Uso de ferramentas de inteligência artificial para identificar polimorfos de CaCO3 no processo de incrustação em condições de poços de petróleo

Resumo

A incrustação inorgânica por carbonato de cálcio (CaCO₃) em poços de petróleo é um dos principais desafios à garantia de escoamento, sobretudo em ambientes do Pré-sal, onde variações de pressão, temperatura e desgaseificação de CO₂ favorecem a precipitação de polimorfos como calcita, aragonita e vaterita. Esses depósitos reduzem a eficiência produtiva e elevam custos operacionais. Neste contexto, o presente trabalho propõe o uso de redes neurais artificiais (RNAs) e técnicas de visão computacional para a identificação e segmentação automatizada dos polimorfos de CaCO₃ a partir de imagens microscópicas “in situ”. O modelo foi desenvolvido com base na arquitetura YOLOv8n-seg, uma rede neural convolucional do tipo You Only Look Once (YOLO) de última geração, projetada para realizar detecção e segmentação de objetos em tempo real com elevada precisão e baixo custo computacional, adaptada neste estudo para identificar e quantificar morfologias cristalinas de CaCO₃. A rede neural foi treinada e testada com imagens obtidas em reator pressurizado sob condições simuladas de poços do Pré-sal. O desempenho do modelo foi avaliado por métricas de precisão (mAP@0.5 = 0,933) e F1-score (0,89), demonstrando alta acurácia na detecção e classificação dos cristais. Os resultados indicam que a abordagem de Artificial Intelligence (AI) permite distinguir morfologias de calcita, aragonita e vaterita com rapidez e confiabilidade, atuando de forma complementar aos métodos tradicionais de caracterização, como difração de raios X e microscopia eletrônica. O estudo evidencia o potencial das redes neurais na análise preditiva de incrustações, contribuindo para o desenvolvimento de estratégias de controle e mitigação em sistemas de produção de petróleo.