Desenvolvimento de Técnicas de Machine Learning para Identificação de Fácies, a partir de Tomografia de Raios X de Rochas Carbonáticas, em Multiescala, para Análise de Escoamento de Fluidos

Hub Digital   →  LAMCE   →  Desenvolvimento de Técnicas de Machine Learning para Identificação de Fácies, a partir de Tomografia de Raios X de Rochas Carbonáticas, em Multiescala, para Análise de Escoamento de Fluidos

PROJETO


  • Título Desenvolvimento de Técnicas de Machine Learning para Identificação de Fácies, a partir de Tomografia de Raios X de Rochas Carbonáticas, em Multiescala, para Análise de Escoamento de Fluidos
  • Laboratório LAMCE
  • Coordenador Alexandre G. Evsukoff
  • Início 2018
  • Término 2021
  • Status Concluído (com continuação)
  • Financiador Petrobras

Resumo

O objetivo deste projeto é o desenvolvimento de novas técnicas de segmentação de volumes de imagens 3D de tomografia digital de rocha, de tal forma a permitir a identificação de fases homogêneas em amostras de testemunhos (whole core) ou plugs (core plug).

Serão desenvolvidos e avaliados diversos algoritmos de machine learning para segmentação de volumes 3D cujos resultados serão utilizados como base para a modelagem da geometria do modelo numérico de simulação de fluxo. Propriedades extraídas de cada fase identificada na amostra serão utilizadas para o upscaling do modelo.

O resultado da simulação, com base na geometria identificada pelo algoritmo de segmentação, será comparado com o resultado experimental de permeabilidade absoluta da amostra. Desta forma pode-se comparar os resultados dos algoritmos avaliados, fornecendo subsídios para o aprimoramento e automatização do processo de análise de TC de rochas.

Resultados

  1. ANJOS, C. E. M.; AVILA, M. R. V.; PAZ DE VASCONCELOS, A. G.; MEDEIROS, L. C; EVSUKOFF, A. G.; SURMAS, R.; LANDAU, L. Deep learning for lithological facies classification of carbonate rock micro-CT images. Computational Geosciences, 2021.
    https://doi.org/10.1007/s10596-021-10033-6
LAMCE

PROJETOS RELACIONADOS