Previsão de curvas de pressão capilar de drenagem em meios porosos naturais por relaxometria NMR-T2: implicações para o armazenamento de CO2

Por que esta pesquisa importa para soluções climáticas

Armazenar dióxido de carbono em profundidade é uma das poucas ferramentas que temos para desacelerar as mudanças climáticas enquanto fazemos a transição para além dos combustíveis fósseis. Mas, antes que os engenheiros possam injetar CO2 com segurança em rochas a um quilômetro ou mais abaixo da superfície, é preciso garantir que essas rochas — e, crucialmente, as camadas selantes acima delas — consigam manter o gás confinado por séculos. Este estudo apresenta uma nova forma de prever quão bem diferentes rochas podem aprisionar CO2 usando uma varredura magnética rápida e não destrutiva em vez de testes lentos e tóxicos com mercúrio.

Como as rochas retêm e aprisionam fluidos subterrâneos

No subsolo profundo, as rochas não são blocos sólidos; elas são atravessadas por poros e canais minúsculos que podem conter água, óleo, gás ou CO2 injetado. Se o CO2 permanece no lugar ou escapa para cima depende de quão facilmente ele consegue passar por essas passagens estreitas. Esse comportamento é descrito por curvas de “pressão capilar”, que relacionam quanto de uma rocha está preenchida por um fluido não molhante (como CO2 ou mercúrio) a uma dada pressão. Tradicionalmente, os laboratórios medem essas curvas forçando mercúrio em pequenas amostras de rocha a pressões muito altas e então convertem os resultados para as condições esperadas para CO2 e água salina. Esses testes com mercúrio são destrutivos, caros, perigosos e geralmente realizados em poucas amostras ao longo de um poço, deixando grandes lacunas em nosso retrato do subsolo.

Uma forma mais segura de ‘ouvir’ os poros da rocha

A ressonância magnética nuclear (NMR) de baixo campo oferece uma abordagem diferente. Em vez de injetar mercúrio, os cientistas saturam a rocha com salmoura e usam uma sequência de pulso magnético para medir quão rapidamente os núcleos de hidrogênio no fluido relaxam, descrito por um parâmetro chamado T2. A distribuição de valores T2 é sensível ao tamanho e às propriedades de superfície dos poros: poros grandes produzem tempos T2 longos, poros muito pequenos produzem tempos curtos. Em princípio, essa “impressão digital” de relaxamento deve estar relacionada à mesma geometria de poros e gargantas que controla a pressão capilar. Métodos anteriores tentaram converter espectros de T2 diretamente em curvas capilares usando fórmulas simples que assumem propriedades rochosas uniformes. Essas suposições frequentemente falham em formações reais, especialmente em carbonatos complexos e folhelhos compactos, e geralmente exigem calibração específica para tipos de rocha.

Ensinar um modelo a reconhecer o comportamento da rocha

Os autores desenvolveram um modelo orientado por dados que aprende a relação entre medições NMR e curvas capilares obtidas por mercúrio em muitos tipos de rocha. Eles compilaram um banco de dados de 36 amostras de testemunho, incluindo arenitos, calcários e folhelhos compactos com permeabilidades que variam por mais de sete ordens de magnitude. Para cada amostra, combinaram informações da análise rotineira de testemunhos (porosidade e permeabilidade), distribuições detalhadas de T2 de NMR e dados de injeção de mercúrio. Em seguida, construíram várias características inspiradas na física: um parâmetro J que relaciona pressão à qualidade da rocha e à molhabilidade, um índice de bimodalidade que quantifica se o sistema de poros tem uma ou duas faixas de tamanho dominantes, e uma média logarítmica T2 ponderada por bin que captura a assimetria da distribuição de tamanhos de poro. Usando essas características, treinaram um modelo de árvores de decisão com aumento de gradiente (CatBoost) para prever a saturação de mercúrio em qualquer pressão a partir das entradas NMR e das propriedades da rocha.

Desempenho do novo método

Para garantir que o modelo realmente generalizasse além dos dados de treinamento, a equipe usou uma validação rigorosa leave-one-sample-out e depois testou o modelo final em seis testemunhos “às cegas” que nunca foram vistos durante o treinamento. Em uma ampla faixa de pressões de aproximadamente 0,5 a 50.000 psi, o modelo reproduziu as curvas capilares medidas com mercúrio com um coeficiente médio de determinação (R²) de 0,94 e um erro absoluto médio na saturação de cerca de 3,6% no conjunto cego. O método teve desempenho consistente para arenitos, carbonatos e folhelhos compactos. A análise de sensibilidade mostrou que o parâmetro J escalado por pressão dominou as previsões, enquanto as características derivadas da NMR refinaram a forma da curva, capturando diferenças na estrutura do sistema de poros. Quando as curvas de mercúrio previstas foram convertidas para condições brina–CO2 usando relações de escala padrão, elas corresponderam de perto às curvas de laboratório convertidas usadas em estudos de armazenamento de CO2.

O que isso significa para futuros projetos de armazenamento de CO2

O estudo demonstra que modelos de aprendizado de máquina bem concebidos podem transformar medições NMR rápidas e não destrutivas em curvas de pressão capilar confiáveis, reduzindo muito a necessidade de testes perigosos de injeção de mercúrio. Como ferramentas NMR já são usadas tanto em laboratório quanto em instrumentação de registro em poços, essa abordagem pode viabilizar um perfilamento quase contínuo da capacidade de selagem e do comportamento de aprisionamento ao longo de um furo inteiro. Embora os autores observem limitações, como a suposição de condições molhantes de água e o tamanho atual do conjunto de treinamento, seus resultados indicam um caminho prático para avaliações de sítios de armazenamento de CO2 mais seguras, mais baratas e mais abrangentes — ajudando engenheiros a julgar melhor quão seguramente o carbono injetado pode ser mantido fora da atmosfera.

Citação: Markovic, S., Kurochkin, A., Efara, M. et al. Predicting drainage capillary pressure curves in natural porous media by NMR-T₂ relaxometry: implications for CO₂ storage. Sci Rep 16, 11540 (2026). https://doi.org/10.1038/s41598-026-36861-z

Palavras-chave: Armazenamento geológico de CO2, pressão capilar, ressonância magnética nuclear, aprendizado de máquina em petrofísica, estrutura de poros das rochas