Learning-Driven Autonomy Pipeline for Horizontal Wellbore Geology Prediction

Resumo Técnico: Pipeline de Autonomia Baseada em Aprendizado para Predição Geológica de Poços Horizontais

Definição do Problema
O geosteering de poços horizontais é um problema de tomada de decisão sequencial caracterizado pela incerteza geológica. Os operadores devem continuamente estimar a posição subsuperficial, a confiança litológica e o risco de direção usando medições em tempo real incompletas, ruidosas e heterogêneas. Essas entradas normalmente incluem profundidade medida (MD), coordenadas de trajetória, registros de raio gama (GR), superfícies de formação interpretadas e referências de poços-tipo (typewells). O desafio central reside em determinar se o poço permanece dentro de um intervalo alvo, se a resposta de GR observada é litologicamente consistente com a posição estratigráfica prevista e qual deve ser a próxima ação operacional (ex: continuar, desviar para cima/baixo ou manter a posição). Os métodos existentes frequentemente enfrentam dificuldades com a não unicidade das interpretações de GR, variações laterais de fácies e a necessidade de estimativas de incerteza calibradas para suportar uma lógica de direcionamento conservadora.

Metodologia
O artigo propõe um pipeline de autonomia híbrido entre física e aprendizado que integra regressão geométrica, calibração litológica, previsão de resíduos probabilística e fusão consciente de incerteza. O fluxo de trabalho é estruturado da seguinte forma:

1. Dados e Configuração: O estudo utiliza um conjunto de dados de poço horizontal (5.278 estações) e uma referência de poço-tipo (1.296 amostras). A tarefa de predição começa na primeira entrada ausente de Espessura Vertical Verdadeira (TVT) (Linha 1.442, MD = 12.009 ft), tratando os dados anteriores como um intervalo de calibração.
2. Backbone Determinístico (Regressão Ridge): Um modelo de regressão ridge é treinado em características geométricas (MD, coordenadas, inclinação, azimute, offsets de superfície de formação) para prever a TVT. Resultados empíricos indicam que este modelo linear é o preditor puro mais forte para o conjunto de dados, sugerindo que a TVT é controlada primordialmente pela geometria da trajetória.
3. Calibração Litológica (GR-Score): Para abordar a falta de confiança litológica nos modelos geométricos, o pipeline interpola a curva de GR do poço-tipo na TVT prevista. Um "GR-Score" é calculado como uma métrica de confiança suave baseada na diferença ao quadrado entre o GR do poço horizontal e o GR do poço-tipo interpolado, normalizada por um fator de escala ($s_{GR}=30$).
4. Previsão de Resíduos Probabilísticos (CVAE): Em vez de prever a TVT completa, um Autoencoder Variacional Condicional (CVAE) é treinado para prever os resíduos ($r_i = TVT_i - \widehat{TVT}_{ridge}$) e valores futuros de GR. Isso aproveita o forte baseline de ridge para focar o modelo de deep learning em desvios estruturados e incerteza.
5. Melhorias de Arquitetura:
   • Tokens Multimodais: As características são codificadas em modalidades de geometria, GR/log e estratigrafia, sendo então sumarizadas usando incorporações de média de kernel de Características de Fourier Aleatórias (RFF-KME) para capturar distribuições locais.
   • Atenção de Bloco-Esparsa Causal: O CVAE emprega um mecanismo de atenção de bloco-esparsa causal. Isso permite que o modelo atenda a blocos locais, blocos vizinhos e tokens globais, ao mesmo tempo em que evita o vazamento de dados futuros (data leakage), garantindo validade em tempo real e eficiência computacional ($O(LBd)$ vs. $O(L^2d)$).
6. Fusão Consciente de Incerteza: Uma camada de fusão combina as predições da regressão ridge, baselines de conjuntos de árvores (Random Forest, Extra Trees, Gradient Boosting) e o resíduo CVAE. Pesos são atribuídos com base na confiabilidade de validação (RMSE inverso) e na dispersão do modelo. A estimativa de incerteza final é inflada com base na escala do resíduo, dispersão do modelo, variabilidade de GR e incompatibilidade do GR-score.
7. Lógica de Direcionamento: A saída final inclui uma estimativa de TVT fundida, um intervalo de predição de 90%, uma camada prevista, uma probabilidade de favorabilidade e uma recomendação de direcionamento. As decisões tornam-se conservadoras (ex: manter a posição ou adquirir mais dados) quando o GR-score é baixo ou a incerteza da TVT é alta.

Principais Contribuições
O artigo delineia seis contribuições primárias:

1. Um pipeline de autonomia completo integrando regressão geométrica, calibração litológica, previsão de resíduos probabilística e diagnósticos de direcionamento.
2. Uma formulação de GR-score fornecendo um sinal de confiança litológica suave ao comparar o GR do poço horizontal com o GR do poço-tipo interpolado na TVT prevista.
3. Uma formulação de CVAE de resíduos onde o modelo profundo prevê correções para um baseline de ridge, em vez do sinal completo, melhorando a estabilidade e generalização.
4. Um design de atenção de bloco-esparsa causal que oferece agregação de contexto local-para-global interpretável, mantendo a segurança em tempo real.
5. Um esquema de fusão local consciente de incerteza que combina dinamicamente a confiabilidade do modelo, dispersão e métricas de qualidade de dados.
6. Um conjunto abrangente de simulações diagnósticas e gráficos validando a predição de TVT, diagnóstico de resíduos, calibração de incerteza e evolução de estado de fácies.

Resultados
A avaliação empírica no conjunto de dados fornecido produz as seguintes descobertas:

• Dominância da Regressão Ridge: A regressão ridge alcançou o menor Erro Quadrático Médio (RMSE) de aproximadamente 0,59 ft e um $R^2$ de 0,9867 para a predição pura de TVT. Em contraste, métodos de conjuntos de árvores (Random Forest, Gradient Boosting) tiveram desempenho significativamente inferior, com valores de $R^2$ negativos, indicando baixa capacidade de extrapolação no intervalo de predição futura.
• Aprendizado de Resíduos: O CVAE de resíduos conseguiu modelar desvios estruturados em torno do baseline de ridge, superando abordagens de CVAE de TV completa.
• Calibração de Incerteza: O framework de fusão gerou com sucesso intervalos de incerteza que correlacionaram com os erros observados. A análise confirmou que alta incerteza de TVT frequentemente coincide com baixo GR-score (incompatibilidade litológica), validando a necessidade de interpretação conjunta.
• Diagnósticos de Direcionamento: O sistema identificou efetivamente intervalos de mudanças persistentes de fácies e ambiguidades de fronteira através de verificações de rolling GR-score e consistência de resíduos, disparando recomendações de direcionamento conservadoras em zonas de alto risco.

Significância e Alegações
O artigo afirma que o framework proposto fornece uma base prática para sistemas de geosteering autônomos. Sua significância reside em ir além da simples estimativa de posição para uma estimativa de estado holística que inclui:

• Incerteza Interpretável: Fornecendo não apenas uma estimativa pontual, mas um intervalo de confiança calibrado derivado de múltiplas fontes de erro.
• Consistência Litológica: Quantificando explicitamente o acordo entre logs observados e expectativas geológicas via GR-score.
• Suporte à Decisão Conservadora: Permitindo uma lógica de direcionamento que se adapta à incerteza, reduzindo o risco de sair da zona alvo durante a perfuração.

Os autores enfatizam que, embora a regressão ridge seja o backbone geométrico ideal, ela é insuficiente para a autonomia sem as camadas adicionais de confiança litológica e modelagem de resíduos probabilísticos. A arquitetura proposta equilibra a estabilidade da geometria informada pela física com a flexibilidade do deep learning para correção de resíduos e quantificação de incerteza. Trabalhos futuros sugeridos pelos autores incluem a validação em conjuntos de dados de múltiplos poços, incorporação de embeddings de poços e o uso de métodos bayesianos ou conformes para maior calibração de incerteza.