Modelos sedimentológicos precisos de reservatór...modelos sedimentológicos precisos de reservatórios são fundamentais para reduzir os riscos de exploração e produção, sendo construídos a partir de descrição e interpretação de fácies realizadas em testemunhos de sondagens. para estudos da maioria de reservatórios maduros existe um grande número de poços produtores, porém com banco de dados de testemunho limitado. consequentemente, estudos sedimentológicos, estratigráficos e petrofísicos de detalhe são, muitas vezes, difíceis de aplicar a todo o modelo de campo, devido às diferentes escalas de observação. técnicas de machine learning têm sido utilizadas para solucionar problemas complexos de reconhecimento de padrões, aplicados tanto na quantificação, quanto na predição de parâmetros. estas técnicas se difundiram no final da década de 1980 e vêm se consolidando por meio de aplicações em diversas áreas do conhecimento. particularmente, em geociências o método é utilizado para predição e classificação de propriedades petrofísicas de reservatórios. dentre as técnicas de análise multivariada, destacam-se os algoritmos de aprendizagem de máquina (machine learning), considerada um ramo da inteligência artificial, que possui capacidade de extração de regras e padrões do treinamento de grandes conjuntos de dados. este projeto, tem um prazo para execução de 48 meses e encontra-se estruturado em torno da utilização das técnicas de aprendizado de máquinas (machine learning) para reconhecer padrões de sedimentação e estratigráficos de sistemas turbiditos do grupo itararé, utilizando um grande volume de dados geológicos e geofísicos de poços e afloramentos. serão usados modelos de regressão generalizada (mrg) para estabelecer a relação não-linear entre a permeabilidade de reservatório com dados faciológicos e geofísicos oriundos da interpretação de poços e afloramentos na borda leste da bacia do paraná. serão usados dados de litofácies, densidade, raios gama, sp-r e resistividade 16" e 64". serão produzidos modelos com capacidade de prever padrões não descritos com técnicas lineares, os métodos não lineares como exemplo "redes neurais" para desenvolvimento de pesquisa e que podem ser supervisionadas e não supervisionadas. a fusão desses métodos pode prever estacionariedade imposta às propriedades de reservatório; e capturar as relações não-lineares entre as propriedades modeladas do reservatório. o projeto será desenvolvido por pesquisadores da ufsc e colaboradores externos a esta instituição. os resultados, permitirão implementar técnicas de estudos de reservatórios e contribuir na formação de recursos humanos, no curso de graduação e pós-graduação em geologia da ufsc, para o setor petróleo e gás natural. foram selecionados poços na borda leste da bacia do paraná, que possuem dados detalhados de litofácies, curvas de densidade, raios gama, sp-r e resistividade. serão utilizados dados afloramentos de sistemas turbidíticos do grupo itararé, que ocorrem nas regiões de presidente getúlio, alfredo wagner, vidal ramos e doutor pedrinho (estado de santa catarina). os métodos de aquisição, tratamento e processamento de dados envolverão: pesquisa bibliográfica, organização de banco de dados georrefenciados, análise sedimentar e estratigráfica, análise petrofísica por micro-ct, análise aerogeofísica, etc. os dados serão integrados usando algoritmos machine learning para criar modelos preditivos de padrões ocultos nos dados, de maneira não-supervisionada; prever estacionariedade imposta às propriedades de reservatório; e capturar as relações não-lineares entre as propriedades modeladas do reservatório. o projeto será desenvolvido por pesquisadores da ufsc e colaboradores externos, permitirão implementar técnicas de estudos de reservatórios na ufsc, além de contribuir na formação de recursos humanos no curso de graduação e no programa de pós-graduação em geologia (ppggeologia) da ufsc, para o setor do petróleo e gás natural. os objetivos são: 1) desenvolver algoritmos de aprendizado de máquina para classificar fácies e identificar padrões petrofisicos de sistemas turbidíticos; 2) utilizar as propriedades física de rochas para classificar fácies (poços e afloramentos) usando algoritmos de aprendizado de máquina; 3) produzir modelos preditivos para intervalos estratigráficos desconhecidos por meio das propriedades petrofísicas com maior potencial para acumulação de hidrocarboneto; 4. analisar a relação entre os processos sedimentares e arquitetura deposicional e modelá-las numericamente; 5. combinar abordagens da modelagem estocástica com modelos baseados em processos que descrevam as geometrias de reservatórios apropriados; 6. criar modelos digitais para modelagem de depósitos turbidíticos; e 7. utilizar as propriedades as petrofísicas para identificar padrões de qualidade dos reservatórios.