Modelagem de propriedades de reservatório guiada por aprendizado de máquina do reservatório AEB-3E no campo Berenice, Egito

Por que esta história do subsolo importa

Petróleo e gás podem parecer coisa do passado, mas o mundo ainda depende fortemente deles. A forma como encontramos e gerenciamos esses recursos subterrâneos afeta não só a segurança energética, mas também quanto de perfuração nova é realmente necessária. Este estudo examina um campo no Egito e faz uma pergunta simples com um toque de alta tecnologia: o aprendizado de máquina moderno pode nos ajudar a construir uma imagem mais clara das camadas rochosas ocultas usando dados muito limitados, para que as empresas tomem decisões mais inteligentes e menos desperdiçadoras?

A paisagem oculta sob o deserto

Em profundidades sob o Deserto Ocidental do Egito, o campo petrolífero Berenice contém um conjunto de camadas rochosas formadas por rios antigos e mares rasos. A camada de interesse, chamada AEB-3E, é composta por arenitos e folhelhos dispostos em um padrão complexo, cortados e deslocados por falhas. Essas fraturas na rocha podem aprisionar fluidos em compartimentos separados, de modo que um poço pode parecer promissor enquanto outro próximo não. Essa variabilidade torna difícil prever quanto óleo ou água está entre os poucos poços existentes e quão facilmente os fluidos podem fluir pela rocha.

Pistas de poços e ecos sísmicos

Os pesquisadores começaram com apenas quatro poços, cada um registrando como diferentes propriedades da rocha mudam com a profundidade: radioatividade, densidade, velocidade do som, condutividade elétrica e presença de hidrogênio. A partir dessas medições, calcularam três características-chave que controlam a utilidade da rocha como reservatório: quanto material rico em argila ela contém, quanto espaço vazio está disponível para armazenar fluidos e quanto desse espaço está preenchido com água em vez de hidrocarbonetos. Em seguida, eles ajustaram esses perfis de poço a uma grade tridimensional e os combinaram com dados sísmicos 3D, que funcionam como exames médicos do subsolo, revelando estruturas e mudanças sutis entre poços.

Deixando um conjunto de modelos aprender os padrões

Em vez de confiar apenas em métodos estatísticos tradicionais, que assumem mudanças espaciais relativamente suaves e previsíveis, a equipe usou um fluxo de trabalho chamado EMBER. Ele treina muitos modelos de árvore de decisão ao mesmo tempo, permitindo que aprendam como combinações de padrões sísmicos e medições de poço se relacionam com a qualidade da rocha em locais conhecidos. Ao mesmo tempo, incorpora ideias da geoestatística para manter os resultados geologicamente razoáveis, preservando continuidade ao longo das camadas e através do campo. Para cada pequeno bloco na grade 3D, o método não fornece apenas uma única resposta, mas uma gama completa de valores possíveis, descrevendo tanto a melhor estimativa quanto quanta incerteza essa estimativa pode ter.

O que os modelos dizem sobre este reservatório

Os mapas resultantes pintam a AEB-3E como principalmente um arenito limpo, com conteúdo de argila relativamente baixo e espaço poroso de moderado a bom para fluidos. Zonas com menos argila tendem a se alinhar com maior capacidade de armazenamento e menor conteúdo de água, destacando áreas mais atraentes para produção. Seções através do modelo mostram que essas zonas favoráveis são lateralmente contínuas em alguns trechos, mas também moldadas por falhas e por mudanças sutis nos ambientes fluviais e de costa originais. As simulações indicam ainda que a incerteza é, em geral, baixa a moderada, mas aumenta próximo às falhas e em regiões distantes de qualquer poço, onde o modelo precisa apoiar-se mais fortemente apenas nos padrões sísmicos.

Benefícios, limites e o que isso significa na prática

O estudo sugere que combinar aprendizado de máquina com dados sísmicos e de poço pode acelerar a modelagem de reservatórios e reduzir a quantidade de tentativa e erro manual, mesmo quando estão disponíveis apenas um punhado de poços. No campo Berenice, a abordagem identifica uma área sudoeste que parece especialmente promissora e ainda não perfurada, oferecendo um alvo focado para trabalhos futuros. Ao mesmo tempo, os autores enfatizam que suas conclusões são preliminares: com apenas quatro poços, qualquer previsão longe desses pontos de dados deve ser tratada com cautela e verificada contra novos poços ou informações de produção. Para os leitores, a lição é que ferramentas digitais mais inteligentes podem ajudar empresas de energia a usar melhor os dados existentes, reduzir onde a perfuração nova é mais justificada e compreender melhor as incertezas que ainda permanecem sob nossos pés.

Citação: Eid, A.M., Mabrouk, W.M., Amer, M. et al. Machine learning driven reservoir property modeling of the AEB-3E reservoir in the Berenice field Egypt. Sci Rep 16, 16131 (2026). https://doi.org/10.1038/s41598-026-53328-3

Palavras-chave: modelagem de reservatório, aprendizado de máquina, dados sísmicos, Deserto Ocidental Egito, propriedades petrofísicas