Aprendizado de máquina automatizado hierárquico (AutoML) para caracterização avançada de reservatórios não convencionais

Scientific Reports volume 13, Artigo número: 13812 (2023) Citar este artigo

139 Acessos

1 Altmétrico

Detalhes das métricas

Avanços recentes no aprendizado de máquina (ML) transformaram o cenário da exploração de energia, incluindo hidrocarbonetos, armazenamento de CO2 e hidrogênio. No entanto, a construção de modelos de ML competentes para caracterização de reservatórios requer conhecimento específico e aprofundado para ajustar os modelos e obter as melhores previsões, limitando a acessibilidade ao aprendizado de máquina em geociências. Para mitigar esse problema, implementamos a abordagem de aprendizado de máquina automatizado (AutoML) recentemente surgida para realizar uma busca de algoritmo para conduzir uma caracterização de reservatório não convencional com um fluxo de trabalho mais otimizado e acessível do que as abordagens tradicionais de ML. Neste estudo, mais de 1.000 poços das areias betuminosas de Athabasca, em Alberta, foram analisados ​​para prever várias propriedades importantes do reservatório, como litofácies, porosidade, volume de xisto e porcentagem de massa de betume. Nosso fluxo de trabalho proposto consiste em dois estágios de previsões do AutoML, incluindo (1) o primeiro estágio se concentra na previsão do volume de xisto e porosidade usando dados convencionais de registro de poço e (2) o segundo estágio combina as saídas previstas com dados de registro de poço para prever as litofácies e a porcentagem de betume. Os resultados mostram que dos dez modelos diferentes testados para prever a porosidade (78% de precisão), o volume de xisto (80,5%), a porcentagem de betume (67,3%) e a classificação das litofácies (98%), floresta distribuída aleatoriamente, e a máquina de aumento de gradiente surgiram como os melhores modelos. Quando comparados aos algoritmos de aprendizado de máquina convencionais ajustados manualmente, os algoritmos baseados em AutoML fornecem uma melhoria notável nas previsões de propriedades do reservatório, com pontuações f1 médias ponderadas mais altas de até 15–20% no problema de classificação e 5–10% na pontuação R2 ajustada para os problemas de regressão no conjunto de dados de teste cego, e isso é alcançado somente após ~ 400 s de processos de treinamento e teste. Além disso, a partir da técnica de extração de classificação de recursos, há um bom acordo com os especialistas do domínio em relação aos parâmetros de entrada mais significativos em cada previsão. Portanto, é uma evidência de que o fluxo de trabalho do AutoML se mostrou poderoso na realização de análises petrofísicas avançadas e caracterização de reservatórios com tempo mínimo e intervenção humana, permitindo mais acessibilidade aos especialistas do domínio, mantendo ao mesmo tempo a explicabilidade do modelo. A integração do AutoML e de especialistas no assunto poderia promover a implementação da tecnologia de inteligência artificial na otimização das geociências energéticas baseadas em dados.

Os dados de perfil de poço subterrâneo podem fornecer informações críticas sobre a variabilidade espacial e temporal das litofácies deposicionais e propriedades petrofísicas das zonas de reservatório, permitindo uma avaliação mais completa do reservatório1,2,3. Além disso, os dados de perfil de poço normalmente estão disponíveis de forma mais abundante na maioria dos poços do que outros dados de subsuperfície, como núcleos. Apesar de sua eficiência, a perfilagem de poços apresenta algumas limitações no que diz respeito ao nível de incerteza em ambientes deposicionais heterogêneos e às necessidades de petrofísicos experientes para realizar o processamento e interpretação dos dados . Na exploração de hidrocarbonetos, a análise petrofísica, como a classificação de litofácies e a previsão de porosidade, é uma das áreas mais ativas onde o aprendizado de máquina pode ser aplicado6,7. Isto ocorre principalmente porque os dados petrofísicos são bem estruturados e definidos em termos de modelos físicos. Como resultado, muitos algoritmos sofisticados de aprendizagem automática podem ser aplicados a dados petrofísicos7. Isto é ainda mais fortalecido pelo surgimento da tecnologia de inteligência artificial e pela disponibilidade de grandes volumes de conjuntos de dados subterrâneos que abriram caminho para algoritmos avançados de aprendizado de máquina. Seguindo o trabalho seminal de Wong8, que proporcionou uma das primeiras tentativas bem-sucedidas na aplicação de redes neurais artificiais para prever a porosidade, numerosas tentativas foram introduzidas no uso de vários modelos de aprendizado de máquina supervisionados e não supervisionados para prever diferentes propriedades petrofísicas. Al-Anazi e Gates9 usaram regressão vetorial de suporte para prever porosidade em reservatórios heterogêneos. Além disso, Chen et al.10 implementaram um algoritmo de aprendizagem profunda para prever a porosidade. A abordagem pode reduzir erros quando há dados limitados disponíveis e diferentes profundidades de perfil estão presentes. Recentemente, um estudo realizado por Yang11 utilizou um modelo de transformador de aprendizagem profunda de última geração para prever a porosidade e alcançou alta precisão. Vários trabalhos também ampliaram a aplicação do aprendizado de máquina para realizar previsões de permeabilidade em reservatórios siliciclásticos e carbonáticos .