Physics-Informed Explainable Machine Learning for Tight Sandstone Facies Prediction from Conventional Well Logs: A Blind-Well Comparative Study Krishna-Godavari Basin, INDIA

Profundamente sob a superfície da Terra, nas vastas bacias sedimentares que detêm a energia do mundo, os geólogos enfrentam um desafio persistente: encontrar petróleo e gás presos em rochas que se recusam a deixá-los fluir. Durante décadas, a exploração concentrou-se em reservatórios porosos, semelhantes a esponjas, onde os fluidos se movem facilmente. Hoje, à medida que esses alvos fáceis diminuem, a indústria volta sua atenção para reservatórios "compactos" (tight). Estas são formações rochosas onde os poros são tão pequenos e as conexões entre eles tão estreitas que o petróleo ou o gás ficam presos no lugar, exigindo enormes esforços de engenharia para serem extraídos. Identificar essas zonas compactas é difícil porque as ferramentas usadas para observar o subsolo — longas cordas de sensores baixadas em poços — frequentemente fornecem sinais confusos. Uma rocha que parece um bom reservatório em uma leitura de sensor pode ser, na verdade, um bloco denso e impermeável, e vice-ás. Essa ambiguidade torna difícil saber onde perfurar ou onde gastar milhões de dólares para fraturar a rocha e liberar a energia.

Na Bacia de Krishna-Godavari, na costa leste da Índia, um pesquisador enfrentou esse problema ensinando computadores a ver o que especialistas humanos têm dificuldade em distinguir. Eles se concentraram em um tipo específico de rocha chamado arenito compacto, que se encontra profundo no subsolo e é misturado com folhelho, siltito e areia limpa. O objetivo era criar um sistema que pudesse analisar dados padrão de sensores de um poço e prever com precisão qual tipo de rocha ele estava atravessando. Para fazer isso, eles não apenas alimentaram o computador com os números brutos dos sensores. Em vez disso, primeiro usaram as leis da física para transformar esses números brutos em novas descrições mais significativas do comportamento da rocha, como sua rigidez ou como ela resiste à compressão. Eles então treinaram diversos tipos diferentes de algoritmos de aprendizado para reconhecer os padrões desses tipos de rocha e testaram o sistema em poços que nunca haviam visto antes, para garantir que não estivessem apenas memorizando as respostas.

O pesquisador trabalhou com dados de cinco poços na bacia, três dos quais foram cuidadosamente rotulados por geólogos que sabiam exatamente qual tipo de rocha estava presente em cada profundidade. Os outros dois poços foram mantidos ocultos, servindo como um teste cego para ver se o computador conseguiria aplicar o que aprendeu a um novo local. O pesquisador comparou duas abordagens. A primeira abordagem utilizou apenas as medições padrão, como a radioatividade natural da rocha, sua resistência elétrica e a velocidade com que as ondas sonoras viajam através dela. A segunda abordagem pegou essas mesmas medições e adicionou uma camada de propriedades calculadas derivadas da física, como a capacidade da rocha de armazenar energia ou sua resistência à quebra. Eles testaram quatro modelos diferentes de aprendizado de máquina, incluindo métodos que constroem muitas árvores de decisão e outros que aprendem corrigindo seus próprios erros, para ver qual combinação funcionava melhor.

Os resultados mostraram uma diferença clara entre as duas abordagens. Quando os modelos dependiam apenas das leituras padrão dos sensores, conseguiam identificar os tipos de rocha com um sucesso moderado, alcançando uma precisão média de cerca de 66 a 68 por cento. Eles frequentemente confundiam rochas que pareciam semelhantes nos sensores, mas que eram diferentes. No entanto, quando os modelos receberam as descrições adicionais baseadas em física, seu desempenho saltou significativamente. A precisão média subiu para entre 81 e 84 por cento. Mais importante ainda, a capacidade de identificar corretamente as zonas específicas de "arenito compacto", que são as mais críticas e difíceis de encontrar, melhorou dramaticamente. Nos melhores casos, os modelos identificaram essas zonas compactas corretamente quase todas as vezes, com uma taxa de sucesso superior a 97 por cento. Esse aumento não foi uma flutuação casual; testes estatísticos confirmaram que o ganho foi real e consistente, sendo que a melhoria no desempenho foi tão grande que era altamente improvável que tivesse ocorrido por acaso.

Para entender por que a abordagem baseada em física funcionou tão bem, o pesquisador utilizou uma técnica que atua como um holofote, revelando quais pistas específicas o computador estava usando para tomar suas decisões. Eles descobriram que as leituras padrão dos sensores sozinhas eram frequentemente ambíguas, mas as propriedades calculadas forneciam um quadro mais claro da estrutura interna da rocha. Por exemplo, a rigidez da rocha e como ela respondia à pressão ajudavam a distinguir um arenito compacto e denso de um arenito limpo e poroso, mesmo quando suas leituras básicas de sensores eram quase idênticas. O estudo também desenvolveu uma forma de medir o quão confiante o computador estava em cada previsão. Quando os diferentes modelos discordavam entre si, ou quando a confiança era baixa, o sistema sinalizava essas seções para revisão humana. Isso cria uma rede de segurança, garantindo que os geólogos foquem sua atenção nas partes mais incertas do poço, em vez de confiar cegamente em um computador.

Este trabalho demonstra que combinar dados tradicionais de sensores com cálculos baseados em física cria um mapa muito mais confiável do mundo subterrâneo. Sugere que a chave para desbloquear esses reservatórios difíceis reside não apenas em melhores sensores, mas em melhores formas de interpretar os dados que esses sensores fornecem. Ao ensinar as máquinas a compreender as propriedades físicas da rocha, em vez de apenas os números brutos, a indústria pode fazer previsões mais precisas sobre onde o petróleo e o gás estão presos. O estudo conclui que este método é uma ferramenta poderosa para caracterizar esses reservatórios complexos, desde que os modelos sejam testados rigorosamente em novos poços para garantir que estão realmente aprendendo a geologia e não apenas memorizando os dados. As descobertas oferecem um caminho claro para a exploração das formações profundas e compactas que provavelmente alimentarão as necessidades energéticas nas próximas décadas.