Redes gerativas adversárias convolucionais aplicadas na reconstrução de padrões de conectividade de reservatórios

Abstract

Na indústria de exploração de petróleo, a modelagem de um reservatório de óleo e gás inclui o desenvolvimento de um modelo geológico que represente o espaço físico e seus atributos de rochas. Uma questão crítica é determinar a arquitetura interna do reservatório e conectividade, com o objetivo de encontrar um canal de fluxo para a perfuração dos poços produtores e injetores. Uma das técnicas utilizadas para a modelagem do reservatório é a inversão sísmica. Devido às limitações físicas e à baixa resolução dos dados sísmicos, os padrões de conectividade são difíceis de serem identificados. Para lidar com este problema, o estado da arte propõe uma combinação de inversão sísmica com geoestatística multipontos, que impõe padrões de conectividade durante a otimização do processo de caracterização de reservatórios. No entanto, esta abordagem tem um alto custo computacional e depende de uma avaliação empírica do intérprete profissional sobre os modelos estimados. Neste trabalho, propomos um modelo de redes gerativas adversárias convolucionais para reconstrução do padrão de conectividade do reservatório de petróleo aplicada aos resultados de técnicas tradicionais de inversão sísmica. Os resultados mostram que o modelo proposto é capaz de aprender os padrões de conectividade do reservatório de petróleo a partir dos dados e reproduzi-los em imagens de fácies pós-inversão.<br>

Abstract : In the petroleum exploration industry, the modeling of an oil and gas reservoir includes the development of a geological model that represents the physical space and its rock attributes. The critical issue is determining the internal reservoir architecture and connectivity, aiming to find a flow channel for drilling the injector and the producer wells. One of the techniques used for the reservoir modeling is the seismic inversion. Due to physical limitations, and the seismic data being of low resolution, connectivity patterns are difficult to be identified. To tackle this problem, the state-of-the-art methods proposes a combination of seismic inversion with multi-point geostatistics, which imposes connectivity patterns during the optimization of the reservoir characterization process. However, this approach has a high computational cost and depends on a professional interpreter empirical evaluation to analyze the results obtained. In this work, we propose a deep convolutional generative adversarial network model for petroleum reservoir connectivity pattern reconstruction applied at the results of traditional seismic inversion techniques. Results show that our approach is able to learn the petroleum reservoir connectivity patterns from the data and reproduce them in post inversion facies images.