Estimativa da razão de aspecto equivalente a partir da análise de rocha digital e inversão sísmica bayesiana

Abstract

Este trabalho aborda o desafio de prever propriedades de rochas com estruturas porosas complexas, particularmente em reservatórios carbonáticos. Ele propõe um método para estimar o parâmetro de razão de aspecto de poro equivalente que melhora a calibração dos modelos de física de rochas baseados em inclusões. Ao minimizar discrepâncias entre previsões dos modelos e dados medidos, a abordagem permite previsões mais adequadas para rochas porosas com múltiplas inclusões de formas e proporções variadas. O método é validado usando simulações e testado em amostras de rocha digital sintéticas e reais, provando sua aplicabilidade a dados de campo, incluindo perfis de poços. Além disso, o estudo propõe um método de inversão estatística para estimar propriedades de rochas a partir de dados sísmicos. Como esses reservatórios têm estruturas complexas, influenciadas pelo formato dos poros e mudanças mineralógicas, a caracterização sísmica é frequentemente incerta. O método combina a teoria inversa Bayesiana com modelagem geofísica, permitindo previsões mais precisas de propriedades petrofísicas sem exigir linearização do modelo de física de rochas. A inversão apresentada é baseada no modelo de inclusão self-consistent e na equação de Gassmann, mas pode ser aplicada a qualquer modelo de física de rochas. A utilização de modelos de mistura gaussiana para distribuições de probabilidades permite a associação de propriedades elásticas e petrofísicas a fácies geológicas ou sísmicas. O método proposto é validado em dados sintéticos e reais, incluindo perfis de poços e seções sísmicas 2D de um reservatório do pré-sal brasileiro. Os resultados demonstram boa precisão nas propriedades preditas e uma caracterização mais confiável das propriedades do reservatório, oferecendo uma abordagem robusta para a modelagem geofísica de reservatórios de petróleo.

Abstract: This work addresses the challenge of predicting properties of rocks with complex porous structures, particularly in carbonate reservoirs. It proposes a method to estimate the equivalent pore aspect ratio parameter that improves the calibration of inclusion-based rock physics models. By minimizing discrepancies between model predictions and measured data, the approach allows for more accurate predictions for porous rocks with multiple inclusions of varying shapes and proportions. The method is validated using simulations and tested on synthetic and real digital rock samples, proving its applicability to Aeld data, including well logs. Furthermore, the study proposes a statistical inversion method to estimate rock properties from seismic data. Since these reservoirs have complex structures, inCuenced by pore shapes and mineralogical changes, seismic characterization is often uncertain. The method combines Bayesian inverse theory with geophysical modeling, allowing for more accurate predictions of petrophysical properties without requiring linearization of the rock physics model. The inversion presented is based on the self-consistent inclusion model and the Gassmann equation, but can be applied to any rock physics model. The use of Gaussian mixture models for probability distributions allows the association of elastic and petrophysical properties with geological or seismic facies. The proposed method is validated on synthetic and real data, including well logs and 2D seismic sections of a Brazilian pre-salt reservoir. The results demonstrate good accuracy in the predicted properties and a more reliable characterization of the reservoir properties, offering a robust approach for the geophysical modeling of petroleum reservoirs.