Estimativa da estrutura de poros e permeabilidade em reservatórios carbonáticos apertados com base em algoritmo de aprendizado de máquina (ML) usando imagens de MEV da sub-bacia de Jaisalmer, Índia

Resumo Analisar a estrutura de poros em reservatórios carbonáticos desempenha um papel crucial na previsão das características de fluxo de fluidos dentro dessas formações. O objetivo do estudo foi usar técnicas de aprendizado de máquina para análise da estrutura de poros e estimativa de permeabilidade em reservatórios carbonáticos. Implementamos esses algoritmos examinando imagens de microscopia eletrônica de varredura (MEV) de amostras carbonáticas da sub-bacia de Jaisalmer capturadas em várias ampliações. Na fase inicial da análise, vários algoritmos de binarização foram aplicados para determinar a porosidade das amostras carbonáticas. Entre esses algoritmos, o algoritmo MaxEntropy deu um valor de porosidade estreitamente alinhado com os obtidos através da análise petrográfica. Empregamos o algoritmo de bacia para encontrar os parâmetros da rede de poros das amostras carbonáticas em várias ampliações. Observamos que mudanças na ampliação afetaram os parâmetros da rede de poros, resultando em uma redução na distribuição do tamanho dos poros, raio de garganta e tamanho dos grãos. Subsequentemente, empregamos o método numérico de Boltzmann em rede (LBM) para estimar a permeabilidade das amostras carbonáticas e comparamos com os valores derivados de logs de poço. Utilizamos algoritmos de aprendizado de máquina (ML), especificamente Rede Neural Artificial (ANN) e Máquina de Vetores de Suporte (SVM), para prever a permeabilidade das amostras carbonáticas. As características de entrada para esses modelos foram os parâmetros da rede de poros, enquanto os valores de permeabilidade do LBM serviram como saída. Examinamos o desempenho de previsão desses métodos contra a permeabilidade medida do LBM, realizando a análise de erro e o cálculo do coeficiente de determinação (R²). Nossas descobertas revelaram que os modelos ANN superaram os modelos SVM. Especificamente, o modelo ANN apresentou um valor R² impressionante de 0.892, junto com erro quadrático médio (RMSE), erro médio quadrático (MSE) e valores de erro absoluto médio (MAE) de 1.927, 3.716 e 1.580, respectivamente. Em contraste, o modelo SVM gerou um valor R² de 0.849, com valores de RMSE, MSE e MAE de 2.324, 5.401 e 2.166, respectivamente, quando avaliado em dados de teste de permeabilidade medida. Este estudo descobriu que a ANN é mais confiável, robusta e precisa do que a SVM na previsão da permeabilidade das amostras carbonáticas.