Caracterização de reservatórios de hidrocarbonetos do bloco F3 do Mar do Norte

Abstract

O presente trabalho tem como intuito a caracterização de reservatórios de hidrocarbonetos através da interpretação de sísmica de reflexão 3D juntamente com a aplicação de atributos sísmicos. Esta dissertação foi realizada com o software open-source OpendTect 4.6 e foram utilizados dados cedidos pela dGB Earth Sciences referentes ao Bloco F3, localizado no sector Holandês do Mar do Norte. Os dados incluem um volume de sísmica 3D com cerca de 384 Km2 e também dados de quatro poços (F2-1, F3-2, F3-4 e F6-1) com os respetivos logs (Sonic e Gammar Ray). Numa primeira fase foram cartografadas as principais unidades estratigráficas e estruturais (horizontes e falhas) seguindo-se da aplicação de diversas ferramentas computacionais que auxiliaram a obtenção de um modelo mais preciso e mais completo. A utilização de atributos sísmicos, que atualmente se assumem como um instrumento de enorme importância na indústria, facilitou o processo de interpretação, uma vez que permitiram aumentar a razão sinal-ruído, detectar descontinuidades e evidenciar indicadores diretos de hidrocarbonetos. Através dos atributos foi também treinada uma rede neuronal com o intuito de prever o escape de fluídos na área de estudo.

The present essay was developed to characterize hydrocarbon reservoirs through the interpretation of 3D seismic reflection jointly with the application of seismic attributes. The open source software OpendTect 4.6 was used and the data was provided from dGB Earth Sciences regarding the F3 Block located in the Dutch sector of the North Sea. The data included a 3D seismic block of approximately 384 Km2 and also data of four wells (F2-1, F3-2, F3-4 and F6-1) with the respective Sonic and Gamma Ray logs. Firstly the main stratigraphic and structural units (horizons and faults) were mapped, followed by the application of several tools that helped to obtain a more accurate and complete model. The use of attributes, which currently assume a great importance in the industry, facilitated the process of interpretation, since it allowed increasing the signal-to-noise ratio, detect discontinuities and take advantage of direct hydrocarbon indicators. Through attributes a neural network was also trained in order to predict for the escape of fluids in the study area.