Avaliação de Redes Neurais na Caracterização de Reservatórios com Dados De RMN: Predição de Parâmetros FZI, RQI e HFU, e Classificação de Tipos Poros

Evaluation of Neural Network in Reservoir Characterization with NMR Data: Prediction of Permeability, FZI, RQI and HFU Parameters and Classification of Porosity Types

Resumo

O aprendizado de máquina tem impulsionado avanços científicos ao viabilizar a análise de grandes e complexos conjuntos de dados, mesmo entre variáveis não correlacionadas. Na caracterização de reservatórios, parâmetros petrofísicos como porosidade e permeabilidade são fundamentais para o cálculo de indicadores como o Flow Zone Indicator (FZI), Reservoir Quality Index (RQI) e Hydraulic Flow Units (HFU), e que podem auxiliar na classificação de tipos de poros. A Ressonância Magnética Nuclear (RMN) é uma técnica robusta nesse contexto, permitindo medições diretas de porosidade e estimativas de permeabilidade por meio de modelos. Neste estudo, dados de porosidade e permeabilidade a gás de 506 amostras de carbonatos foram utilizados para avaliar quatro modelos semiempíricos (SDR, Timur-Coates, Rios e Han) e um modelo de aprendizado profundo, o Perceptron Multicamadas (MLP). O MLP superou os modelos semiempíricos, com R² de 0,79 e σ = 3,07 para treinamento e 0,71 e σ = 3,92 para teste. O modelo também diferenciou eficientemente as HFUs e apresentou valores próximos aos obtidos em laboratório. Na classificação dos tipos de poros, o MLP apresentou desempenho superior. Assim, a integração de dados de RMN com modelos de aprendizado profundo aprimora significativamente a caracterização de HFU, FZI e RQI.