Caracterização tridimensional do sistema poroso e categorização de rochas carbonáticas com aprendizado de máquina

DSpace Repository

A- A A+

Caracterização tridimensional do sistema poroso e categorização de rochas carbonáticas com aprendizado de máquina

Show full item record

Title: Caracterização tridimensional do sistema poroso e categorização de rochas carbonáticas com aprendizado de máquina
Author: Bellini, Odair José
Abstract: O estudo da morfologia dos sistemas porosos de rochas reservatório de petróleo contribuiu muito na otimização dos processos de obtenção de hidrocarbonetos. A caracterização da morfologia e da conectividade do sistema poroso são peças fundamentais para o entendimento dos processos envolvidos na extração eficiente em reservas petrolíferas. Nos primeiros estudos de geometrias de poros eram utilizadas lâminas (cortes de rochas) com impregnação de resinas e, de posse das respectivas imagens bidimensionais, era feita a reconstrução do sistema poroso tridimensional por modelos matemáticos específicos. Este processo sofreu uma drástica mudança com o surgimento da aplicação da tomografia computadorizada de raios X, a qual permite a elaboração do sistema poroso por completo (3D) diretamente e sem a necessidade de modelos matemáticos. Existem na literatura muitas classificações de poros, mas quase todas utilizam características bidimensionais do sistema poroso, limitando assim a sua caracterização, visto que se trata de uma feição tridimensional. Esta tese pretende contribuir no sentido de classificar rochas reservatório carbonáticas de acordo com seus atributos tridimensionais. A caracterização de materiais porosos pela técnica de análise de imagens, a partir dos resultados de microtomografia computadorizada de raios X (micro-CT) pode representar completamente o sistema poroso e ainda permite simular alguns processos importantes, tais como permeabilidade e curvas de pressão capilar. Trata-se de uma técnica que não destrói a amostra, além de permitir replicar os estudos a partir das imagens geradas. Nesta tese, foram classificadas amostras de rochas carbonáticas através de faixas de permeabilidades experimentais, com o auxílio de algoritmos de aprendizado de máquina, tendo como dados de entrada parâmetros (atributos) do sistema poroso 3D obtidos de: 1) Softwares: C3DE/Imago3D, iMorph e Fiji/ImageJ (a extração dos atributos é feita através de imagens tomográficas das amostras); 2) Atributos de litologia e tipos de poros, obtidos de petrografia; 3) Porosidades e permeabilidades experimentais obtidos através de análises laboratoriais. Esta tese foi executada em duas etapas (a subsequente depende da anterior): Etapa 1: Caracterização do espaço poroso pela obtenção de atributos geométricos e geológicos; Etapa 2: Classificação das amostras em faixas de permeabilidades (categorização) através de aprendizado de máquina, tendo como dados de entrada os atributos obtidos na etapa anterior. Foram classificadas amostras de rochas carbonáticas em 2, 3 e 4 faixas de permeabilidades experimentais, com métricas satisfatórias. Todos estes atributos (alguns obtidos de softwares e outros experimentais) fizeram parte dos modelos de aprendizado de máquina que classificaram as amostras. A categorização permitiu entender quais atributos (características do sistema poroso) são mais valiosos no aprendizado de máquina. A compreensão do sistema poroso tridimensional das rochas carbonáticas têm um papel importante, pois permite o entendimento e auxilia a modelagem de rochas reservatório.Abstract: The study of the morphology of the porous systems of oil reservoir rocks has greatly contributed to the optimization of the processes of obtaining hydrocarbons. The characterization of the morphology and connectivity of the porous system are fundamental pieces for the understanding of the processes involved in the efficient extraction of petroleum reserves. In the first studies of pore geometries, thin sections of rocks with resin impregnation were used and, with the respective two-dimensional images, the three-dimensional porous system was reconstructed using specific mathematical models. This process undergone a drastic change with the advent of the application of X-ray computed tomography, which allows the preparation of the entire porous system (3D) directly and without the need for mathematical models. There are many classifications of pores in the literature, but almost all use two-dimensional characteristics of the porous system, thus limiting its characterization, since it is a three-dimensional feature. This thesis aims to contribute to the classification of carbonate reservoir rocks according to 3D classification criteria. The characterization of porous materials by the image analysis techniques, from the results of X-ray computed tomography (micro- CT) can completely represent the porous system and still allows to numerically simulate some important processes, such as permeability and capillary pressure curves. It is a technique that does not destroy the sample and also allows to replicate the studies from the generated images. In this thesis, samples of carbonate rocks were classified through ranges of experimental permeabilities, with the aid of machine learning algorithms, having as input data parameters (attributes) of the 3D porous system obtained from: 1) Software: C3DE/Imago3D, iMorph and Fiji/ImageJ (the extraction of the attributes is done through tomographic images of samples); 2) Lithology attributes and types of pores, obtained from petrography; 3) Experimental porosities and permeabilities obtained through laboratory analysis. This thesis was executed in two stages (the subsequent one depends on the previous one): Stage 1: Characterization of the porous space by obtaining geometric and geological attributes; Stage 2: Classification of samples in ranges of permeabilities (categorization) through machine learning, having as input data the attributes obtained in the previous stage. Samples of carbonate rocks were classified in 2, 3 and 4 ranges of experimental permeabilities, with satisfactory metrics. All these attributes (some obtained from software and others experimental) were part of the machine learning models that classified the samples. The categorization allowed us to understand which attributes (characteristics of the porous system) are most valuable in machine learning. The understanding of the three-dimensional porous system of carbonate rocks plays an important role, as it allows the understanding and helps the modeling of reservoir rocks.
Description: Tese (doutorado) - Universidade Federal de Santa Catarina, Centro Tecnológico, Programa de Pós-Graduação em Ciência e Engenharia de Materiais, Florianópolis, 2019.
URI: https://repositorio.ufsc.br/handle/123456789/206462
Date: 2019


Files in this item

Files Size Format View
PCEM0518-T.pdf 16.03Mb PDF View/Open

This item appears in the following Collection(s)

Show full item record

Search DSpace


Browse

My Account

Statistics

Compartilhar