Unsupervised Electrofacies Classification and Porosity Characterization in the Offshore Keta Basin Using Wireline Logs

1. Declaração do Problema

O estudo aborda o desafio da caracterização de subsuperfície em bacias offshore de fronteira, especificamente a Bacia Offshore de Keta, em Gana. Essas regiões enfrentam limitações significativas:

• Escassez de Dados: Dados de testemunho são escassos ou inexistentes devido aos altos custos de perfuração e desafios logísticos.
• Alta Incerteza: Decisões de exploração devem ser tomadas com controle geológico limitado.
• Dependência de Perfis: Perfis de poço são frequentemente a única fonte contínua de informações de alta resolução sobre a subsuperfície.
• Subjetividade: A interpretação tradicional depende fortemente de análise manual e subjetiva de perfis, o que carece de reprodutibilidade em ambientes com escassez de dados.

O problema central é como derivar unidades litológicas robustas e geologicamente significativas (eletrofácies) e estimativas de porosidade usando apenas perfis de poço padrão, sem dados de treinamento rotulados ou calibração por testemunhos.

2. Metodologia

Os autores desenvolveram um fluxo de trabalho de aprendizado de máquina não supervisionado totalmente reprodutível, aplicado ao Poço C na Bacia de Keta. O processo envolveu as seguintes etapas:

• Aquisição e Pré-processamento de Dados:

  • Conjunto de Dados: ~11.195 amostras indexadas por profundidade do Poço C (intervalo de profundidade: 1.358,34 m a 3.064,31 m).
  • Perfis de Entrada: Raios Gama (GR), Densidade de Bulk (RHOZ), Porosidade de Nêutron (NPHI), Sônico Compressional (DT), Fator Fotoelétrico (PEFZ) e Resistividade Profunda (AHT60).
  • Controle de Qualidade: Remoção de intervalos de lavagem do poço, triagem de outliers ($\pm3\sigma$) e normalização Z-score para garantir pesos iguais das variáveis.

• Estimativa de Porosidade:

  • Cálculo da Porosidade de Densidade ($\phi_D$) e Porosidade de Nêutron ($\phi_N$) usando pressupostos padrão de matriz de calcário ($\rho_{ma} = 2,71$ g/cm$^3$).
  • Cálculo de uma Porosidade Média ($\phi_{avg}$) para servir como um indicador petrofísico suavizado para validação, em vez de um alvo de previsão direta.

• Agrupamento Não Supervisionado (K-Means):

  • Aplicação de agrupamento K-means no espaço multivariado de perfis.
  • Seleção de $k$ (Clusters): Determinada usando o Método do Cotovelo (analisando a redução da inércia) e Análise de Silhueta (medindo a coesão e separação dos clusters).
  • $k$ Otimizado: Selecionado como 4 clusters com base em uma queda acentuada na inércia e um coeficiente médio de silhueta de ~0,50.

• Interpretação Geológica:

  • Tradução dos clusters estatísticos em Eletrofácies com base em padrões de resposta de perfis (ex.: GR alto + densidade baixa = folhelho; GR baixo + densidade alta = areia limpa).
  • Mapeamento dos clusters para um contínuo litológico: Folhelho $\rightarrow$ Folhelho Arenoso $\rightarrow$ Arenito Argiloso $\rightarrow$ Arenito Limpo.

3. Principais Contribuições

O artigo faz quatro contribuições primárias para o campo da análise de dados geocientíficos:

1. Primeira Aplicação: Fornece a primeira caracterização de eletrofácies documentada da Bacia Offshore de Keta usando aprendizado de máquina não supervisionado.
2. Framework Integrado: Integra com sucesso o cálculo de porosidade densidade-nêutron com agrupamento não supervisionado, criando um framework unificado para interpretação petrofísica e litológica conjunta.
3. Abordagem Híbrida: Combina diagnósticos de agrupamento quantitativos (inércia, silhueta) com raciocínio geológico para orientar a seleção e interpretação dos clusters, garantindo que os resultados sejam fisicamente significativos.
4. Fluxo de Trabalho Reprodutível: Estabelece um fluxo de trabalho não supervisionado baseado apenas em perfis, especificamente projetado para bacias de fronteira onde dados de testemunho estão indisponíveis, oferecendo uma alternativa transparente e econômica aos métodos tradicionais.

4. Resultados

• Desempenho de Agrupamento: O algoritmo K-means identificou com sucesso quatro eletrofácies distintas. O coeficiente médio de silhueta de 0,50 indicou separação moderada, mas significativa, confirmando que os clusters são estatisticamente coerentes, ao mesmo tempo que reconhecem a natureza transitória natural das formações geológicas.
• Contínuo Litológico: As eletrofácies resultantes formaram um padrão sistemático e contínuo em profundidade, representando um contínuo geológico de unidades dominadas por folhelho até unidades dominadas por arenito mais limpo.
• Correlação de Porosidade:
  • A porosidade geralmente diminuiu com a profundidade devido à compactação mecânica.
  • Intervalos de alta porosidade correlacionaram-se fortemente com eletrofácies caracterizadas por menor Raios Gama (areias mais limpas) e tempos de trânsito sônico mais curtos.
  • Intervalos de baixa porosidade alinharam-se com respostas altas de Raios Gama e altas respostas de nêutron (intervalos ricos em folhelho).
• Validação Visual: Gráficos de dispersão (GR vs. RHOZ, NPHI vs. DT, PEFZ vs. GR) mostraram clusters distintos e não sobrepostos com envelopes de densidade de kernel, confirmando que o agrupamento capturou modos dominantes nos dados, em vez de ruído aleatório.

5. Significado e Impacto

• Exploração de Bacias de Fronteira: O estudo demonstra que a caracterização confiável da subsuperfície é possível em ambientes com escassez de dados, sem dados caros de testemunho. Isso é crítico para avaliação em estágios iniciais em províncias de hidrocarbonetos emergentes como a Bacia de Keta.
• Redução de Subjetividade: Ao confiar em métricas quantitativas e algoritmos não supervisionados, o fluxo de trabalho minimiza o viés do intérprete, levando a resultados mais reprodutíveis.
• Escalabilidade: A metodologia é transferível para outras bacias offshore de fronteira globalmente, onde conjuntos similares de perfis de poço estão disponíveis, mas dados de testemunho são escassos.
• Potencial Futuro: Os autores propõem este fluxo de trabalho como base para futuros estudos integrados, incluindo análise de múltiplos poços e a integração de atributos sísmicos para mapear a continuidade lateral de eletrofácies.

Em conclusão, o artigo valida que o aprendizado de máquina não supervisionado é uma ferramenta robusta para extrair estrutura geológica de perfis de poço, fornecendo uma solução prática e econômica para avaliação de formações em ambientes de exploração desafiadores.