Prediction of Petrophysical Properties Using Machine Learning and Hierarchical Multi-Task Linear Models

A caracterização petrofísica de rochas reservatório é uma etapa fundamental na avaliação de reservatórios de petróleo e é normalmente realizada através de ensaios laboratoriais que incorrem em custos e prazos significativos. Neste trabalho, foram avaliadas técnicas estatísticas e de aprendizado de máquina na estimativa de permeabilidade absoluta, curvas de pressão capilar óleo-água e curvas de permeabilidade relativa água-óleo, a partir de dados de porosimetria por intrusão de mercúrio, permeabilidade absoluta e porosidade. A partir da extração de diversas características das curvas de pressão capilar por intrusão de mercúrio, algoritmos de aprendizado de máquina e métodos estatísticos para a estimativa destas propriedades foram avaliados e comparados a métodos clássicos da literatura. Métodos lineares hierárquicos e multi-task foram avaliados para estimativa de curvas de pressão capilar óleo-água e permeabilidade relativa água-óleo. Foi demonstrado o efeito de regularização dos modelos lineares hierárquicos, que resultaram em modelos mais precisos, coerentes e com menor incerteza a posteriori.