A+ A- Acessibilidade
Buscar

OROGENE: Machine Learning for Energy

Descrição

Na geologia, orogênese é o conjunto de processos responsáveis por criar montanhas, dobrar camadas rochosas e esculpir a estrutura profunda da crosta terrestre. É um fenômeno poderoso, que revela como forças invisíveis transformam rochas em formações grandiosas e complexas ao longo de milhões de anos. O nome Orogene representa nossa missão no Pré-sal brasileiro: entender, decifrar e dominar a dinâmica oculta de um reservatório formado por processos geológicos profundos — um ambiente rochoso moldado pela orogênese, guardião de riquezas energéticas estratégicas.

Assim como a orogênese envolve, em diferentes camadas, a história da Terra, o reservatório do Pré-sal oculta conexões e fluxos que, por muito tempo, desafiaram o conhecimento humano. Nós, como pesquisadores, aplicamos Deep Learning e análise causal para decifrar essas complexas camadas, revelando padrões, conectividades e comportamentos antes invisíveis. Com esse conhecimento, podemos auxiliar a produção, otimizar a extração e maximizar o retorno de forma sustentável e precisa.

O projeto trabalha com dados heterogêneos de poços e FPSOs (Unidades Flutuantes de Armazenamento e Transferência) para encontrar possíveis falhas e melhorar o gerenciamento de poços, reservatórios e instalações, visando índices de recuperação mais altos. Buscamos compreender as diferentes informações associadas a um mesmo objeto, identificação relações temporais e espaciais. Outro ramo de pesquisa se concentra na busca por um espaço de recursos (manifold) transformado e unificado, no qual técnicas de aprendizado de máquina possam destacar informações relevantes a partir de fontes heterogêneas. O objetivo não é apenas identificar comportamentos anormais dos reservatórios, mas também apoiar a identificação de soluções e explorar oportunidades de melhoria na produção. A hipótese geral da pesquisa é que, ao analisar diferentes informações de várias fontes, as ligações ocultas existentes entre os poços e o resto do sistema permitem-nos, em última análise, apontar sua rede de conexões.

Duração

2019 – 2027.

Apoio

Shell.

Coordenador(a)

Prof. Anderson Rocha (coordenador).
Dra. Alessandra Davolio (co-coordenadora / Cepetro/ Unicamp).
Prof. Denis Schiozer (co-coordenador / FEM / Unicamp).