Desenvolvimento de técnicas especiais de aprendizado de máquina na integração sísmica 4D e simulação de reservatórios

A otimização da produção de hidrocarbonetos tornou-se essencial em um panorama energético global que exige maior eficiência, economia e responsabilidade ambiental, especialmente diante dos movimentos de descarbonização e dos rápidos avanços tecnológicos (Tang et al. 2022, Sanei et al. 2023). Nesse cenário, o monitoramento dinâmico de reservatórios é crucial, e a sísmica 4D (monitoramento sísmico repetido ao longo do tempo) consolidou-se como uma ferramenta de valor inestimável. O presente projeto de pesquisa e desenvolvimento é direcionado precisamente à melhoria do aproveitamento da informação sísmica 4D no processo de gerenciamento de reservatório. Apesar do avanço tecnológico nas aquisições 4D e do amadurecimento das metodologias de interpretação quantitativa, o desafio atual reside no uso efetivo dessa tecnologia. Usar a sísmica 4D de forma efetiva implica ir além da visualização: é preciso extrair informações precisas sobre a dinâmica do reservatório e assimilá-las nos processos de simulação (Canchumuni et al. 2019, 2021). Atualmente, o uso de atributos sísmicos 4D (como a variação de impedância) limita-se a auxiliar o ajuste de histórico por meio de técnicas como o filtro de Kalman e variantes mais avançadas, como o ES-MDA (Emerick; Reynolds, 2013). No entanto, essas soluções apresentam deficiências estatísticas e falta de métricas robustas para o controle de qualidade, configurando-se como alvos primários para melhorias significativas. A demanda é por métodos quantitativos que gerem respostas rapidamente assimiláveis no ciclo de trabalho de gerenciamento, especialmente em volumes de dados crescentes e em cenários complexos, como os alvos profundos e reservatórios rígidos do pré-sal brasileiro (Grochau et al., 2014; Cruz et al., 2021). Para superar as limitações atuais, a solução proposta abrange o desenvolvimento e a implementação de uma interpretação quantitativa 4D altamente eficiente e assimilável. O projeto prevê o desenvolvimento de metodologias de análise e inversão conjunta de múltiplos atributos sísmicos 4D, com pré-empilhamento. Isso inclui a integração de amplitude, time-shift e o espectro de atenuação, este último obtido por meio do uso inovador da transformada de Prony (Mitrofanov; Priimenko, 2015; Oliveira et al., 2024). O principal objetivo é obter estimativas das propriedades elásticas, da atenuação e de suas variações no reservatório. Essas estimativas são cruciais, pois sintetizam a informação necessária para inferir propriedades dinâmicas essenciais, como a permeabilidade (MacBeth; Al-Maskeri, 2006) e as variações de saturação e pressão (Landro, 2001; Emerick, 2014; Côrte et al., 2023). Isso estabelece uma conexão natural com o processo de simulação e ajuste de histórico de produção. Para garantir a efetividade da solução, serão estabelecidas métricas adicionais de controle e retropropagação de erros em domínios espacialmente densos (malhas sísmicas e de simulação). Uma das ideias centrais é a assimilação da sísmica 4D diretamente ao modelo estático antes da construção do modelo de simulação, evitando a propagação inicial de erros para o modelo dinâmico e fornecendo um subsídio mais efetivo para o controle de qualidade do reservatório. No campo da caracterização geofísica, historicamente um problema difícil e fortemente baseado em dados (Anifowose et al. 2017; Vallabhaneni et al. 2019), o projeto se concentra em alavancar o aprendizado de máquinas nos processos de inversão. O foco é o desenvolvimento de redes neurais profundas que combinam a consistência física e a generalização dos modelos fundamentados em fundamentos físicos com a eficiência computacional das abordagens orientadas a dados (Willard et al., 2020). O projeto visa criar algoritmos que: melhorem as propriedades de convergência e generalização das redes neurais profundas por meio de métodos físico-matemáticos especiais; resolvam o problema inverso sísmico-geomecânico, que, embora tradicionalmente resolvido por métodos numéricos intensivos, ganha performance e capacidade de generalização com o aprendizado de máquina guiado pela física (Raissi et al., 2019; Karniadakis et al., 2021). Uma prioridade do projeto é a materialização dos métodos em software. Será desenvolvido um pacote que inclui métodos complementares de petrofísica básica, inferência petrofísica e de fácies, modelagens petroelástica e sísmica, e utilitários de transferência entre grids sísmicos e de reservatório usando métodos de aprendizado de máquina. O desenvolvimento de software agrega valor estratégico, transformando algoritmos em produtos passíveis de uso imediato na academia e na indústria. O projeto é construído sobre o legado do grupo de pesquisa (GIR) da Universidade Estadual do Norte Fluminense (UENF), coordenado pelo professor Fernando Sérgio de Moraes, com expertise em teoria de inversão, métodos bayesianos e aprendizado de máquina. Seu alcance é maximizado por uma robusta estrutura de parcerias internacionais, na qual a colaboração com pesquisadores do Institute of Geoenergy Engineering (IGE) da Heriot-Watt University (HWU) na Escócia e do Trofimuk Institute of Petroleum Geology and Geophysics (IPGG) da academia de ciências da Rússia.  A iniciativa combina, portanto, entregas de valor em uma área de grande impacto (ajuste de histórico assistido por sísmica 4D) com diferenciais exclusivos de integração academia-indústria, internacionalização e desenvolvimento regional, por meio do Laboratório de Geofísica Aplicada da UFAC.