[pt] DETERMINAÇÃO DA PERMEABILIDADE EQUIVALENTE DE MEIOS-POROSOS HETEROGÊNEOS UTILIZANDO DEEP LEARNING

[pt] GABRIEL GRENIER FERREIRA MOTTA

[pt] PERMEABILIDADE

[pt] BRINKMAN

[pt] DARCY

[pt] STOKES

[pt] CNN

[pt] REDE NEURAL CONVOLUCIONAL

[pt] PERMEABILIDADE EQUIVALENTE

[pt] APRENDIZADO PROFUNDO

[pt] MEIOS POROSOS HETEROGENEOS

[pt] MEIO POROSO

[pt] POROSIDADE

[pt] INTELIGENCIA COMPUTACIONAL

[pt] Métodos de média são amplamente utilizados para realizar estimativas de permeabilidade média de reservatórios de petróleo. A Equação de Darcy recebe uma vazão medida, correspondente a um diferencial de pressão aplicado, para obter uma boa aproximação de permeabilidade média. Para meios com estrutura porosa homogênea, é possível obter uma relação entre a permeabilidade e a porosidade do meio. Porém, formações rochosas carstificadas, como carbonatos, apresentam vugs, fraturas e outras estruturas cavernosas com variações abruptas de porosidade e permeabilidade locais. Determinar uma boa correlação entre os padrões de estruturas cársticas e o incremento gerado na permeabilidade aumentaria consideravelmente a precisão dos métodos de caracterização de reservatórios heterogêneos. Recentemente, redes neurais convolucionais (CNNs) têm sido usadas para estimar os efeitos das características cársticas na permeabilidade equivalente de um meio poroso de carbonato, com base em imagens das estruturas de macroporosidade da amostra [Dali et. al., 2020]. A metodologia proposta por Dali et. al. consiste em: (i) simular o escoamento através de uma malha 2D construída com base nas imagens de microtomografia de rochas utilizando o modelo Brinkman; (ii) criação de um banco de dados de treinamento a partir das imagens binárias de macroporosidade e o correspondente incremento de permeabilidade simulada em relação à permeabilidade da matriz rochosa; (iii) finalmente perguntando à CNN treinada para estimar o incremento de permeabilidade equivalente de imagens de mídia cárstica porosa não vistas. O presente trabalho reimplementa esta metodologia em imagens de microtomografia bidimensionais obtidas a partir de amostras carbonáticas brasileiras. Além disso, apresenta uma análise de sensibilidade abrangente da arquitetura CNN e dos parâmetros de treinamento com relação à precisão efetiva da previsão de permeabilidade. Finalmente, o estudo atual complementa o estudo anterior com uma avaliação da capacidade da CNN de generalizar os padrões aprendidos a partir de um conjunto de dados de treinamento específico de imagens. A análise avalia quais características da rede permitem prever razoavelmente os incrementos de permeabilidade dentro de um conjunto de dados de teste composto por amostras de rochas não vistas com faixas de permeabilidade distintas das de treinamento.

MARCIO DA SILVEIRA CARVALHO

SERGIO SANTIAGO RIBEIRO

2022-07-13

[pt] TEXTO

application/pdf

PORTUGUÊS

https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=59941@1

https://doi.org/10.17771/PUCRio.acad.59941