Um fluxo de trabalho revolucionário para a avaliação de depósitos de petróleo: integração de espectroscopia VNIR-LWIR e aprendizado de máquina

No campo da exploração geológica, encontrar com rapidez e precisão as amostras mais críticas do núcleo de rochas de centenas de metros de comprimento tem sido um grande desafio. Um estudo sobre as reservas de petróleo e gás da Arábia Saudita mostra uma solução promissora.

No campo da exploração geológica, identificar com rapidez e precisão as amostras mais críticas de centenas de metros de núcleo tem sido um desafio significativo. Um estudo focado em reservatórios de hidrocarbonetos na Arábia Saudita demonstra uma solução altamente promissora.

Nota:

Exploração geológicaRefere-se a uma série de pesquisas e pesquisas abrangentes realizadas para identificar a situação geológica subterrânea e explorar recursos minerais (como petróleo, gás, minerais, águas subterrâneas, etc.). Para o setor de petróleo e gás, a missão central da exploração geológica é identificar áreas favoráveis para a acumulação de petróleo e gás e, em última análise, localizar depósitos de petróleo e gás disponíveis para extração.

Reserva de petróleo e gásÉ a camada de rocha subterrânea com espaços de armazenamento (poros, fendas) e capacidade de fluido (permeabilidade), onde o petróleo e o gás são armazenados. É um dos principais elementos da formação de depósitos de petróleo e gás. Os tipos mais comuns de rochas de depósito de petróleo e gás são arenitas e rochas carbonatadas (como calcárias, rochas brancas).

Exploração geológica para descobrir, cercar e avaliar reservas de petróleo e gás de valor comercial.

Nota:

Exploração Geológicarefere-se a uma série de investigações abrangentes e atividades de pesquisa conduzidas para entender as condições geológicas subterrâneas e explorar recursos minerais (como petróleo, gás, minerais, águas subterrâneas, etc.). No contexto da indústria petrolífera, o objetivo principal da exploração geológica é identificar áreas favoráveis à acumulação de hidrocarbonetos e, em última análise, localizar reservatórios de petróleo e gás explorados.

Um reservatório de hidrocarbonetosé uma unidade rochosa subterrânea que possui espaço de armazenamento (poros, fraturas) e capacidade de permitir o fluxo de fluido (permeabilidade); hidrocarbonetos são armazenados nesses espaços. É um dos elementos essenciais para a formação de um acúmulo de hidrocarbonetos. Os tipos de rocha mais comuns para reservatórios de hidrocarbonetos são arenitas e carbonatos (por exemplo, calcário, dolomita).

O objetivo da exploração geológica é descobrir, delinear e avaliar reservatórios de hidrocarbonetos comercialmente viáveis.

Mapa integrado do strato rochoso da área de estudo (Wadi Daqlah) the generalized lithostratigraphy of exposed facies in the study area (Wadi Daqlah)

"Escala espectral"

A base técnica principal deste estudo é a imagem de alta espectroscopia de banda completa, que abrange uma ampla gama de espectros, desde a luz visível até o infravermelho de ondas longas:

Luz visível - infravermelho próximo (VNIR, 400-1000 nm)Principalmente sensível a elementos metálicos de transição, como íons de ferro (Fe²+) em rochas. O cálculo do índice de ferro permite avaliar rapidamente as mudanças na composição química da rocha.

Infravermelho de onda curta (SWIR, 1000-2500 nm)A localização do vale de absorção característica da quadrolita e da clouta nesta região apresenta um deslocamento pequeno mas estável de cerca de 20 nm (quadrolita ~ 2345 nm, clouta ~ 2325 nm). Essa diferença é fundamental para mapear a distribuição dos minerais com rapidez e precisão.

Infravermelho de onda média (MWIR, 3-7 μm)comInfravermelho de ondas longas (LWIR, 8-14 μm)Contém informações de vibração molecular mais complexas de carbonatos minerais. Ao combinar dados desses três intervalos de infravermelho, este estudo conseguiu capturar nuances relacionadas à estrutura cristalina da rocha e ao tamanho de partículas que não podem ser reconhecidas apenas pelo SWIR, distinguindo com sucesso as diferentes estruturas da rocha branca.

"Rango Espectral"

A base técnica principal deste estudo é a imagem hiperespectral de gama completa, cobrindo um amplo espectro do visível ao infravermelho de ondas longas:

Infravermelho visível-próximo (VNIR, 400-1000 nm)Esta gama é principalmente sensível a elementos metálicos de transição, como ferro ferroso (Fe²). ⁺) em rochas. O cálculo de um índice de ferro permite uma avaliação rápida das mudanças na composição química da rocha.

Infravermelho de onda curta (SWIR, 1000-2500 nm): Uma descoberta-chave do estudo é a mudança consistente, de aproximadamente 20 nanômetros, nas posições características do fundo de absorção entre calcita e dolomita nesta região (calcita ~2345 nm, dolomita ~2325 nm). Essa diferença é crucial para mapear rapidamente e com precisão a distribuição dos minerais.

Infravermelho de onda média (MWIR, 3-7μm)eInfravermelho de onda longa (LWIR, 8-14)μm)Estes intervalos contêm informações de vibração molecular mais complexas de minerais carbonatos. Ao integrar dados desses três intervalos de infravermelho, o estudo foi capaz de detectar diferenças sutis relacionadas à estrutura cristalina da rocha e ao tamanho do grão que são indistinguíveis usando apenas o SWIR, diferenciando assim com sucesso dolomitas com texturas variadas.

Características espectrais da rocha branca (verde) e da quadrolita (azul): a posição de pico de absorção característica da rocha branca é de aproximadamente 2325 nm e a posição de pico de absorção característica da quadrolita é de aproximadamente 2345 nm.

Assinatura espectral de dolomita (verde) e calcita (azul) com posição característica da banda de absorção em torno de 2325 nm (linha verde traçada) para dolomita e 2345 nm (linha azul traçada) para calcitas.

"Fluxo de trabalho de análise de dados baseado em imagens de alto espectro"

A amostragem geológica tradicional pode ser vista como um padrão “orientado pela experiência”, que depende fortemente da observação a olho nu e do julgamento subjetivo de especialistas. Este estudo propõe um conjunto de soluções mais objetivas, eficientes e reprodutíveis, orientadas por dados, com fluxos de trabalho que refletem claramente a lógica analítica de macro a micro:

Primeiro passo:Scan global, mapeamento de mineraisPrimeiro, a equipe usou as características da banda SWIR para fazer um varreduro rápido do núcleo de rocha de 50 metros de comprimento, gerando um mapa de distribuição de minerais de alta precisão que definiu claramente a área alvo da petroquímica das nuvens brancas.

Segundo passo:Identificação de diferenças estruturaisApós o bloqueio da área de cloudy, o sistema é capaz de amplificar as diferenças espectrais nuances relacionadas à estrutura cristalina e tamanho de partícula através da combinação de informações espectrais de SWIR, MWIR e LWIR e do uso de algoritmos de análise de componentes principais (PCA). Essas diferenças são impossíveis de distinguir ao olho nu.

Terceiro passo:Localizar o melhor ponto de amostragem. Com base nas diferenças espectrais, o algoritmo de agrupamento K-means divide os pixels em 4 categorias automaticamente. Em seguida, o sistema calcula os centros espectrais de cada categoria e recomenda a localização mais próxima desses centros como ponto de amostragem representativo.

“Fluxo de trabalho orientado por dados baseado em imagens hiperespectrais”

A amostragem geológica tradicional pode ser considerada um modelo “orientado pela experiência”, fortemente dependente da observação visual e do julgamento subjetivo dos especialistas. Este estudo propõe uma solução mais objetiva, eficiente e reprodutível "baseada em dados". O fluxo de trabalho demonstra claramente uma lógica analítica que progride de macro para micro:

1. Scanning de cena completa e mapeamento de minerais:A equipe de pesquisa utilizou primeiro as características espectrais SWIR para digitalizar rapidamente o núcleo de 50 metros, gerando um mapa de distribuição de minerais de alta precisão que delineava claramente as zonas dolomitizadas alvo.

2.Identificação das diferenças textuaisApós identificar as regiões de dolomita, o sistema amplificou diferenças espectrais sutis relacionadas à estrutura cristalina e tamanho do grão, integrando informações espectrais de SWIR, MWIR e LWIR e aplicando a Análise de Componentes Principais (PCA). Essas diferenças são totalmente indetectáveis a olho nu.

3. Localização de Pontos de Amostragem ÓtimosCom base nas diferenças espectrais, o algoritmo de agrupamento K-means classificou automaticamente os pixels de dolomita em quatro categorias. Em seguida, o sistema calculou o centroide espectral para cada categoria e recomendou as localizações do núcleo mais próximas desses centroides como os pontos de amostragem mais representativos.

A. Matriz de confusão padronizada que mostra os resultados da classificação de estruturas de rochas brancas baseadas em análises de fase rochosa e análises de imagem de alto espectro (contraste). B. Gráfico de análise da correlação entre o índice de ferro e a concentração de ferro resultante do cálculo de imagem espectral alta para a mesma amostra de ponto de amostragem do núcleo de rocha (que também é usada para testes de laboratório ICP-OES).

A. Matriz de confusão normalizada mostrando a classificação de textura de dolomita a partir da análise petrográfica e classificação baseada em HSI. Correlação entre o índice de ferro derivado do HSI e a concentração de Fe para as mesmas amostras de plug usadas para medições de laboratório ICP-OES.

A. Classificação e distribuição de diferentes tipos de rochas brancas ao longo do núcleo. Espectros representativos de todas as categorias de rochas brancas em B. banda de infravermelho visível próximo-infravermelho de onda curta (VNIR-SWIR), C. banda de infravermelho de onda média (MWIR) e D. banda de infravermelho de onda longa (LWIR).

A. Classificação e distribuição dos diferentes tipos de dolomitas ao longo do núcleo da perfuração. Espectros representativos para cada classe no VNIR-SWIR (B), MWIR (B) e LWIR(C).

“Conclusão”

Em resumo, o destaque deste artigo é que ele apresenta um fluxo de trabalho completo orientado por dados, desde digitalização global até amostragem, oferecendo novas ideias para a pesquisa geológica; Ao mesmo tempo, ele rompeu a rotina, integrando dados multibanda VNIR-SWIR-MWIR-LWIR para obter um desenho refinado das rochas carbonatadas, desde a identificação de minerais até a classificação estrutural.

Isso não só tem valor direto para a indústria de petróleo e gás, mas também aponta a direção para a futura caracterização sutil em áreas como a exploração de minerais.

Se você quiser saber mais sobre sistemas de imagem de alto espectro para luz visível - infravermelho próximo, infravermelho de ondas curtas ou até mesmo infravermelho de ondas médias ou infravermelho de ondas longas, entre em contato conosco!

"Conclusão"

Em resumo, os destaques deste artigo são duplos: ele demonstra um fluxo de trabalho completo orientado por dados, desde a digitalização de toda a cena até a amostragem, proporcionando um novo paradigma para a pesquisa geológica; além disso, rompe com a convenção integrando dados multibanda VNIR-SWIR-MWIR-LWIR para alcançar a caracterização fina das rochas carbonatadas, progredindo da identificação de minerais à classificação de texturas.

Isso tem valor direto para a indústria petrolífera e também aponta o caminho para a caracterização detalhada em aplicações futuras, como a exploração de minerais.

Se você está interessado em sistemas de imagem hiperespectral que cobrem as faixas VNIR, SWIR ou mesmo MWIR e LWIR, não hesite em entrar em contato conosco!

Tese /Artigo：

Gairola, G. S., Thiele, S. T., Khanna, P., Ramdani, A. I., Gloaguen, R., & Vahrenkamp, V. (2024). Um método hiperespectral orientado por dados para amostragem de tecidos de carbonato diagenético – Um estudo de caso usando um análogo de afloramento de reservatórios árabes-D do Jurássico, Arábia Saudita. Geologia Marinha e do Petróleo, 161, 106691.