Previsão de Propriedades Elásticas e Petrofísicas por Meio da Inversão Bayesiana Sísmica e de Registros de Poço
Bayesian Linearized Inversion, Sparse-Spike Wavelet , Machine Learning, Petrophysics
Este estudo concentra-se em determinar as propriedades elásticas e petrofísicas (porosidade e saturação) do subsolo em uma escala sísmica. Ele aborda a incerteza inerente à modelagem de inversão sísmica usando a inversão bayesiana, uma técnica que leva em consideração a incerteza dos dados. O modelo linear desenvolvido por Buland e Omre é utilizado para a inversão bayesiana. A aprendizagem de máquina, a análise de sensibilidade dos dados do poço e a wavelet sísmica são integradas para melhorar a eficiência da Inversão Bayesiana Linearizada (IBL). Essa metodologia melhora a qualidade dos resultados de inversão em comparação com a abordagem convencional que utiliza a wavelet clássica tipo Ricker. A utilização tanto da wavelet Ricker quanto de uma wavelet obtida por deconvolução de picos esparsos dos dados sísmicos permite extrair e aprimorar informações elásticas e petrofísicas valiosas. A wavelet Ricker, usada inicialmente, oferece algumas informações sobre as propriedades do subsolo, apesar de apresentar nos resultados uma resolução vertical limitada. A wavelet de picos esparsos, nos resultados, mostra uma melhoria na resolução da determinação da porosidade vertical, sendo por isso que a aplicação desse método nos permite extrair dados mais completos sobre o comportamento das propriedades do subsolo, podendo aumentar significativamente a precisão da estimativa de porosidade. Os resultados indicam que a combinação dos processos de wavelet de picos esparsos e ILB é a abordagem mais eficiente para determinar $V_P$, $V_S$, $\rho$, assim como a porosidade/saturação de água e a qualidade da imagem. A wavelet fornece imagens de alta resolução que enriquecem a compreensão da estrutura geológica e das propriedades do reservatório. O método, como exemplo prático, foi aplicado nos dados sísmicos do campo de Norne no Mar do Norte.