Os cientistas da Skoltech e seus colegas da indústria descobriram uma maneira de usar o aprendizado de máquina para prever com precisão a condutividade térmica da rocha, um parâmetro crucial para recuperação aprimorada de óleo. A pesquisa, apoiado pela Lukoil-Engineering LLC, foi publicado no Geophysical Journal International .
Condutividade térmica da rocha, ou sua capacidade de conduzir calor, é a chave para modelar uma bacia de petróleo e projetar métodos de recuperação aprimorada de petróleo (EOR), a chamada recuperação terciária, que permite a um operador de campo de petróleo extrair significativamente mais petróleo bruto do que usando métodos básicos. Um método EOR comum é a injeção térmica, onde o óleo na formação é aquecido por vários meios, como vapor, e este método requer amplo conhecimento dos processos de transferência de calor dentro de um reservatório.
Por esta, seria necessário medir a condutividade térmica da rocha diretamente in situ, mas esta se revelou uma tarefa assustadora que ainda não produziu resultados satisfatórios utilizáveis na prática. Então, cientistas e profissionais se voltaram para métodos indiretos, que inferem a condutividade térmica da rocha a partir dos dados de perfilagem do poço que fornecem uma imagem de alta resolução das variações verticais nas propriedades físicas da rocha.
"Hoje, três problemas principais excluem qualquer chance de medir a condutividade térmica diretamente dentro dos intervalos sem testemunhagem. Isto é, em primeiro lugar, o tempo necessário para as medições:os engenheiros de petróleo não podem deixar você colocar o poço em espera por muito tempo, pois é economicamente irracional. Em segundo lugar, a convecção induzida de fluido de perfuração afeta drasticamente os resultados das medições. E finalmente, há a forma instável de furos de sondagem, que tem a ver com alguns aspectos técnicos das medições, "O aluno de Ph.D. de Skoltech e o primeiro autor do artigo, Yury Meshalkin, diz.
Métodos baseados em well-log conhecidos podem usar equações de regressão ou modelagem teórica, e ambos têm suas desvantagens relacionadas à disponibilidade de dados e à não linearidade nas propriedades das rochas. Meshalkin e seus colegas colocaram sete algoritmos de aprendizado de máquina uns contra os outros na corrida para reconstruir a condutividade térmica de dados de registro de poço com a maior precisão possível. Eles também escolheram um modelo teórico de Lichtenecker-Asaad como referência para esta comparação.
Usando dados reais de registros de poços de um campo de petróleo pesado localizado na Bacia de Timan-Pechora, no norte da Rússia, pesquisadores descobriram que, entre os sete algoritmos de aprendizado de máquina e regressão linear múltipla básica, A Random Forest forneceu as previsões mais precisas de condutividade térmica da rocha, mesmo batendo o modelo teórico.
"Se olharmos para as necessidades práticas de hoje e as soluções existentes, Eu diria que nosso melhor resultado baseado em aprendizado de máquina é muito preciso. É difícil fazer alguma avaliação qualitativa, pois a situação pode variar e está restrita a certos campos de petróleo. Mas acredito que os produtores de petróleo podem usar tais previsões indiretas de condutividade térmica da rocha em seu projeto EOR, "Notas de Meshalkin.
Os cientistas acreditam que os algoritmos de aprendizado de máquina são uma estrutura promissora para previsões rápidas e eficazes da condutividade térmica das rochas. Esses métodos são mais diretos e robustos e não requerem parâmetros extras fora dos dados comuns de registro de poço. Assim, eles podem "melhorar radicalmente os resultados das investigações geotérmicas, modelagem de bacia e sistema de petróleo e otimização de métodos EOR térmicos, "conclui o artigo.
