Y (2019) “Machine learning and multi-agent systems in oil and gas industry applications: A survey,” Computer science review, 34(100191), p. 100191. doi: 10.1016/j.cosrev.2019.08.002 DOI: https://doi.org/10.1016/j.cosrev.2019.08.002
Ja'fari, A, Kadkhodaie-Ilkhchi, A, Sharghi, Y, e Ghanavati, K (2012) Fracture density estimation from petrophysical log data using the adaptive neuro-fuzzy inference system. Journal of Geophysics and Engineering, 9(1), 105-114. doi: https://doi.org/10.1088/1742-2132/9/1/013 DOI: https://doi.org/10.1088/1742-2132/9/1/013
Roedel Júnior, J (2014). Aplicação dos Perfis de Imagem na Indústria do Petróleo. SILO of research documents. Available at: https://silo.tips/download/aplicaao-dos-perfis-de-imagem-na-industria-do-petroleo (Acesso em: 27 de setembro de 2023).
Lagraba, JOP, Hansen, SM, Spalburg, M, e Helmy, M (2010). Borehole image tool design, value of information, and tool selection. Dipmeter and borehole image log technology, 92, 15-38. doi: https://doi.org/10.1306/13181275M923403 DOI: https://doi.org/10.1306/13181275M923403
Lai, J, Wang, G, Fan, Z, Wang, Z, Chen, J, Zhou, Z, e Xiao, C (2017). Fracture detection in oil-based drilling mud using a combination of borehole image and sonic logs. Marine and Petroleum Geology, 84, 195-214. doi: https://doi.org/10.1016/j.marpetgeo.2017.03.035 DOI: https://doi.org/10.1016/j.marpetgeo.2017.03.035
Lechner, JP. e Zangl, G (2005) “Treating uncertainties in reservoir performance prediction with neural networks,” in All Days. SPE, p. SPE-94357-MS. DOI: https://doi.org/10.2118/94357-MS
Li, H, Yu, H, Cao, N, Tian, H, e Cheng, S (2021) “Applications of artificial intelligence in oil and gas development,” Archives of Computational Methods in Engineering. State of the Art Reviews, 28(3), pp. 937–949. doi: 10.1007/s11831-020-09402-8 DOI: https://doi.org/10.1007/s11831-020-09402-8
Liu, H (2017) Principles and applications of well logging. Berlin, Heidelberg: Springer Berlin Heidelberg.
Liu, J, Ding, W, Wang, R, Yin, S, Yang, H, e Gu, Y (2017) “Simulation of paleotectonic stress fields and quantitative prediction of multi-period fractures in shale reservoirs: A case study of the Niutitang Formation in the Lower Cambrian in the Cen’gong block, South China,” Marine and petroleum geology, 84, pp. 289–310. doi: 10.1016/j.marpetgeo.2017.04.004 DOI: https://doi.org/10.1016/j.marpetgeo.2017.04.004
Lyu, W, Zeng, L, Liu, Z, Liu, G, e Zu, K. (2016) “Fracture responses of conventional logs in tight-oil sandstones: A case study of the Upper Triassic Yanchang Formation in southwest Ordos Basin, China,” AAPG bulletin, 100(09), pp. 1399–1417. doi: 10.1306/04041615129 DOI: https://doi.org/10.1306/04041615129
Lyu, W, Zeng, L, Zhang, B, Miao, F, Lyu, P, e Dong, S (2017) “Influence of natural fractures on gas accumulation in the Upper Triassic tight gas sandstones in the northwestern Sichuan Basin, China,” Marine and petroleum geology, 83, pp. 60–72. doi: 10.1016/j.marpetgeo.2017.03.004 DOI: https://doi.org/10.1016/j.marpetgeo.2017.03.004
Muniz, MC e Bosence, DWJ (2015) “Pre-salt microbialites from the Campos Basin (offshore Brazil): image log facies, facies model and cyclicity in lacustrine carbonates,” Geological Society special publication, 418(1), pp. 221–242. doi: 10.1144/sp418.10 DOI: https://doi.org/10.1144/SP418.10
Paes, M da R (2016) “Aplicação do sistema LWD em poços horizontais.” Available at: https://app.uff.br/riuff;/handle/1/1438 (Acesso em: 27 de setembro de 2023).
Prioul, R, Donald, A, Koepsell, R, Marzouki, ZE, e Bratton, T (2007) “Forward modeling of fracture-induced sonic anisotropy using a combination of borehole image and sonic logs,” Geophysics, 72(4), pp. E135–E147. doi: 10.1190/1.2734546 DOI: https://doi.org/10.1190/1.2734546
Support vector machine (SVM) explained (no date) Mathworks.com. Available at: https://www.mathworks.com/discovery/support-vector-machine.html (Acesso em: 28 de outubro de 2023).
Tokhmchi, B, Memarian, H e Rezaee, MR (2010) “Estimation of the fracture density in fractured zones using petrophysical logs,” Journal of petroleum science & engineering, 72(1–2), pp. 206–213. doi: 10.1016/j.petrol.2010.03.018 DOI: https://doi.org/10.1016/j.petrol.2010.03.018
Wennberg, OP, Ramalho, FDO, Mafia, MV, Lapponi, F, Chandler, AS, Cartesio, LG, e Hunt, DW (2023) “The characteristics of natural open fractures in acoustic borehole image logs from the pre-salt Barra Velha formation, Santos Basin, Brazil,” Journal of structural geology, 167(104794), p. 104794. doi: 10.1016/j.jsg.2023.104794 DOI: https://doi.org/10.1016/j.jsg.2023.104794
Wilson, ME, Lewis, D, Holland, D, Hombo, L, e Goldberg, A. (2013) “Development of a Papua New Guinean onshore carbonate reservoir: A comparative borehole image (FMI) and petrographic evaluation,” Marine and petroleum geology, 44, pp. 164–195. doi: 10.1016/j.marpetgeo.2013.02.018 DOI: https://doi.org/10.1016/j.marpetgeo.2013.02.018
Xu, C, Cronin, TP, McGinness, TE, e Steer, B (2009) “Middle Atokan sediment gravity flows in the Red Oak field, Arkoma Basin, Oklahoma: A sedimentary analysis using electrical borehole images and wireline logs,” AAPG bulletin, 93(1), pp. 1–29. doi: 10.1306/09030808054 DOI: https://doi.org/10.1306/09030808054
Zeng, L (2010) “Microfracturing in the Upper Triassic Sichuan Basin tight-gas sandstones: Tectonic, overpressure, and diagenetic origins,” AAPG bulletin, 94(12), pp. 1811–1825. doi: 10.1306/06301009191 DOI: https://doi.org/10.1306/06301009191
Zoback, MD (2007) Reservoir Geomechanics. Cambridge University Press, New York, 3-55. DOI: https://doi.org/10.1017/CBO9780511586477
Downloads
Publicado
Como Citar
Edição
Seção
Licença
Copyright (c) 2023 Latin American Journal of Energy Research
Este trabalho está licenciado sob uma licença Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
O autor, no ato da submissão do artigo, transfere o direito autoral ao periódico.
