Submitted by Cleide Dantas (cleidedantas@ufpa.br) on 2014-05-21T15:39:26Z No. of bitstreams: 2 license_rdf: 23898 bytes, checksum: e363e809996cf46ada20da1accfcd9c7 (MD5) Tese_ImageamentoPorosidadePerfis.pdf: 1768673 bytes, checksum: ba48f09908920b586e020f6650adeb26 (MD5) / Rejected by Irvana Coutinho (irvana@ufpa.br), reason: Indexar os assuntos on 2014-08-07T16:15:33Z (GMT) / Submitted by Cleide Dantas (cleidedantas@ufpa.br) on 2014-08-12T15:24:10Z No. of bitstreams: 2 license_rdf: 23898 bytes, checksum: e363e809996cf46ada20da1accfcd9c7 (MD5) Tese_ImageamentoPorosidadePerfis.pdf: 1768673 bytes, checksum: ba48f09908920b586e020f6650adeb26 (MD5) / Approved for entry into archive by Ana Rosa Silva (arosa@ufpa.br) on 2014-09-18T12:47:37Z (GMT) No. of bitstreams: 2 license_rdf: 23898 bytes, checksum: e363e809996cf46ada20da1accfcd9c7 (MD5) Tese_ImageamentoPorosidadePerfis.pdf: 1768673 bytes, checksum: ba48f09908920b586e020f6650adeb26 (MD5) / Made available in DSpace on 2014-09-18T12:47:37Z (GMT). No. of bitstreams: 2 license_rdf: 23898 bytes, checksum: e363e809996cf46ada20da1accfcd9c7 (MD5) Tese_ImageamentoPorosidadePerfis.pdf: 1768673 bytes, checksum: ba48f09908920b586e020f6650adeb26 (MD5) Previous issue date: 2004 / CNPq - Conselho Nacional de Desenvolvimento Científico e Tecnológico / O imageamento da porosidade é uma representação gráfica da distribuição lateral da porosidade da rocha, estimada a partir de dados de perfis geofísicos de poço. Apresenta-se aqui uma metodologia para produzir esta imagem geológica, totalmente independente da intervenção do intérprete, através de um algoritmo, dito, interpretativo baseado em dois tipos de redes neurais artificiais. A primeira parte do algoritmo baseia-se em uma rede neural com camada competitiva e é construído para realizar uma interpretação automática do clássico gráfico o Pb - ΦN, produzindo um zoneamento do perfil e a estimativa da porosidade. A segunda parte baseia-se em uma rede neural com função de base radial, projetado para realizar uma integração espacial dos dados, a qual pode ser dividida em duas etapas. A primeira etapa refere-se à correlação de perfis de poço e a segunda à produção de uma estimativa da distribuição lateral da porosidade. Esta metodologia ajudará o intérprete na definição do modelo geológico do reservatório e, talvez o mais importante, o ajudará a desenvolver de um modo mais eficiente as estratégias para o desenvolvimento dos campos de óleo e gás. Os resultados ou as imagens da porosidade são bastante similares às seções geológicas convencionais, especialmente em um ambiente deposicional simples dominado por clásticos, onde um mapa de cores, escalonado em unidades de porosidade aparente para as argilas e efetiva para os arenitos, mostra a variação da porosidade e a disposição geométrica das camadas geológicas ao longo da seção. Esta metodologia é aplicada em dados reais da Formação Lagunillas, na Bacia do Lago Maracaibo, Venezuela. / Porosity images are graphical representations of the lateral distribution of rock porosity estimated from well log data. We present a methodology to produce this geological image entirely independent of interpreter intervention, with an interpretative algorithm approach, which is based on two types of artificial neural networks. The first is based on neural competitive layer and is constructed to perform an automatic interpretation of the classical Pb - ΦN cross-plot, which produces the log zonation and porosity estimation. The second is a feed-forward neural network with radial basis function designed to perform a spatial data integration, which can be divided in two steps. The first refers to well log correlation and the second produces the estimation of lateral porosity distribution. This methodology should aid the interpreter in defining the reservoir geological model, and, perhaps more importantly, it should help him to efficiently develop strategies for oil or gas field development. The results or porosity images are very similar to conventional geological cross-sections, especially in a depositional setting dominated by clastics, where a color map scaled in porosity units illustrates the porosity distribution and the geometric disposition of geological layers along the section. The methodology is applied over actual well log data from the Lagunillas Formation, in the Lake Maracaibo basin, located in western Venezuela.

Submitted by Cleide Dantas (cleidedantas@ufpa.br) on 2014-06-18T13:42:59Z No. of bitstreams: 2 license_rdf: 23898 bytes, checksum: e363e809996cf46ada20da1accfcd9c7 (MD5) Dissertacao_DeterminacaoAutomaticaPorosidade.pdf: 6721114 bytes, checksum: 636e5ecfceedde99b94dc2dbdcd9d4bb (MD5) / Rejected by Irvana Coutinho (irvana@ufpa.br), reason: Incluir palavras-chave on 2014-08-07T14:19:10Z (GMT) / Submitted by Cleide Dantas (cleidedantas@ufpa.br) on 2014-08-28T16:45:05Z No. of bitstreams: 2 license_rdf: 23898 bytes, checksum: e363e809996cf46ada20da1accfcd9c7 (MD5) Dissertacao_DeterminacaoAutomaticaPorosidade.pdf: 6721114 bytes, checksum: 636e5ecfceedde99b94dc2dbdcd9d4bb (MD5) / Approved for entry into archive by Ana Rosa Silva (arosa@ufpa.br) on 2014-09-19T13:43:23Z (GMT) No. of bitstreams: 2 license_rdf: 23898 bytes, checksum: e363e809996cf46ada20da1accfcd9c7 (MD5) Dissertacao_DeterminacaoAutomaticaPorosidade.pdf: 6721114 bytes, checksum: 636e5ecfceedde99b94dc2dbdcd9d4bb (MD5) / Made available in DSpace on 2014-09-19T13:43:23Z (GMT). No. of bitstreams: 2 license_rdf: 23898 bytes, checksum: e363e809996cf46ada20da1accfcd9c7 (MD5) Dissertacao_DeterminacaoAutomaticaPorosidade.pdf: 6721114 bytes, checksum: 636e5ecfceedde99b94dc2dbdcd9d4bb (MD5) Previous issue date: 2000 / CNPq - Conselho Nacional de Desenvolvimento Científico e Tecnológico / Duas das mais importantes atividades da interpretação de perfis para avaliação de reservatórios de hidrocarbonetos são o zoneamento do perfil (log zonation) e o cálculo da porosidade efetiva das rochas atravessadas pelo poço. O zoneamento é a interpretação visual do perfil para identificação das camadas reservatório e, consequentemente, dos seus limites verticais, ou seja, é a separação formal do perfil em rochas reservatório e rochas selante. Todo procedimento de zoneamento é realizado de forma manual, valendo-se do conhecimento geológico-geofísico e da experiência do intérprete, na avaliação visual dos padrões (características da curva do perfil representativa de um evento geológico) correspondentes a cada tipo litológico específico. O cálculo da porosidade efetiva combina tanto uma atividade visual, na identificação dos pontos representativos de uma particular rocha reservatório no perfil, como a escolha adequada da equação petrofísica que relaciona as propriedades físicas mensuradas da rocha com sua porosidade. A partir do conhecimento da porosidade, será estabelecido o volume eventualmente ocupado por hidrocarboneto. Esta atividade, essencial para a qualificação de reservatórios, requer muito do conhecimento e da experiência do intérprete de perfil para a efetiva avaliação da porosidade efetiva, ou seja, a porosidade da rocha reservatório, isenta do efeito da argila sobre a medida das propriedades físicas da mesma. Uma forma eficiente de automatizar estes procedimentos e auxiliar o geofísico de poço nestas atividades, que particularmente demandam grande dispêndio de tempo, é apresentado nesta dissertação, na forma de um novo perfil, derivado dos perfis tradicionais de porosidade, que apresenta diretamente o zoneamento. Pode-se destacar neste novo perfil as profundidades do topo e da base das rochas reservatório e das rochas selante, escalonado na forma de porosidade efetiva, denominado perfil de porosidade efetiva zoneado. A obtenção do perfil de porosidade efetiva zoneado é baseado no projeto e execução de várias arquiteturas de rede neural artificial, do tipo direta, com treinamento não supervisionado e contendo uma camada de neurônios artificiais, do tipo competitivo. Estas arquiteturas são projetadas de modo a simular o comportamento do intérprete de perfil, quando da utilização do gráfico densidade-neutrônico, para as situações de aplicabilidade do modelo arenito-folhelho. A aplicabilidade e limitações desta metodologia são avaliadas diretamente sobre dados reais, oriundos da bacia do Lago Maracaibo (Venezuela). / Two of the most important activities of log interpretation, for the evaluation of hydrocarbon reservoirs are the log zonation and the effective porosity calculation of the rocks crossed by the well. The log zonation is the visual log interpretation for the identification, in depth, of the reservoir layers and its vertical limits, that is to say, it is the formal separation in reservoir rocks and non reservoir rocks (shales). The log zonation procedure is accomplished in a manual way, being been worth of the geologic and geophysical knowledge, and of the experience of the log analyst, in the visual evaluation of the curve patterns (log characteristics) corresponding to each specific rock type. The calculation of the effective porosity (porosity of the rock reservoir corrected by clay effects), combines a visual activity so much in the identification of the representative points of a reservoir rock in the log, as well as the adapted choice of the petrophysics equation, that relates the physical properties of the rock to the porosity. Starting from the knowledge of the porosity, the hydrocarbon volume will be established. This activity, essential for the reservoirs qualification, requests a lot of the knowledge and of the experience of the log analyst, for the effective porosity evaluation. An efficient form of automating these procedures and assistant the log analyst, in these activities, that particularly demand a great expenditure of time, is presented in this dissertation, in the form of a new log, derived of the traditional porosity logs, that presents the log zonation, highlighting the top and base depths of the occurrences of reservoir rocks, and non reservoir rocks, scaled in form of effective porosity, called here, as "zoning effective porosity log". The obtaining of the zoning effective porosity log, is based on the project and execution of several architectures of artificial neural feedforward networks, with not supervised training, and contends a layer of artificial competitive neurons. Projected in way to simulate the behavior of the log analyst, when he uses the neutron-density chart, for the situations of applicability of the shale-sandstone model. The applicability and limitations of this methodology will be appraised on real data, originated from of Lago Maracaibo's basin (Venezuela).