Fast mixture spatial regression: a mixture in the geographical and feature space applied to predict oil in the post-salt

Abstract

Extrair recursos geológicos, como fluidos de hidrocarbonetos, requer investimentos significativos e processos de tomada de decisão precisos. Para otimizar a eficiência do processo de extração, pesquisadores e especialistas da indústria têm explorado metodologias inovadoras, incluindo a previsão de locais de perfuração ótimos. A porosidade, um atributo fundamental das rochas de um reservatório, desempenha um papel crucial na determinação da sua capacidade de armazenamento de fluidos. Técnicas geoestatísticas, como a ''krigagem'', têm sido amplamente utilizadas para estimar a porosidade, capturando a dependência espacial em dados de amostras pontuais. No entanto, a dependência das coordenadas geográficas para determinar distâncias espaciais pode apresentar desafios em cenários de pequenas amostras e amplamente separadas. Neste artigo, desenvolvemos um modelo de mistura que combina a covariância gerada pelo espaço geográfico e a covariância gerada em um espaço de covariáveis (\textit{features}) apropriado para aprimorar a precisão da estimativa. Desenvolvido no contexto Bayesiano, nossa abordagem utiliza métodos de Monte Carlo com Cadeia de Markov (MCMC) e aproveita a estratégia do Processo Gaussiano dos vizinhos mais próximos (NNGP) para atingir escalabilidade. Apresentamos uma comparação em um estudo de simulação, considerando várias configurações para geração dos dados, a fim de avaliar o desempenho do modelo de mistura em comparação aos modelos marginais. Além disso, a aplicação dos nossos modelos em uma simulação de reservatório tridimensional demonstra sua aplicabilidade prática e escalabilidade. Esta pesquisa apresenta uma abordagem inovadora para a melhoria da estimativa de porosidade, integrando informações espaciais e de covariáveis, oferecendo o potencial para otimizar atividades de exploração e extração de reservatórios.