Candidato: Roberto Miele

Título da tese: "Geostatistical Learning for Seismic Subsurface Characterization"

Data: 21 de junho de 2024

Local: Anfiteatro PA-3 (Piso -1 do Pavilhão de Matemática)

Orientadores Científicos: Prof. Leonardo Azevedo, Prof. Amílcar Soares, Prof. Daria Gana

Resumo:

A inversão probabilística de dados de reflexão sísmica é fundamental para prever a distribuição espacial das propriedades petro-elásticas e fácies na sub-superfície e a relativa incerteza, em tarefas de exploração energética e monitorização ambiental. A plausibilidade geológica e a precisão das previsões dependem largamente da física das rochas adoptada para ligar os domínios rochoso e elástico. Entretanto, estes modelos não podem ser utilizados diretamente para a caraterização da permeabilidade, uma vez que podem representr approximações irrealistas da realidade. Além disso, os métodos convencionais de inversão geoestatística não dispõem de meios para quantificar a incerteza associada a estes modelos, o que conduz a previsões parciais e a uma incerteza mal representada. 

Esta tese propõe duas abordagens de inversão geoestatística iterativa para resolver estas questões. A primeira aborda a incerteza da física das rochas através da integração e exploração do erro de calibração, estimado na localização do poço. A segunda restringe as previsões de permeabilidade geoestatística utilizando simultaneamente a similaridade dos dados sísmicos e informações baseada na física das rochas na atualização da perturbações do modelo. 

Este trabalho também explora soluções baseadas na aprendizagem profunda para a modelação inversa estocástica, superando os desafios da quantificação da incerteza e do custo computacional ao fim de melhorar a eficiência e a qualidade da previsão de fácies. Duas redes neurais, variational autoencoder e generative adversarial network, são propostos para as previsões de fácies e correspondente impedância acústica. Eficiencia e precisão dos métodos em inversão simsica são demonstrados usando tecnicas de inferência avançadas. O trabalho propõe ainda uma generative adversarial network para a modelação inversa de distribuições fácies numa única fase de treino, evitando a complexidade das abordagens em dois passos convencionais. 

Todas as metodologias propostas são demonstradas em aplicações sintéticas e reais e comparadas com métodos de base. Os resultados mostram que os métodos propostos melhoram a precisão da previsão da inversão e a quantificação da incerteza, superando as metodologias de referência.