Please use this identifier to cite or link to this item: https://bdm.ufpa.br:8443/jspui/handle/prefix/1220
Compartilhar:
Full metadata record
DC FieldValueLanguage
dc.contributor.advisor1ANDRADE, André José Neves-
dc.contributor.advisor1Latteshttp://lattes.cnpq.br/8388930487104926pt_BR
dc.creatorBRITO, Daivison Nyvou Calado de-
dc.creator.Latteshttp://lattes.cnpq.br/5878604324890507pt_BR
dc.date.accessioned2019-03-19T14:05:54Z-
dc.date.available2019-03-19T14:05:54Z-
dc.date.issued2008-
dc.identifier.citationBRITO, Daivison Nyvou Calado de. Determinação da porosidade - integração do testemunho e do perfil de densidade através da rede neural backpropagation. Orientador: André José Neves Andrade. 2008. 49 f. Trabalho de Conclusão de Curso (Bacharelado em Geofísica) – Faculdade de Geofísica, Instituto de Geociências, Universidade Federal do Pará, Belém, 2008. Disponível em:. http://bdm.ufpa.br/jspui/handle/prefix/1220. Acesso em:.pt_BR
dc.identifier.urihttp://bdm.ufpa.br/jspui/handle/prefix/1220-
dc.description.abstractPorosity is an important petrophysical property of reservoir rocks to qualify oil and gas accumulations. Porosity can be estimated from two sources, core analysis and wireline logs. The core analysis is performed in the laboratory and provides a discrete direct measurement, while the processing and interpretation of wireline logs give an indirect porosity information, but continuous along the borehole depth. From wireline logs, porosity may be calculated using the density log. However, lack of matrix density of the reservoir may produce unrealistic porosity values. This work aims to make the integration of core analysis and density log using a backpropagation artificial neural network to map density values in porosity values from core analysis. The porosity calculation using this artificial neural network, which has as input the density log allows a lower cost process to acquire this important petrophysical information. The applicability of this methodology is verified using porosity values from conventional core analysis from one borehole drilled in Namorado oil field, Basin of Campos, Brazil. For the case appraised here, the artificial neural network exhibits compatible results.pt_BR
dc.description.resumoA porosidade é uma das mais importantes propriedades petrofísicas para a qualificação dos reservatórios de óleo e gás. Para estimar a porosidade nas rochas reservatórios são utilizadas duas fontes de dados, que são os testemunhos e os perfis geofísicos. A análise do testemunho que é realizada em laboratório fornece a medida direta da porosidade, enquanto que os perfis apresentam informações indiretas sobre a porosidade, mas contínuas ao longo da profundidade do poço. A porosidade e sua relação com o perfil de densidade é muito conhecida na geofísica de poço. Porém, a falta de conhecimento sobre a densidade da matriz da rocha reservatório e sobre a densidade do fluido são os principais problemas para o cálculo da porosidade. Este trabalho tem por objetivo realizar a integração ou mapeamento dos dados do perfil de densidade com os resultados da análise dos testemunhos, que produzem valores diretos da porosidade através de uma interpolação não-linear utilizando como metodologia a técnica de redes neurais treinadas com o algoritmo de backpropagation. A obtenção da porosidade com a rede neural artificial possibilita um menor custo para a aquisição dessa importante informação petrofísica, permitindo ao intérprete de perfis de poço optar ou não pela exploração de uma unidade estudada com uma visão mais completa. A aplicabilidade dessa metodologia é verificada com a utilização do perfil de densidade e valores de porosidade produzidos pela analise de testemunho para um poço perfurado no Campo de Namorado da Bacia de Campos, Brasil. Para os experimentos aqui realizados, essa metodologia exibiu estimativas de porosidade semelhantes aos valores produzidos na analise de testemunho.pt_BR
dc.description.provenanceSubmitted by Ana Paula Valadares (anapaularodriguesmma@gmail.com) on 2019-01-22T13:00:29Z No. of bitstreams: 2 license_rdf: 0 bytes, checksum: d41d8cd98f00b204e9800998ecf8427e (MD5) TCC_DeterminacaoPorosidadeIntegracao.pdf: 648749 bytes, checksum: a6983290b20f139fe495f141ef04dd6a (MD5)en
dc.description.provenanceApproved for entry into archive by Cleide Dantas (cleidedantas@ufpa.br) on 2019-03-19T14:05:54Z (GMT) No. of bitstreams: 2 license_rdf: 0 bytes, checksum: d41d8cd98f00b204e9800998ecf8427e (MD5) TCC_DeterminacaoPorosidadeIntegracao.pdf: 648749 bytes, checksum: a6983290b20f139fe495f141ef04dd6a (MD5)en
dc.description.provenanceMade available in DSpace on 2019-03-19T14:05:54Z (GMT). No. of bitstreams: 2 license_rdf: 0 bytes, checksum: d41d8cd98f00b204e9800998ecf8427e (MD5) TCC_DeterminacaoPorosidadeIntegracao.pdf: 648749 bytes, checksum: a6983290b20f139fe495f141ef04dd6a (MD5) Previous issue date: 2008en
dc.rightsAcesso Abertopt_BR
dc.source1 CD-ROMpt_BR
dc.subjectPorosidadept_BR
dc.subjectRedes neurais artificiaispt_BR
dc.subject.cnpqCNPQ::CIENCIAS EXATAS E DA TERRA::GEOCIENCIAS::GEOFISICApt_BR
dc.titleDeterminação da porosidade - integração do testemunho e do perfil de densidade através da rede neural backpropagationpt_BR
dc.typeTrabalho de Conclusão de Curso - Graduaçãopt_BR
Appears in Collections:Faculdade de Geofísica - FAGEOF/IG

Files in This Item:
File Description SizeFormat 
TCC_DeterminacaoPorosidadeIntegracao.pdf633,54 kBAdobe PDFView/Open


This item is licensed under a Creative Commons License Creative Commons