Classificação não-supervisionada de litofácies utilizando dados petrofísicos da Bacia de Santos (SP)

Abstract

Resumo: A classificação de litofácies consiste em analisar diversos registros físicos-químicos obtidos através de perfilagem no poço perfurado e, após a revisão destas leituras, identificar quais unidades litológias representam melhor às características composicionais da camada de estudo. O uso de aprendizado de máquina (AM) nesse tipo de descrição faciológica visa empregar dinamismo e precisão na leitura de dados. A Bacia de Santos é uma das mais importantes produtoras de petróleo do país, e o campo de Mexilhão um dos maiores na produção de gás, tornando a região uma das mais importantes economicamente no Brasil. Neste trabalho é aplicada uma metodologia elaborada para a classificação de grupos relacionados a litofácies de poços de exploração do campo de Mexilhão na Bacia de Santos. Na análise foram utilizados três perfis petrofísicos contendo, principalmente, medidas de resistividade elétrica, contagem de radiação gama e densidade. A fim de realizar a normalização e a eliminação de valores espúrios do conjunto de dados, uma análise estatística foi realizada. Dados de perfil sônico não foram utilizados devido a resultados incongruentes na análise estatística. O índice silhueta juntamente com a matriz de correlação foram parâmetros utilizados na escolha de grupos. O processo de separação dos dados em clusters foi realizado utilizando centroides obtidos pelo algoritmo de AM K-médias. Esse agrupamento gerou perfis com uma boa correlação litológica, quando comparado com labels do próprio dado. Com o auxílio dos perfis geofísicos, foi possível verificar que o algoritmo conseguiu diferenciar uma camada com hidrocarbonetos de outras camadas de mesma litologia, de neste caso, gás

Abstract: The classification of lithofacies involves the analysis of various physico-chemical records obtained through well logging. After reviewing these readings, the goal is to identify which lithological units better represent the compositional characteristics of the studied layer. The application of machine learning (ML) techniques in this context aims to provide dynamism and precision in data interpretation. In Brazil, the Santos Basin is one of the main oil producers, with the Mexilhão Gas Field (MGF) being one of the most significant gas-producing wells. This study employs a developed methodology to classify groups related to lithofacies in exploration wells of the MGF in the Santos Basin. In the analysis, three petrophysical profiles were used, mainly containing measurements of electrical resistivity, gamma radiation count, and density. For normalization and removal of spurious values, a statistical analysis was performed, excluding Sonic Logging (DT) data due to incongruent results. The Silhouette Coefficient, along with the correlation matrix, guided the choice of groups. To separate the data into clusters, centroids obtained by the K-means ML algorithm were used. This grouping resulted in profiles with a good lithological correlation compared to the original labels. Based on geophysical profiles, it was observed that the algorithm was able to differentiate a layer with hydrocarbons from other layers of the same lithology, in this case, gas