Por Juliana Vicentini
Tecnologia inspirada na visão computacional foi aplicada para analisar as variações de pressão e de saturação de água e gás no reservatório brasileiro
Para monitorar o que acontece nas profundezas do Pré-sal brasileiro, pesquisadores do Laboratório de Inteligência Artificial (IA) (Recod.ai) da Unicamp, em colaboração com a Shell Brasil, desenvolveram uma abordagem inovadora baseada em IA. O estudo publicado no periódico Applied Soft Computing, de autoria de Marcos Cirne e colegas, propõe o uso de Vision Transformers (ViTs) — uma tecnologia originalmente criada para reconhecimento de imagens — para estimar com alta precisão mudanças de pressão e saturação de fluidos (água e gás) a partir de dados sísmicos.
A indústria utiliza a sísmica 4D, que funciona para observar o comportamento do reservatório ao longo de meses ou anos. Tradicionalmente, isso é realizado a partir de Redes Neurais Convolucionais (CNNs), uma classe de algoritmos de aprendizado profundo (deep learning) que dominaram o campo da visão computacional por décadas. No entanto, processar esses dados dessa maneira é uma tarefa cara e demorada, cujos princípios técnicos apresentam limitações para capturar relações mais complexas dos dados.
Monitorar a pressão e a saturação de água e gás no pré-sal não é simples. Essas variações ocorrem simultaneamente, criando dados que competem entre si e que podem dificultar a distinção de quando cada efeito está presente. Outra característica complicadora se deve a alta heterogeneidade das rochas carbonáticas, cuja porosidade e a permeabilidade são extremamente variadas e complexas, o que gera incertezas geológicas significativas. Também há limitações técnicas de resolução vertical, devido as mudanças que ocorrem em diferentes profundidades. Além da geometria irregular dos reservatórios, que raramente possuem formatos retangulares
A nova pesquisa demonstra que os ViTs são capazes de capturar correlações de longo alcance e dependências globais nos dados de forma mais eficiente do que as técnicas convencionais. Os ViTs são algoritmos originalmente desenvolvidos para reconhecimento de imagens — e que foram adaptados para estimar os níveis de saturação e pressão de água em gás no pré-sal. Dentre os seus principais diferenciais, destacam-se: self-attention, que permite analisar diferentes partes dos dados simultaneamente, fazendo relações de longo alcance entre as áreas; processamento 1-D, que é capaz de se adaptar a reservatórios com estruturas geológicas irregulares; IA explicável (XAI- Grad – Cam), que gera mapas de calor, indicando as regiões que influenciaram as decisões do modelo, aumentando a transparência e confiabilidade dos dados.
Crédito: Juliana Vicentini
A tecnologia já foi validada tanto em dados sintéticos, obtidos pela simulação de um campo de reservatório, quanto em dados observados reais, demonstrando robustez mesmo na presença de ruído sísmico. Essa inovação permite maior precisão na coleta e análise dos dados, fornece respostas rápidas e disponibiliza um contexto completo para a tomada de decisões de maneira eficiente por especialistas.
Os pesquisadores preveem uma nova etapa para o futuro. A ideia é integrar modelos de aprendizado profundo baseados em física, que unem a capacidade de processamento da IA com as leis naturais que regem o comportamento dos reservatórios. A expectativa é tornar o monitoramento do pré-sal ainda mais confiável, eficiente e alinhado aos desafios energéticos do futuro.