17 ago 2020
14:00 Defesa de Mestrado Integralmente a distância
Tema
Techniques for Comparing 4D Seismic Data in Oil Reservoir Fields
Aluno
Klaus Rollmann
Orientador / Docente
Anderson de Rezende Rocha
Breve resumo
Nos últimos anos, dados de sísmica 4D (4DS) têm sido utilizados no processo de assimilação de dados para melhorar modelos numéricos que representam reservatórios de petróleo. 4DS contém informações espaciais a respeito de mudanças ocorridas no reservatório devido a produção de hidrocarbonetos, como a movimentação de fluidos (óleo, gás, água), por exemplo. Esse dado ajuda os engenheiros a ajustar os modelos de simulação de reservatórios com o intuito de melhorar sua capacidade de fornecer previsões de produção confiáveis. No entanto, em abordagens probabilísticas recentes, é comum haver centenas de cenários de modelos de simulação numérica, o que torna inviável o ajuste manual de cada um desses cenários. Nesse sentido, são necessários métodos automatizados que avaliem modelos numéricos com base nas observações de dados de sísmica 4D. Comparar informações espaciais de dados de simulação e sísmica é uma tarefa difícil, pois esses dados são gerados de formas distintas. As abordagens típicas para esse problema são baseadas em erro dos mínimos quadrados, que acaba sendo simplificado a uma comparação de valores de pixel. No entanto, essas abordagens não são adequadas para lidar com diferenças de domínio e diferenças na malha. Outros métodos procuram contornar essas dificuldades usando a análise de imagens e medindo diferenças `visuais' observadas nessas imagens. No entanto, a maioria dessas abordagens usa transformações simples e se baseia em características de baixo nível, como formas. Neste trabalho, propomos três abordagens para comparar dados de sísmica 4D e modelos de simulação. Nossos métodos focam na comparação de imagens e nas diferenças `visuais', permitindo uma comparação direta de mapas no domínio sísmico com mapas no domínio de simulação numérica, sem qualquer conversão. Primeiro, propomos uma melhoria na abordagem tradicional, usando um método estatístico para converter os mapas em diferentes domínios a um domínio comum, evitando as conversões de domínio normalmente usadas. Também propomos duas abordagens originais, usando as Redes Neurais Convolucionais (CNNs), que aprendem características espaciais por meio de milhares de exemplos de treinamento. As CNNs são treinadas usando exemplos compostos de uma imagem de referência (dados sísmicos 4D) e dois modelos de simulação candidatos. Além disso, construímos um conjunto de dados anotado contendo os mapas do modelo de simulação que melhor correspondem à sísmica 4D em diferentes cenários realistas, levando em consideração o conhecimento de especialistas. Usamos esse conjunto de testes para avaliar se um método é capaz de executar de acordo com o que os especialistas esperam. Por fim, apresentamos uma comparação extensiva, qualitativa e quantitativa, de nossas abordagens com outros métodos da literatura. Os resultados mostram que nossos métodos propostos são capazes de identificar com maior acurácia os modelos mais adequados, de acordo com as respostas dos especialistas.
Banca examinadora
Titulares:
Anderson de Rezende Rocha | IC/UNICAMP |
Alexandre Anoze Emerick | Petrobras |
Célio Maschio | CEPETRO/UNICAMP |
Guilherme Daniel Avansi | CEPETRO/UNICAMP |
Suplentes:
Didier Augusto Vega Oliveros | IC/UNICAMP |
André Ricardo Fioravanti | FEM/UNICAMP |