Avaliação abrangente das propriedades portadoras de gás em reservatórios de embasamento ultra-profundos baseada em uma máquina de vetor de suporte otimizável

Caçando gás nas rochas mais profundas

Lá no fundo da crosta terrestre, em rochas antes consideradas antigas demais e compactas demais para terem importância, geólogos estão encontrando novos estoques de gás natural. Essas rochas de "embasamento" ultra-profundas ficam a mais de seis quilômetros de profundidade, onde calor, pressão e tipos de rocha complexos dificultam identificar onde o gás realmente se acumula. Este estudo explora como um tipo de aprendizado de máquina pode filtrar medições confusas dessas profundidades para apontar quais camadas de rocha verdadeiramente contêm gás, ajudando empresas a perfurar menos poços secos e a gerenciar esses reservatórios difíceis com mais segurança.

Um novo tipo de alvo de gás profundo

A pesquisa concentra-se no Bloco K2, na Bacia de Qaidam, China, local do primeiro reservatório de gás de embasamento ultra-profundo do mundo, com profundidade de soterramento superior a 6.500 metros. Aqui, o gás não está armazenado em arenitos familiares, mas em antigas rochas de embasamento fraturadas, como gnaisse e diorito. Essas rochas são cortadas por redes de fraturas naturais e zonas intemperizadas que podem armazenar e transmitir gás. Gás de rochas geradoras jurássicas mais jovens migrou para baixo ao longo de falhas para essas zonas embasamento fragmentadas, acumulando-se em armadilhas onde o gás assenta acima de água salgada de formação. Como as rochas são muito variadas, as medições feitas no poço respondem mais a mudanças no tipo de rocha do que ao fato de os poros estarem preenchidos com gás ou água.

Por que as ferramentas tradicionais falham

Em muitos reservatórios mais rasos, os engenheiros confiam em uma comparação simples de duas curvas de porosidade de registros de nêutrons e densidade para identificar gás: as curvas se cruzam de maneira característica quando o gás está presente. No embasamento do Bloco K2, essa regra empírica deixa de funcionar. Algumas rochas ácidas têm naturalmente baixa densidade e baixo teor de hidrogênio, imitando a "assinatura de gás" mesmo quando não há gás presente. Outras rochas alteradas por calor e fluidos mostram alto teor de hidrogênio e comportamento de densidade diferente, confundindo novamente o quadro. Como resultado, as curvas familiares se sobrepõem ou deslocam de maneiras que não acompanham de forma confiável o tipo de fluido, tornando quase impossível traçar linhas claras entre camadas ricas em gás e secas apenas a olho nu.

Ensinando uma máquina a ler as rochas

Para superar esse problema, a equipe recorre a uma máquina de vetor de suporte otimizável, um método de aprendizado de máquina bem conhecido e adequado a conjuntos de dados pequenos, porém complexos. Em vez de depender de um único padrão, o modelo recebe várias medições de registro ao mesmo tempo, incluindo gama natural, tempo de trânsito acústico, densidade da rocha, resposta do nêutron, resistividade elétrica profunda e rasa e leituras totais de hidrocarbonetos de registros de gás. Cada ponto de profundidade nos poços é rotulado como camada de gás forte, camada portadora de gás fraca ou camada seca usando resultados reais de testes de produção. O algoritmo então busca a melhor forma de separar esses três grupos em um espaço de alta dimensão, ajustando automaticamente configurações-chave para equilibrar precisão e confiabilidade.

Quão bem a abordagem funciona em poços reais

Após treinado com centenas de amostras de profundidade, o modelo classifica corretamente mais de 97% dos dados de treinamento e cerca de 95% dos dados de teste independentes, com pontuações de desempenho indicando separação muito forte entre as categorias. Aplicadas a poços existentes em diferentes posições estruturais, as previsões da máquina coincidem de perto com o comportamento de produção real: poços em posições altas na estrutura, onde o modelo encontra camadas espessas de gás, mostram produção de gás forte e estável com pouca água; poços mais baixos, com zonas de gás previstas mais finas e menos "altura" acima do contato gás–água, apresentam taxas de gás mais baixas e avanço de água mais precoce. Em um poço novo que não fez parte do treinamento do modelo, a ferramenta orientou a escolha do intervalo de perfuração na seção superior e média do embasamento. Esse intervalo escoou mais de 200.000 metros cúbicos de gás por dia sem água, confirmando o valor prático das previsões.

Um roteiro para perfurações profundas mais inteligentes

Com base nesses resultados, os autores apresentam um fluxo de trabalho passo a passo: selecionar e limpar dados com cuidado; definir categorias consistentes de camadas de gás, portadoras de gás e secas vinculadas à produtividade real; treinar e ajustar o modelo de aprendizado de máquina; comparar camadas de gás previstas entre poços; e então verificar e atualizar o modelo com dados de produção contínuos. Para os operadores, a mensagem principal é direta. Em rochas de embasamento ultra-profundas e difíceis, onde as regras antigas falham, um modelo de aprendizado de máquina bem treinado que combina múltiplos sinais de registro pode fornecer uma imagem mais clara de onde o gás realmente se encontra e quais intervalos são mais seguros para abrir, apoiando um desenvolvimento mais eficiente e informado desses recursos desafiadores.

Citação: Huang, X., Tang, J., Zhao, J. et al. Comprehensive evaluation of gas-bearing properties in ultra-deep basement reservoirs based on an optimizable support vector machine. Sci Rep 16, 15492 (2026). https://doi.org/10.1038/s41598-026-53786-9

Palavras-chave: reservatório de gás ultra-profundo, rochas de embasamento, análise de registros de poço, máquina de vetor de suporte, predição de presença de gás