Aplicações de técnicas de machine learning e análise de sensibilidade de pressões de injeção em cenários de reativação de zonas de falhas geológicas

Abstract

Falhas geológicas são estruturas comuns em reservatórios de petróleo que podem atuar como canais facilitadores de escoamento ou como barreiras selantes. Durante a exploração de hidrocarbonetos, a pressão no interior do reservatório varia, o que provoca uma resposta mecânica no meio e pode levar ao fenômeno de reativação das falhas. Isso acontece quando as deformações da rocha reabrem a falha, aumentando sua permeabilidade e permitindo o fluxo de fluidos. Neste trabalho, foi realizada uma análise de sensibilidade para estudar a influência de diferentes cenários de injeção na deformação, tensão cisalhante, permeabilidade, pressão dos líquidos e fluxo de fluidos em zonas de falhas geológicas. Para isso, foi utilizado o software CODE_BRIGHT, um simulador baseado no método dos elementos finitos, onde o acoplamento hidromecânico é feito de maneira implícita e o modelo elastoplástico utilizado para modelar o comportamento mecânico da falha foi o de Drucker-Prager. Além disso, foi possível implementar algoritmos de aprendizado de máquina, como Análise Discriminante Linear (LDA) e Rede Neural Artificial (RNA), usando o modelo analítico de Mohr-Coulomb para classificar cenários de reativação de falhas geológicas. Esses modelos foram implementados em linguagem de programação Python com bibliotecas já consagradas na literatura para os métodos mencionados. Os resultados da análise de sensibilidade mostram que os incrementos na pressão de injeção são responsáveis pela reativação da falha, associados a deformações plásticas crescentes e ao surgimento de pressões e fluxos de fluidos na extensão da falha. Foi encontrado um limite para essa pressão de injeção, que não reativaria a falha, correspondente a pressão de injeção de 19,7 MPa. Pressões de injeção superiores podem tornar a falha um conduto que pode levar à perda de fluidos e à despressurização do reservatório, entre outros problemas relacionados à reativação da falha. Os modelos de classificação de reativação de falhas tiveram um desempenho excelente tanto para o LDA quanto para o RNA e podem ser uma abordagem preliminar para avaliar os cenários de reativação. Eles também podem incorporar soluções numéricas e dados laboratoriais de caracterização geomecânica para aumentar a complexidade e generalidade dessas técnicas. Palavras-chave: reativação de falhas; análise de sensibilidade; pressão de injeção; análise discriminante linear; redes neurais artificiais.