The characteristics of natural open fractures in acoustic borehole image logs from the pre-salt Barra Velha formation, Santos Basin, Brazil

Wennberg, Ole Petter; Ramalho, F. De Oliveira; Mafia, M.; Lapponi, F.; Chandler, A. S.; Cartesio, L.E. Gomis; Hunt, David

doi:10.1016/j.jsg.2023.104794

Cited by 9 publications

(4 citation statements)

References 37 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…(b) resultado obtido no programa Figura 7. Da esquerda para a direita: 1) registro mineral (registro ECS), 2) profundidade medida, 3) Gráfico cilíndrico dos raios do poço do BHI acústico com BHI acústico dinâmico sobreposto, 4) Gráfico de raios, 5) BHI acústico normalizado estático, 6) BHI normalizado dinâmico com interpretação de estratificação e fraturas representadas por sinusóides, 7) Orientação de superfícies geológicas interpretadas representadas na trilha de girino, a legenda está abaixo, 8) Intensidade de fratura P21, 9) imagem segmentada para vugs, azul é vugs/fraturas vuggy e amarelo é matriz, 10) Fração vug estimada (a); extraído de Wennberg (2023). Resultado obtido destacando as fraturas da coluna 5 e 6 (a).…”

Section: Resultsunclassified

“…Na Figura 7, observa-se uma visão geral dos principais dados utilizados e interpretações derivadas. Na Figura 7a, coluna 9, o autor (Wennberg et al, 2023), obteve um resultado aproximado como a resolução obtida no programa em Python desenvolvida pela autora. Consegue-se notar semelhanças entre ambas as figuras, identificando as fraturas expostas de baixa amplitude, a orientação principal das fraturas é na mesma direção da tendência de falha dominante, e isso indica um controle estrutural na formação de fraturas (Wennberg et al, 2023).…”

Section: Resultsunclassified

See 1 more Smart Citation

Elaboração da interpretação automática de fraturas nos perfis de imagem utilizando a Inteligência Artificial

Almeida Conrado,

Gomes dos Santos Ribeiro

2023

Lat. Am. J. Energy Res.

View full text Add to dashboard Cite

A Inteligência Artificial (IA) é uma abordagem de processamento de dados que utiliza análise de informações, detecção de padrões e prognósticos com pouca intervenção humana. O campo da IA abrange diversos subconjuntos, com destaque para o aprendizado de máquina (Machine Learning - ML), que possui grande potencial na indústria de petróleo e gás, especialmente na análise e interpretação de dados. Algoritmos de ML, como Support Vector Machine (SVM), Redes Neurais Artificiais (RNA), Deep Learning (DL) e Algoritmos Genéticos (AG), têm sido aplicados com sucesso na indústria petrolífera. A indústria de petróleo enfrenta desafios tecnológicos significativos, dada a sua complexidade. A análise de formação geológica por meio de perfilagem é crucial para melhorar a avaliação das formações rochosas, minimizar danos e reduzir custos na perfuração de poços. Além disso, a identificação de fraturas naturais e induzidas é fundamental para entender os reservatórios, especialmente os não inoportunos. O estudo das fraturas pode ser dividido em aspectos qualitativos e quantitativos, que envolve a identificação e a análise detalhada das fraturas nos reservatórios. A IA, especialmente o ML, pode ser aplicada para analisar a geometria, orientação, densidade e complexidade das fraturas, classificando-as em diferentes tipos, como fraturas induzidas e naturais. O objetivo deste estudo consiste em automatizar a interpretação de falhas em perfis de imagem por meio do uso de Inteligência Artificial, aprimorando a eficiência, a precisão e a velocidade desse procedimento. A linguagem de programação Python e a ferramenta Jupyter Notebook foram utilizadas para desenvolver o programa de IA. Foram coletados dados e imagens, que foram processados e analisados usando bibliotecas como OpenCV, Numpy e Sklearn.svm. Os resultados obtidos demonstram a eficácia da IA na identificação de fraturas em diferentes tipos de perfis de imagem, incluindo imagens acústicas, de resistividade, e de outras ferramentas de perfilagem. A Inteligência Artificial conseguiu identificar com precisão fraturas naturais, fraturas de baixa amplitude, fraturas internas e outros eventos geológicos. No entanto, o sucesso da IA depende da qualidade e quantidade dos dados de treinamento, e desafios como a complexidade geológica e a resolução das imagens ainda precisam ser superados. A aplicação da IA na interpretação automática de fraturas em imagens na indústria de petróleo oferece melhorias significativas na eficiência e rapidez do processo, contribuindo para a compreensão das características das formações rochosas.

show abstract

Section: Resultsunclassified

Elaboração da interpretação automática de fraturas nos perfis de imagem utilizando a Inteligência Artificial

Almeida Conrado,

Gomes dos Santos Ribeiro

2023

Lat. Am. J. Energy Res.

View full text Add to dashboard Cite

show abstract

“…Currently, the production of tight oil in North America accounts for nearly 50%, reaching 4.67 × 10 8 t [1][2][3]. The theoretically recoverable resources for China's tight oil resources can reach (20)(21)(22)(23)(24)(25) × 10 8 t. In China's major oilfields, tight oil has emerged as a significant alternative resource for boosting reserves and production [4][5][6]. Glutenite reservoirs, a typical type of tight oil reservoir, have emerged as a significant new field in oil and gas exploration in recent years, and they are widely distributed in China's Tarim Basin, Junggar Basin, and Bohai Bay Basin.…”

Section: Introductionmentioning

confidence: 99%

“…Due to the shielding effect and the potential for core fractures caused by high mercury injection pressure, HPMI may underestimate the size of big pores. The limitation of injection mercury pressure prevents CSMI from testing throats (<0.1 m), although it can discriminate pores and throats by detecting pressure changes [21][22][23]. The pore types and morphologies of cores can be directly observed with CTS and SEM, but fail to obtain quantitative pore data.…”

Section: Introductionmentioning

confidence: 99%

Study on the Quantitative Characterization and Heterogeneity of Pore Structure in Deep Ultra-High Pressure Tight Glutenite Reservoirs

Yang

Yang³

et al. 2023

Minerals

View full text Add to dashboard Cite

The precise characterization of a tight glutenite reservoir’s microscopic pore structure is essential for its efficient development. However, it is difficult to accurately evaluate using a single method, and its microscopic heterogeneity is not fully understood. In this study, a combination of X-ray diffraction, casting thin section observations, scanning electron microscopy, high-pressure mercury injection, constant-speed mercury injection, X-ray computed tomography, and the advanced mathematical algorithms in the AVIZO 8.0 visualization software was used to construct the three-dimensional digital core of a glutenite reservoir at the study site, and the parameters of the pore network model were extracted. The overall microscopic pore structure characteristics were quantitatively investigated from multiple scales. Based on this, the mineral quantitative evaluation system (QEMSCAN) examined the microscopic heterogeneity of the glutenite reservoir and its impact on seepage. The results show that the glutenite reservoir in the study block can be classified into three categories based on lithology and capillary pressure curve characteristics. The type I reservoir samples have large and wide pore throats, low threshold pressure, and high reservoir quality; type Ⅱ reservoir samples are characterized by medium-sized pore throat, medium threshold pressure, and moderate reservoir quality; and the small and narrow pore throat, high threshold pressure, and poor reservoir quality are characteristics of type III reservoir samples. The various pore throat types and mineral distributions are due to the differences in dissolution, compaction, and cementation. The continuous sheet pores have good connectivity, which is related to the interconnection of primary intergranular pores and strip fractures, while the connectivity of isolated pores is significantly poor, which is related to the development of intragranular dissolved pores and intercrystalline pores. This suggests the deterioration of physical properties and pore throat connectivity, reduced average pore radius, and decreased pore sorting as decreasing permeability. The tight glutenite pores range in size from 5 nm to 80 μm and primarily feature Gaussian and bimodal distribution patterns, and submicron–micron pores contribute more to seepage. The effective pores were found to be attributed to the slowing effect of abnormally high pressure on the vertical stress, and the protective effect was positively correlated with the high-pressure strength. Notably, there is strong microscopic heterogeneity in the distribution of the reservoir matrix minerals and the pore throat size. As a result, the injected fluid easily flows along the preferential seepage channel with pore development and connectivity. This study provides new insights into the exploration and development of similar tight reservoirs.

show abstract

Fracture density reconstruction using direct sampling multiple-point statistics and extreme value theory

Tanaka,

Renard,

Straubhaar

2024

Applied Computing and Geosciences

View full text Add to dashboard Cite

The characteristics of natural open fractures in acoustic borehole image logs from the pre-salt Barra Velha formation, Santos Basin, Brazil

Cited by 9 publications

References 37 publications

Elaboração da interpretação automática de fraturas nos perfis de imagem utilizando a Inteligência Artificial

Elaboração da interpretação automática de fraturas nos perfis de imagem utilizando a Inteligência Artificial

Study on the Quantitative Characterization and Heterogeneity of Pore Structure in Deep Ultra-High Pressure Tight Glutenite Reservoirs

Fracture density reconstruction using direct sampling multiple-point statistics and extreme value theory

Contact Info

Product

Resources

About