Modelagem geoestatística de fácies carbonáticas com cadeias de Markov e abordagem Bayesiana

Abstract

A modelagem de fácies de bacias sedimentares e reservatórios de hidrocarbonetos é um campo bem estabelecido, mas a maioria dos métodos são focados em fácies siliciclásticas, com formas bem definidas. Bacias sedimentares carbonáticas de grandes profundidades, por outro lado, começaram a ser exploradas recentemente e há uma grande necessidade de desenvolvimento tecnológico para sua modelagem. Além do desafio de integrar dados espaciais de diferentes escalas para modelagem de fácies carbonáticas, há uma característica marcante nestas bacias, que é a repetição assimétrica das camadas. Portanto, a quantificação de incerteza geológica pode ser modelada através de técnicas que utilizem cadeias de Markov. No entanto, há pouca literatura sobre seu uso em modelagem 3D de fácies carbonáticas complexas. O desafio encontra-se em calcular as probabilidades de transição lateral das fácies. Informação secundária através de levantamentos sísmicos pode ajudar a gerar modelos probabilísticos auxiliares. Esta tese propõe e investiga uma metodologia inovadora para aplicação de cadeias de Markov utilizando uma abordagem Bayesiana para quantificação de incerteza de modelo de fácies carbonáticas de alta profundidade. A metodologia utiliza a técnica de simulação de campos aleatórios por cadeias de Markov com modelo de tendência para geração das realizações de fácies através de três variáveis de entrada: modelo de transiograma, modelo de campos de probabilidade e modelo de tendência. Os resultados foram comparados com a co-simulação sequencial dos indicadores mostrando que a metodologias proposta pode gerar modelos de fácies com repetição assimétricas. Um software foi desenvolvido, implementando a metodologia proposta.

Facies modeling of sedimentary basins and hydrocarbon reservoirs is a well-established field, but most methods focus on siliciclastic facies, with well-defined shapes. Deep carbonate sedimentary basins, on the other hand, began to be explored recently and there is a great need for technological development for their modeling. In addition to the challenge of integrating spatial data from different scales for modeling carbonate facies, there is a distinctive feature in carbonate basins, which is the asymmetric repetition of facies. Therefore, the quantification of geological uncertainty can be modeled through techniques that use Markov chains. However, there is not much literature about its use in 3D modeling of complex carbonate facies. The challenge lies in calculating the lateral facies transition probabilities. Secondary information from seismic surveys can help generate auxiliary probabilistic models. This thesis proposes and investigates an innovative methodology for the application of Markov chains using a Bayesian approach to quantify model uncertainty of high-depth carbonate facies. The methodology uses the simulation technique of Markov chains random fields with a trend model to generate facies realizations through three input variables: transiogram model, probability field model, and trend model. The results were compared with the co-sequential indicators simulation showing that the proposed methodology can generate facies models with asymmetric repetition. The software was developed, implementing the proposed methodology.