Predição entre poços por aprendizado de máquina de registros sônicos em Newfoundland e Labrador

Ouvindo as Rochas Sem Microfone

Companhias de óleo e gás dependem de ferramentas acústicas “sônicas” para ouvir como ondas sonoras se propagam pelas rochas subterrâneas. Essas medidas detalhadas ajudam engenheiros a avaliar a resistência das rochas, planejar poços seguros e correlacionar dados de perfuração com levantamentos sísmicos. Mas ferramentas sônicas são caras, podem retardar as operações e às vezes não podem ser usadas. Este estudo mostra como aprendizado de máquina pode reconstruir informações sônicas a partir de medições mais baratas e rotineiras, oferecendo uma forma de “ouvir” o subsolo mesmo quando o microfone está ausente.

Por que Prever Dados Sônicos Importa

Na perfuração offshore, os operadores registram muitos tipos de logs de poço: radioatividade natural, velocidade de perfuração, vazão de bomba, peso sobre a broca e mais. Registros sônicos são especiais porque revelam quão rápido o som viaja pela rocha, uma entrada chave para estimar rigidez da rocha, pressão e tensões. Quando ferramentas sônicas não estão disponíveis, os engenheiros precisam trabalhar com lacunas ou confiar em regras empíricas grosseiras. Ao usar aprendizado de máquina para transformar logs não sônicos comuns em curvas “pseudo-sônicas” precisas, as empresas podem reduzir custos de aquisição de dados, preencher trechos faltantes e ainda tomar decisões informadas sobre estabilidade do poço e comportamento do reservatório.

Uma Receita Cautelosa para Evitar Trapaças

Os autores trabalharam com dados de dois poços offshore em Newfoundland e Labrador. Para cada profundidade, tentaram prever a lentidão compressional (uma forma de expressar quanto tempo uma onda sonora leva para atravessar a rocha) usando apenas medições não sônicas. Crucialmente, proibiram qualquer entrada que usasse direta ou indiretamente dados sônicos, como propriedades elásticas derivadas. Também construíram atributos usando apenas informação da mesma profundidade ou de profundidades mais rasas, imitando a perfuração em tempo real onde o futuro é desconhecido. Valores discrepantes nas leituras dos sensores foram identificados usando estatísticas de apenas um poço “de treinamento” e então tratados da mesma forma em ambos os poços, garantindo que os modelos não pudessem aprender silenciosamente com os dados de teste. Todas as escolhas de escalonamento e de atributos também foram fixadas no poço de treinamento antes de serem aplicadas, inalteradas, ao outro poço.

Transformando Logs Brutos em Sinais Aprendíveis

Simplesmente alimentar logs brutos a um algoritmo raramente é suficiente. A equipe projetou um conjunto rico de atributos sensíveis à profundidade: acompanharam como cada log mudava com a profundidade, suavizaram sinais ruidosos em várias escalas e calcularam inclinações e curvaturas que destacam tendências locais. Também expressaram a profundidade em relação a segmentos do furo, capturando padrões que se repetem quando o diâmetro da broca muda. Para evitar que os modelos fossem sobrecarregados, ranquearam atributos usando três métodos diferentes e combinaram os rankings em uma única lista ordenada. Um grupo compacto dos atributos mais informativos foi então escolhido usando uma divisão com consciência temporal dentro do poço de treinamento, de modo que o próprio processo respeitasse a ordenação natural com a profundidade.

Modelos Baseados em Árvores Superam Deep Learning

O estudo comparou três tipos de modelos: Random Forests, XGBoost (um método popular de gradient boosting) e redes neurais LSTM bidirecionais, frequentemente usadas para dados sequenciais. Cada modelo foi treinado em um poço e testado às cegas no outro, um esquema exigente que expõe diferenças entre poços em intervalo de profundidade, condições de operação e tipos de rocha. Sob esse teste, o XGBoost teve o melhor desempenho, alcançando alta concordância entre os logs sônicos previstos e medidos quando treinado no primeiro poço e aplicado ao segundo. Random Forests ficaram logo atrás e às vezes foram mais estáveis em zonas ruidosas. Redes LSTM, apesar da complexidade, ficaram atrás em precisão e robustez, provavelmente porque havia apenas dois poços e os dados variavam fortemente com a profundidade — condições que não favorecem grandes redes neurais.

O que Impulsiona a Acurácia e Onde Isso Ajuda

Ao ligar e desligar diferentes partes do pré-processamento, os autores mostraram que a geração e seleção inteligente de atributos fez a maior diferença no desempenho, mais do que simplesmente adicionar janelas de histórico mais longas ou filtragem básica de outliers. Quando esses passos foram incluídos, ambos os modelos baseados em árvores generalizaram muito melhor entre poços. Os pseudo-logs sônicos resultantes foram precisos o suficiente para apoiar tarefas subsequentes, como estimar rigidez da rocha, modelar pressão de poros e tensões, calibrar dados sísmicos e planejar poços em zonas onde medições sônicas diretas estão faltando, atrasadas ou pouco confiáveis. Como todas as transformações são fixadas em um poço de referência e depois reutilizadas, o fluxo de trabalho pode operar quase em tempo real durante a perfuração.

Mensagem Principal para Não Especialistas

Este trabalho demonstra que, com tratamento disciplinado dos dados e modelos de aprendizado de máquina bem escolhidos, é possível recriar informações sônicas de alto valor a partir de canais de perfuração e registro mais baratos em um novo poço que o modelo nunca viu. A abordagem não substitui ferramentas sônicas dedicadas, especialmente onde margens de segurança são estreitas, mas oferece uma solução prática e econômica de reserva, bem como uma checagem de qualidade quando os dados medidos parecem suspeitos. À medida que mais poços e regiões são adicionados e modelos mais recentes são testados sob as mesmas regras estritas, esse tipo de predição entre poços pode se tornar parte padrão do kit digital para uma perfuração offshore mais segura e eficiente.

Citação: Zare, B., Huque, M.M., James, L.A. et al. Cross-well machine learning prediction of sonic logs in Newfoundland and Labrador. Sci Rep 16, 5292 (2026). https://doi.org/10.1038/s41598-026-36053-9

Palavras-chave: aprendizado de máquina, registros sônicos, registro de poços, perfuração offshore, caracterização de reservatório