Algoritmos, aprendizado de máquina, análise de dados, inteligência artificial. O que tudo isso tem a ver com geologia e petróleo?

Trata-se de um trabalho que utiliza Ciências de Dados para analisar rochas em regiões de interesse e identificar suas características minerais. Os estudos são realizados pelos geólogos Rafael Rubo, da Petrobrás, e Cleyton Carneiro, professor da Escola Politécnica da USP.

Cleyton foi o orientador de doutorado de Rafael na Poli e, sob a tutela do professor Afonso Paiva, os dois fizeram parte do MBA em Ciências de Dados oferecido pelo Centro de Ciências Matemáticas Aplicadas à Indústria (CeMEAI) e pelo Instituto de Ciências Matemáticas e de Computação (ICMC) da USP em São Carlos.

O trabalho utiliza técnicas de Ciências de Dados para organizar e interpretar informações obtidas a partir de rocha: “Nós analisamos as lâminas de rocha em microscópio de luz transmitida. Essa atividade é chamada de petrografia óptica. Analisando as lâminas, identificamos algumas feições da rocha, que vão orientar tanto a exploração de óleo e gás quanto a produção. Estudamos a porosidade que tem na rocha, que é onde vão estar o óleo e o gás, os fluidos que ficam nos poros da rocha”, explica Rafael.

Durante o doutorado, o geólogo criou o termo “petrografia digital” ao utilizar métodos de aprendizado de máquina supervisionados para analisar as informações obtidas nas rochas. Ele aproveitou o MBA para aplicar métodos não supervisionados aos mesmos dados. “Temos essa lacuna na formação acadêmica e eu vejo que o MBA possibilitou essa organização e trouxe um cardápio de novas técnicas, que você pode utilizar cada uma delas para um contexto, para um determinado problema”, conta.

A petrografia óptica fornece dados sobre a textura, a mineralogia, o litotipo e os processos de dissolução e compactação pelos quais a rocha passou. A partir dessas informações, é possível contar a história geológica da bacia sedimentar de onde a rocha analisada foi extraída. Mas tudo isso precisa ser organizado e interpretado. E é aí que entram as Ciências de Dados.

“O trabalho envolve a aquisição dessas imagens e a sua análise com auxílio de algoritmos de aprendizado de máquina. Aplicamos diferentes tipos de modelos preditivos para poder analisar automaticamente essas imagens. Assim, ganhamos tempo na etapa de análise petrográfica, ampliamos a quantidade de informação que extraímos da imagem e damos mais tempo para o geólogo se dedicar a uma atividade de interpretação daquele dado. Então, o geólogo deixa de fazer um serviço mecânico, como a contagem de pontos na lâmina, algo que pode ser automatizado, e ele passa a se dedicar a essa etapa de interpretação da deposição da rocha”, esclarece.

“A partir dessas informações cruzadas, é possível saltar de escala. Por exemplo, uma propriedade que foi caracterizada lá na análise petrográfica na sequência pode ser compreendida no contexto de um poço e depois buscamos transferir isso para o contexto do reservatório. E, a partir daí, conseguimos, por exemplo, calcular o volume de petróleo dos reservatórios, quanto eu tenho de óleo recuperável. São informações muito importantes para a indústria”, salienta Cleyton, que, durante o MBA, aplicou os conhecimentos em Ciências de Dados para buscar e apresentar fatores que indicassem similaridade entre poços de petróleo.

Recentemente, no Brasil, a camada pré-sal tem tido destaque pela grande quantidade de petróleo nos reservatórios. Os pesquisadores aproveitam o contexto para explicar a importância das Ciências de Dados em uma fase posterior à análise inicial das rochas. “Usando o exemplo do pré-sal, que é bem popular. O fato de ter-se descoberto o pré-sal quer dizer que, agora, vai ter óleo em qualquer poço que perfurarmos abaixo da camada de sal? E que esse óleo é recuperável? Não. Para isso, é necessária uma exploração, que realiza diversas caracterizações do reservatório em diferentes escalas, que vão viabilizar o posicionamento perfeito de um poço para que ele seja otimizado tanto do ponto de vista de produção quanto de custos. A exploração não termina quando você encontra, ‘descobre’ o pré-sal, por exemplo. A exploração permanece por um tempo para delimitar os reservatórios, para identificar até que ponto é econômico”, ilustra Rafael.

Mesmo após a fase exploratória, a leitura e interpretação de dados segue em demanda no processo de produção dos recursos energéticos. É necessário também analisar informações a respeito da otimização da extração em si – ou seja: mais informações, mais possibilidades de aplicação das Ciências de Dados. “Em toda a cadeia, vamos precisar das Ciências de Dados porque, principalmente no âmbito geológico, da caracterização das rochas, as atividades sempre foram muito interpretativas. As técnicas vêm para sistematizar algo que era intuitivo e, agora, podemos classificar minerais com aprendizado de máquina e reduzir o viés interpretativo do petrógrafo”, complementa Cleyton.

Fonte: Assessoria de Comunicação CeMEAI

Mais informações: (16) 99151-5648