Dissertação

{pt_PT=Inferring acoustic impedance coupling seismic attribute analysis symbolic regression and geostatitistical seismic inversion} {} EVALUATED

{pt=Esta tese é sobre o uso de um algoritmo de aprendizagem automática na análise de atributos sísmicos e inversão sísmica para caracterização de reservatórios. Este algoritmo, chamado Regressão Simbólica, usa vários atributos sísmicos para encontrar uma correlação entre esses atributos e outro atributo que é a impedância acústica nas localizações dos poços. Esta correlação será representada através duma função em que a impedância acústica é dependente dos outros atributos e é através desta função que será possível criar tanto um modelo de sísmica sintética como um modelo de impedâncias acústicas. O motivo pelo qual se escolheu a impedância acústica como o atributo sísmico a ser modelado é devido à sua boa correlação inversa com a porosidade, uma das propriedades petrofísicas mais importantes para um reservatório de petróleo. O algoritmo proposto é comparado a outro algoritmo já existente e comprovado chamado Global Stochastic Inversion(GSI). Um segundo método será também comparado à GSI, sendo este método uma mistura entre a regressão simbólica e a GSI. O método de comparação será através de correlações entre os modelos obtidos com modelos reais e através de métodos estatísticos, tal como o desvio-padrão. As conclusões desta tese provaram que ambos os métodos em questão são métodos que podem ser implementados na caracterização de reservatórios. O método da regressão simbólica, apesar de funcionar, não obtém resultados tão bons como a GSI enquanto a combinação da GSI com a regressão simbólica tem resultados ao nível da GSI com a vantagem de poder ser melhorada. , en=This thesis is about using a Machine Learning algorithm coupled with seismic attribute analysis and seismic inversion for reservoir characterization. This machine learning algorithm, called Symbolic Regression uses various seismic attributes, such as frequency and chaos, to find a correlation between these seismic attributes and another attribute called Acoustic Impedance at the wells location. This correlation is shown in the form of a function of the acoustic impedance derived from the other seismic attributes and this function makes it possible to create both a synthetic seismic model and an acoustic impedance model. The reason for choosing the acoustic impedance as the attribute to be modelled is that this attribute has a good correlation with porosity, which is one of the main petrophysical properties required for an oil and gas reservoir. This machine learning algorithm method was compared to the existing geostatistical seismic inversion algorithm, called Global Stochastic Inversion (GSI). A second method was also compared to the GSI, which integrates symbolic regression and geostatistical seismic inversion. Using these methods, synthetic seismic and acoustic impedance models were built and using correlations with real data and statistic methods they were compared. The conclusions from this research proved that both of these methods are feasible for reservoir characterization. Despite the symbolic regression method being proved to work, it does not have such good results as the GSI, while the combination of the symbolic regression with the GSI has results on the same level as the GSI while having the advantage of possible improvement. }
{pt=Regressão Simbólica, Inversão sísmica, GSI, atributos sísmicos, caracterização de reservatórios, en=Symbolic regression, Seismic inversion, GSI, Global stochastic inversion, seismic attributes, reservoir characterization}

Novembro 19, 2019, 14:0

Publicação

Obra sujeita a Direitos de Autor

Orientação

ORIENTADOR

Leonardo Azevedo Guerra Raposo Pereira

Departamento de Engenharia Civil, Arquitectura e Georrecursos (DECivil)

Professor Auxiliar