Deconvolução de perfis de poço através de rede neural recorrente

Para a indústria do petróleo, a interpretação dos perfis de poço é a principal fonte de informação sobre a presença e quantificação de hidrocarbonetos em subsuperfície. Entretanto, em duas situações as novas tecnologias, tanto em termos do processo construtivo das ferramentas, quanto da transmissão dos dados não têm justificativa econômica, ensejando a utilização de um conjunto de perfis convencionais: reavaliações de campos maduros e avaliações de campos marginais. Os procedimentos de aquisição dos perfis convencionais podem alterar o valor da propriedade física bem como a localização dos limites verticais de uma camada rochosa. Este é um antigo problema na geofísica de poço – o paradoxo entre a resolução vertical e a profundidade de investigação de uma ferramenta de perfilagem. Hoje em dia, isto é contornado através da alta tecnologia na construção das novas ferramentas, entretanto, este problema ainda persiste no caso das ferramentas convencionais como, a ferramenta de raio gama natural (GR). Apresenta-se, neste trabalho, um novo método para atenuar as alterações induzidas no perfil pela ferramenta, através da integração do clássico modelo convolucional do perfil com as redes neurais recorrentes. Assume-se que um perfil de poço pode ser representado através da operação de convolução em profundidade entre a variação da propriedade física da rocha (perfil ideal) e uma função que representa a alteração produzida sobre a propriedade física, chamada como resposta vertical da ferramenta. Assim, desenvolve-se um processamento iterativo dos perfis, o qual atua na forma da operação de deconvolução, composto por três redes neurais recorrentes. A primeira visa estimar a resposta vertical da ferramenta; a segunda procura definir os limites verticais de cada camada rochosa e a última é construída para estimar o valor real da propriedade física. Este processamento é iniciado com uma estimativa externa tanto para o perfil ideal, quanto para a resposta vertical da ferramenta. Finalmente, mostram-se as melhorias na resolução vertical e na avaliação da propriedade física produzida por esta metodologia em perfis sintéticos e em perfis reais da formação Lagunillas, bacia do Lago Maracaibo, Venezuela.

ABSTRACT: For oil industry, the logs analysis is the main information source about the presence and quantification of hydrocarbon in subsurface. However, in two situations the new logging technologies are not economically viable and conventional logging tools must be used: The reevaluation of mature oil fields and evaluation of marginal oil fields. In conventional logs its data acquisition procedure may blur the value of physical property and the vertical limits of a rock layer. We are talking about an old problem in well logging – The paradox between vertical resolution and depth of investigation of a logging tool. Nowadays it is well handling by the high technology of new tools, but this problem persists in conventional old tools, e.g. natural gamma ray log (GR). Here, we present a method to smooth this kind of linear distortion in well logs by an integration of classical well log convolution model with recurrent neural networks. We assume that a well log can be well represented by an in depth convolution operation between the variation of rock physical property (ideal log) and a function that causes the distortion, called as vertical tool response. Thus, we develop an iterative data processing, which acts as a deconvolution operation, composed by three recurrent neural networks. The first one seeks to estimate the vertical tool response; the second one search for the vertical limits definition of each rock layer and the last one is constructed to estimate the actual physical property. To start this process we supply an appropriated first guess of ideal log and vertical tool response. Finally, we show the improvements in vertical resolution and in the physical property evaluation produced by this methodology in synthetic logs and actual well log data from Lagunillas formation, Maracaibo basin, Venezuela.