Banca de QUALIFICAÇÃO: GALLILEU GENESIS PEREIRA DE SOUSA

Uma banca de QUALIFICAÇÃO de DOUTORADO foi cadastrada pelo programa.
DISCENTE : GALLILEU GENESIS PEREIRA DE SOUSA
DATA : 27/07/2022
LOCAL: Pos Graduação Engenharia Civil
TÍTULO:

Modelos Baseados em Aprendizado de Máquina Aplicados a Estudos de Casos em Cenários Complexos para a Classificação de Petrofácies e Predição de Pressão de Poro

PALAVRAS-CHAVES:

Modelagem de reservatórios, aprendizado de máquina, classificação de petrofácies, previsão de pressão de poros

PÁGINAS: 200
RESUMO:

A determinação da pressão de poro, que está relacionada à variação faciológica e evolução diagenética, é um processo crucial para diversas atividades na exploração e produção de reservatórios de petróleo, como nas operações de perfuração e completação de poços, na identificação e caracterização de intervalos reservatórios. O tratamento desses temas apresenta vários desafios devido à variação lateral da geologia e a variação de quantidade e distribuição dos dados coletados em poços. A busca por técnicas de estimativas mais seguras e confiáveis tem levado a um crescente interesse pela utilização de algoritmos de Aprendizado de Máquina para a construção de modelos de predição da pressão de poro, e para classificação de padrões litológicos (petrofácies, lithofacies). Para a pressão de poro, a maioria das aplicações encontradas na literatura é destinada a utilização de modelos de Deep learning, os quais envolvem implementação complexa, ausência de interpretabilidade dos resultados e alto custo laboral e computacional; além disso, estes modelos não apresentam maior vantagem competitiva para problemas de dados estruturados, principalmente quando comparados a algoritmos do tipo Boosting. A classificação de tipos de litologia se mostra particularmente desafiadora em intervalos de reservatórios estreitos, com amostragem limitada ou um número reduzido de poços. Este trabalho utilizou dados de afloramentos e de poços para tratar aspectos extremos como a espessura do intervalo amostrado, ou a distribuição regional de poços, e verificar a eficiência de modelos baseados em inteligência artificial, modelos clássicos e modelos que ainda não foram utilizados para estas demandas. Para a tarefa de classificação de petrofacies em um fino intervalo de calcários laminados com alta frequência de variação vertical, foram utilizadas as técnicas GNB e SVM. Esta última obteve os melhores resultados na classificação dos principais padrões de fácies (f1-score médio de 0,47). No entanto, o modelo GNB apresentou o melhor desempenho quando a análise foi focada na identificação dos dois principais grupos de petrofácies. Para a predição da pressão de poro em escala regional com base em perfis geofísicos de poucos poços, comparou-se a eficiência entre modelos de ANN e algoritmos do tipo boosting. Dentre estes modelos, além do GBM e XGBoost, incluem-se LightGBM, CatBoost, HistGB e NGBoost, cuja aplicação ainda não foi descrita antes pela literatura  para este tipo de problema. Embora não tenham sido observadas diferenças significativas quanto às pontuações dos modelos (com exceção ao GBM), a ANN e o HistGM obtiveram os resultados mais promissores, com menor erro de generalização. Porém, a ANN mostrou os piores resultados quanto a escalabilidade, com um custo computacional mais alto, em comparação aos modelos Boosting.  A análise comprovou que para esses problemas tratados de forma corriqueira pela indústria do petróleo as abordagens baseadas em boosting podem representar uma maior rapidez na elaboração de rotinas, menor custo computacional com eficiência equivalente ou melhor ao que pode ser obtido com as ANN.

MEMBROS DA BANCA:
Externo à Instituição - MOISÉS DANTAS DOS SANTOS - UFPB
Externo à Instituição - YOE ALAIN REYES PEREZ - UFRN
Presidente - 1218780 - PAULO ROBERTO MACIEL LYRA