Redes neurais profundas com ensemble smoother aplicados na caracterização de reservatórios

Abstract

Na indústria de exploração de petróleo, a modelagem inversa de um reservatório visa prever um modelo geológico que represente com precisão a estrutura e os atributos das rochas do campo explorado. Em particular, o ajuste de histórico é utilizado para prever propriedades das rochas e atualizar o modelo do reservatório com base em novas informações adquiridas durante o ciclo produtivo. A inversão de fácies sísmicas, por sua vez, é empregada para estimar as fácies da subsuperfície a partir de dados sísmicos. No entanto, os dados sísmicos frequentemente apresentam grandes quantidades de dados redundantes e limitações de resolução, sendo necessária a estimativa de múltiplos cenários possíveis para um mesmo reservatório, o que leva à um desafio significativo devido ao elevado custo computacional. Atualmente, o Ensemble Smoother with Multiple Data Assimilation (ES-MDA) é amplamente aplicado a problemas inversos em geociências. Este método ajusta estocasticamente diversos modelos geológicos do reservatório com base em dados de produção e sísmicos. Contudo, o ES-MDA enfrenta limitações devido ao grande volume e redundância dos dados sísmicos, bem como à sua incapacidade de lidar diretamente com informações discretas e categóricas, além das premissas Gaussianas, que podem levar ao colapso ou a soluções insatisfatórias. Recentemente, técnicas de aprendizagem profunda e modelos generativos têm sido integrados com o ES-MDA para reduzir, reconstruir e gerar novos dados a partir de distribuições Gaussianas. O objetivo deste trabalho é integrar redes neurais profundas baseadas em arquiteturas totalmente convolucionais com o ES-MDA para reduzir a quantidade de informações dos dados sísmicos através da extração de características e representar as variáveis discretas em um espaço contínuo. Os resultados obtidos através do experimentos mostra que a utilização de redes neurais profundas melhora significativamente a performance do processo de ajuste de histórico e inversão de fácies sísmicas com o ES-MDA, superando algumas das suas limitações presentes no estado da arte e com potencial de auxiliar profissionais de geociências na tomada de decisões em projetos de produção de petróleo.

Abstract: In the oil exploration industry, the inverse modeling of a reservoir aims to predict a geological model that represents the structure and attributes of rocks in the explored field. Specifically, history matching is used to obtain the reservoir model from new information during the production cycle. Seismic facies inversion, on the other hand, is used to predict rock properties based on subsurface facies from seismic and well data. However, the large amount of data and limitations in seismic data make the estimation of various possible scenarios for the same reservoir challenging and computationally demanding. Currently, the Ensemble Smoother with Multiple Data Assimilation (ES-MDA) is commonly applied to inverse problems in geosciences, where multiple geological reservoir models are stochastically estimated from production and seismic data. However, ES-MDA has some limitations due to the large amount of seismic data and its redundancies, along with the inability to use discrete and categorical information and Gaussian assumptions, which can cause ES-MDA to collapse or fail to estimate good solutions. Recently, deep learning techniques and generative models have been applied to reduce, reconstruct, and generate new data from Gaussian distributions. The objective of this work is to integrate deep neural networks based on fully convolutional layers with ES-MDA to reduce the seismic information to a reduced latent information through feature extraction and represent discrete variables in a continuous space. The results show that the use of deep neural networks can improve the performance of the history matching and seismic facies inversion process with ES-MDA, overcoming certain limitations of the method and assisting potential geoscience professionals in making decisions in oil production projects.