[en] PROBABILISTIC PORE PRESSURE PREDICTION IN RESERVOIR ROCKS THROUGH COMPRESSIONAL AND SHEAR VELOCITIES

• Main Author: BRUNO BROESIGKE HOLZBERG
• Other Authors: SERGIO AUGUSTO BARRETO DA FONTOURA
• Language: pt
• Published: MAXWELL 2006
• Subjects: [pt] VELOCIDADE CISALHANTE; [en] SHEAR VELOCITY; [pt] ALGORITMO DE METROPOLIS-HASTINGS; [en] METROPOLIS-HASTINGS ALGORITHM; [pt] INVERSAO BAYESIANA; [en] BAYESIAN INVERSION; [pt] COMPARTIMENTOS DE PRESSAO; [en] PORE PRESSURE COMPARTMENTS; [pt] PREVISAO DE PRESSAO DE POROS; [en] PORE PRESSURE PREDICTION
• Online Access: https://www.maxwell.vrac.puc-rio.br/Busca_etds.php?strSecao=resultado&nrSeq=7987@1; https://www.maxwell.vrac.puc-rio.br/Busca_etds.php?strSecao=resultado&nrSeq=7987@2; http://doi.org/10.17771/PUCRio.acad.7987

[pt] Esta tese propõe uma metodologia de estimativa de pressão de poros em rochasreservatório através dos atributos sísmicos velocidade compressional V(p) e velocidade cisalhante V(s). Na metodologia, os atributos são encarados como observações realizadas sobre um sistema físico, cujo comportamento depende de um determinado número de grandezas não observáveis, dentre as quais a pressão de poros é apenas uma delas. Para estimar a pressão de poros, adota-se uma abordagem Bayesiana de inversão. Através de uma função de verossimilhança, estabelecida através de um modelo de física de rochas calibrável para a região, e do teorema de Bayes, combina- se as informações pré-existentes sobre os parâmetros de rocha, fluido e estado de tensões com os atributos sísmicos observados, inferindo probabilisticamente a pressão de poros. Devido a não linearidade do problema e ao interesse de se realizar uma rigorosa análise de incertezas, um algoritmo baseado em simulações de Monte Carlo (um caso especial do algoritmo de Metropolis- Hastings) é utilizado para realizar a inversão. Exemplos de aplicação da metodologia proposta são simulados em reservatórios criados sinteticamente. Através dos exemplos, demonstra-se que o sucesso da previsão de pressão de poros depende da combinação de diferentes fatores, como o grau de conhecimento prévio sobre os parâmetros de rocha e fluido, a sensibilidade da rocha perante a variação de pressões diferenciais e a qualidade dos atributos sísmicos. Visto que os métodos existentes para previsão de pressão de poros utilizam somente o atributo V(p) , a contribuição do atributo V(s) na previsão é avaliada. Em um cenário de rochas pouco consolidadas (ou em areias), demonstra-se que o atributo V(s) pode contribuir significativamente na previsão, mesmo apresentando grandes incertezas associadas. Já para um cenário de rochas consolidadas, demonstra-se que as incertezas associadas às pressões previstas são maiores, e que a contribuição do atributo V(s) na previsão não é tão significativa quanto nos casos de rochas pouco consolidadas. === [en] This work proposes a method for pore pressure prediction in reservoir rocks through compressional- and shear-velocity data (seismic attributes). In the method, the attributes are considered observations of a physic system, which behavior depends on a several not-observable parameters, where the pore pressure is only one of these parameters. To estimate the pore pressure, a Bayesian inversion approach is adopted. Through the use of a likelihood function, settled through a calibrated rock physics model, and through the Bayes theorem, the a priori information about the not-observable parameters (fluid and rock parameters and stress state) is combined with the seismic attributes, inferring probabilistically the pore pressure. Due the non-linearity of the problem, and due the uncertainties analysis demanding, an algorithm based on Monte Carlo simulations (a special case of the Metropolis- Hastings algorithm) is used to solve the inverse problem. The application of the proposed method is simulated through some synthetic examples. It is shown that a successfully pore pressure prediction in reservoir rocks depends on a set of factors, as how sensitive are the rock velocities to pore pressure changes, the a priori information about rock and fluid parameters and the uncertainties associates to the seismic attributes. Since the current methods for pore pressure prediction use exclusively the attribute compressional velocity V(p), the contribution of the attribute shear velocity V(s) on prediction is evaluated. In a poorly consolidated rock scenario (or in sands), the V(s) data, even with great uncertainties associated, can significantly contribute to a better pore pressure prediction. In a consolidated rock scenario, the uncertainties associated to pore pressure estimates are higher, and the s V data does not contribute to pore pressure prediction as it contributes in a poorly consolidated rock scenario.