Month: November 2025

O desenvolvimento da produção de petróleo nos reservatórios do Pré-Sal requer suporte de modelos geológicos e petrofísicos consistentes. O principal objetivo desta pesquisa é desenvolver fluxos de trabalho de caracterização de reservatórios, combinando geologia, petrofísica e aprendizado de máquina. O intervalo estudado, pertencendo à Formação Barra Velha, apresenta uma sucessão de fácies in-situ, composta por shrubstones, mudstones laminados e spherulitestones, e fácies retrabalhadas compostas por grainstones e rudstones intraclásticos. A primeira parte do estudo integra descrição de testemunho, petrografia e perfis de imagem acústica para segmentar o intervalo em Petrofácies de Reservatório. Posteriormente avalia-se a qualidade de reservatório com perfis de ressonância magnética nuclear (RMN) e Micro-CT. A melhor qualidade de reservatório pertence a rudstones com baixa cimentação e grainstones com moderada cimentação por dolomita/quartzo, com valores de porosidade entre 15-20% e permeabilidades entre 100 e 500 mD. As melhores fácies in-situ pertencem aos shrubstones com cimentação por dolomita moderada, com porosidade entre 12-17% e permeabilidade em torno de 100 mD. O método integrado mostrou-se eficaz na transferência de informações, em escala de testemunho para perfil do poço, além de permitir ao intérprete fazer inferências fora do intervalo testemunhado, respeitando o contexto geológico. A segunda parte do estudo aborda a estimativa imprecisa da porosidade em intervalos dominados por porosidade secundária, aplicando aprendizado de máquina supervisionado. Integra-se dados de perfis convencionais, RMN e um índice de porosidade vugular extraído de perfis de imagem de acústica, e valida-se o modelo com análises petrofísica básica. Foram testados os algoritmos Random Forest, XGBoost e Support Vector Regression, com métricas de R2 de 0,835; 0,836; 0,800 e raiz do erro quadrático médio (REQM) de 1,75; 1,68; 1,82; respectivamente. Todos os três modelos superaram a estimativa original do perfil RMN de R2 de 0,64 e REQM de 2,78. Limitações metodológicas podem surgir, especialmente relacionadas a artefatos nos perfis de imagem acústicas, que precisam ser mitigados antes do treinamento do modelo. A incorporação de métodos de aprendizado de máquina à caracterização de reservatórios pode aprimorar a precisão na estimativa de parâmetros de reservatório, além do potencial para redução no tempo de análise o custo com amostragem. Em última análise, a integração destes métodos com petrofísica e geologia aprimora o fluxo de trabalho no desenvolvimento de reservatórios complexos

A otimização do desenvolvimento de campos de petróleo desempenha um papel fundamental na maximização do potencial dos reservatórios de hidrocarbonetos. A tomada de decisão nesse domínio complexo pode se basear em diversas funções-objetivo. O aumento da complexidade dos sistemas de reservatórios e as incertezas inerentes em fatores geológicos e econômicos têm sugerido o uso da otimização multiobjetivo (MOO) para melhorar os processos decisórios. Os potenciais benefícios da MOO incluem uma tomada de decisão mais robusta, que considera os compromissos entre diferentes objetivos, e que pode acomodar melhor as incertezas, resultando em estratégias de produção mais resilientes e adaptáveis. O objetivo principal deste estudo é projetar um framework robusto multiobjetivo para otimizar estratégias de produção considerando incertezas nos parâmetros do reservatório e nas condições econômicas, com foco específico em campos de petróleo do pré-sal, aplicando o reservatório de referência UNISIM-II-D. Para enfrentar os desafios decorrentes da aplicação da MOO, foram realizados três estudos principais para desenvolver e avaliar frameworks que contemplam esses objetivos complexos. O primeiro estudo apresenta uma revisão abrangente da evolução dos algoritmos de MOO, destacando sua crescente relevância na otimização do desenvolvimento de campos. Ele categoriza os algoritmos em métodos a priori e a posteriori, abordando desafios como o custo computacional elevado das simulações de reservatórios sob incerteza. O segundo estudo investiga o comportamento de diferentes funções-objetivo dentro da otimização do desenvolvimento de campos, com foco principal no valor monetário esperado (VME) como o principal critério. Essa análise busca identificar objetivos conflitantes, formando a base para a última etapa do estudo. Os resultados destacam uma forte correlação entre o VME e a produção cumulativa de óleo (PCO), demonstrando que otimizar o VME pode impulsionar melhorias na PCO e no fator de recuperação. Além disso, a adoção de estratégias que priorizam objetivos ambientais (como a redução da produção cumulativa de água e gás), mesmo que impliquem em uma leve queda no VME, pode proporcionar benefícios substanciais, incluindo redução das emissões de gases de efeito estufa, menores custos de tratamento de água e maior vida útil do reservatório. O estudo mostra que confiar exclusivamente no VME na otimização do desenvolvimento de campos traz riscos inerentes, pois nem todos os modelos representativos (MRs) apresentam aumento no valor presente líquido (VPL). Em particular, no caso mais pessimista, o VPL não demonstra melhoria quando o VME é maximizado por meio de uma otimização de objetivo único. A terceira etapa foi iniciada após a identificação dos objetivos conflitantes na segunda etapa para abordar e equilibrar sistematicamente esses conflitos no planejamento do desenvolvimento do campo. Nesta etapa, a Otimização Multiobjetivo (MOO) foi realizada utilizando o algoritmo genético de classificação não dominada II (NSGA-II) para equilibrar simultaneamente o EMV com o VPL sob incerteza econômica (VPLeco) para o RM pessimista, gerando assim um conjunto diversificado de soluções Pareto-ótimas que ilustram efetivamente as compensações entre diferentes estratégias de produção possíveis, considerando incertezas geológicas e econômicas. Essa abordagem não apenas identifica um conjunto mais amplo de estratégias ótimas, mas também oferece uma compreensão mais refinada dos compromissos, melhorando o desempenho geral ao capturar sinergias entre os objetivos. Com o framework proposto, foi alcançada uma melhoria de 3% no VME e um aumento de 28% no VPLeco do MR pessimista em comparação com a otimização de objetivo único do VME. Esses resultados destacam a força e a robustez do framework em proporcionar decisões informadas e equilibradas que guiem o desenvolvimento de reservatórios rumo a melhores resultados econômicos e geológicos