Pesquisa sobre conectividade entre poços em injeção de CO2 baseada em rede de atenção em grafo com memória de curto e longo prazo

Por que este estudo importa para energia e clima

Grande parte do petróleo mundial ainda vem de campos envelhecidos, onde extrair o crude restante torna-se cada vez mais difícil e caro. Uma abordagem promissora, a injeção de CO2, injeta dióxido de carbono no subsolo para deslocar mais óleo e ao mesmo tempo armazenar CO2 que, de outra forma, iria para a atmosfera. Mas os operadores frequentemente não conseguem ver como o gás injetado realmente se desloca entre poços. Este artigo apresenta uma nova abordagem orientada por dados para “mapear” essas conexões ocultas em tempo real, ajudando a tornar a injeção de CO2 mais eficiente e potencialmente mais favorável ao clima.

Tornando visíveis as rodovias subterrâneas invisíveis

Quando o CO2 é injetado em um reservatório de petróleo, ele não se espalha de forma homogênea. Em vez disso, segue caminhos preferenciais no subsolo — como rodovias ocultas — criadas por variações na permeabilidade das rochas e por fraturas existentes. Alguns poços de injeção afetam fortemente certos poços produtores; outros mal influenciam. Esse padrão, chamado conectividade entre poços, controla quão eficazmente o CO2 pode varrer o óleo em direção aos poços produtores e quanto gás contorna zonas úteis ou progride rápido demais. Rastrear com precisão essas conexões é crucial para ajustar planos de injeção e produção, mas métodos tradicionais frequentemente exigem testes de campo caros ou pressuposições simplificadas que têm dificuldade em reservar complexos.

Limitações das ferramentas convencionais

Engenheiros há muito confiam em técnicas como testes de interferência de pressão, traçadores químicos e simulações por linhas de corrente para inferir como os poços se comunicam no subsolo. Mais recentemente, ferramentas estatísticas e modelos clássicos de aprendizado de máquina foram adicionados ao conjunto. Embora cada método traga informações úteis, eles também têm desvantagens: testes de campo são lentos e caros; modelos físicos simplificados podem perder detalhes importantes em rochas altamente heterogêneas; e aprendizado de máquina padrão frequentemente trata poços como fluxos de dados isolados, ignorando a rede de interações em evolução entre eles. Essas abordagens também tendem a assumir que o padrão de conexões é fixo no tempo, embora as frentes de CO2, pressões e canais de fluxo mudem conforme a injeção avança.

Uma rede inteligente que aprende tempo e espaço juntos

Os autores introduzem um modelo híbrido de inteligência artificial projetado para acompanhar tanto como os poços mudam ao longo do tempo quanto como eles se influenciam espacialmente. Uma parte do modelo, chamada rede de memória de curto e longo prazo (LSTM), é especializada em aprender padrões de séries temporais — aqui, as taxas diárias de injeção e produção em cada poço. A outra parte, uma rede de atenção em grafo (GAT), trata os poços como nós de uma rede e aprende quais pares estão mais fortemente conectados, atribuindo pesos maiores às ligações mais influentes. Juntos, esse sistema LSTM–GAT pode prever a produção futura e estimar a força das conexões entre poços de injeção e produção de forma que se atualiza conforme o reservatório evolui.

Construindo um mapa vivo das conexões entre poços

Para alimentar esse modelo, os pesquisadores usaram um reservatório sintético tridimensional amplamente estudado, chamado modelo EGG, e simularam a injeção de CO2 ao longo de uma década para oito poços de injeção e quatro poços produtores. Construíram um mapa “vivo” das conexões examinando como flutuações na injeção em um poço aparecem, com um atraso temporal, na produção em outro. Uma medida chamada correlação cruzada máxima defasada foi usada para inferir a provável força e o tempo de cada conexão dentro de janelas de tempo deslizantes. Apenas pares que eram suficientemente correlacionados e razoavelmente próximos no espaço foram mantidos como arestas na rede. Esse grafo em evolução foi então passado ao GAT, que refinou a importância de cada ligação enquanto o LSTM capturava o comportamento diário de cada poço.

Desempenho da nova abordagem

O modelo híbrido foi rigorosamente ajustado e testado em milhares de dias simulados de dados. Alcançou alta precisão na previsão de taxas de produção de gás, com um R² de teste de cerca de 0,94, o que significa que explicou a maior parte da variação no campo simulado. Quando os mapas de conectividade inferidos foram comparados com padrões de fluxo detalhados de simulações numéricas tradicionais, as ligações fortes na rede aprendida coincidiram com zonas de alta permeabilidade e caminhos de fluxo densos. Os autores também compararam seu método com uma gama de outros modelos, desde regressão simples até redes de grafos independentes e métodos de séries temporais. Em toda a linha, a estrutura LSTM–GAT forneceu previsões mais precisas e padrões de conectividade mais realistas, enquanto modelos de grafo puramente estáticos ficaram significativamente atrás.

Implicações para uma recuperação de petróleo mais limpa e eficiente

Para um leitor não especializado, a mensagem central é que este estudo oferece uma maneira mais inteligente e flexível de rastrear como o CO2 injetado se move no subsolo, usando os dados que campos modernos já coletam diariamente. Transformando históricos de produção em um mapa dinâmico de conexões subterrâneas, os operadores poderiam decidir melhor onde injetar, quais poços reduzir e como evitar canalizações de gás desperdiciadoras. Embora o trabalho seja demonstrado em um modelo sintético controlado e não em dados de campo reais e desordenados, ele aponta para ferramentas futuras que podem tornar a injeção de CO2 mais econômica e mais eficaz em prender carbono, alinhando necessidades energéticas de curto prazo com metas climáticas de longo prazo.

Citação: Dong, Z., Xu, Y., Lv, W. et al. Research on inter-well connectivity in CO₂ flooding based on long short-term memory graph attention network. Sci Rep 16, 6664 (2026). https://doi.org/10.1038/s41598-026-36910-7

Palavras-chave: injeção de CO2, conectividade entre poços, redes neurais em grafos, previsão de produção, recuperação aprimorada de petróleo