Determinação do Teor de Contaminação por Fluido de Perfuração em Amostras de Óleo

Henrique Alves Bacco Fonseca; Diego Pedroso dos Santos

DOI: 10.22167/2675-6528-202602997

Artigo derivado de Trabalho de Conclusão de Curso (TCC), com conteúdo baseado no trabalho original do aluno e adaptado ao formato editorial da Revista E&S com apoio da ferramenta ResumeAI, solução de inteligência artificial desenvolvida pelo Instituto Pecege para síntese e organização textual.

Resumo

A indústria de óleo e gás, com sua dependência de combustíveis fósseis, enfrenta desafios na perfuração de poços, onde a contaminação do óleo por fluidos de perfuração é um problema crítico. Métodos matemáticos existentes para descontaminação mostraram-se limitados a baixos níveis de contaminação (<5% m/m). Propôs-se uma nova abordagem para prever o nível de contaminação em amostras de óleo, visando distinguir óleos leves de pesados e estimar a porcentagem massa/massa de contaminação utilizando cromatogramas de cromatografia gasosa. Prepararam-se 12 amostras de óleo intermediário (°API 22.9) e leve (°API 41.8) com teores de contaminação controlados (1-50% m/m) em laboratório. Empregou-se cromatografia gasosa para obter os dados. Modelos de aprendizado de máquina supervisionado, incluindo Random Forest, XGBoost, LightGBM, CatBoost e ensembles, foram treinados e avaliados. Observou-se que o modelo ensemble, combinando LightGBM e Random Forest, foi o mais eficaz e consistente, prevendo com precisão os níveis de contaminação em óleos intermediários e leves em diversas faixas de concentração. Concluiu-se que este modelo permite aferir a quantidade de contaminação a partir de um simples cromatograma.

Palavras-chave: Aprendizado Supervisionado; Descontaminação; Exploração; Óleo Contaminado; Produção.

1. Introdução

Apesar dos esforços que têm sido feitos nas últimas décadas em relação à transição energética baseada em uma matriz mais limpa, a indústria de óleo e gás e a utilização de combustíveis fósseis continuam recebendo destaque na economia global (JARBOUI e ALOFAYSAN, 2024). Por se tratar de um recurso limitado, existe um grande investimento em tecnologias e processos que possibilitem a descoberta de novos poços, assim como a extração e transformação de óleo e gás em produtos com valor agregado, com cada vez mais eficiência e menor custo (SEIFI et al., 2024).

Uma das etapas mais dispendiosas na área da exploração e produção de óleo e gás é a perfuração de poços. Essa etapa é delicada e requer muito cuidado e avaliações minuciosas, sendo passível de acidentes e prejuízos (LASHARI et al., 2019; WU et al., 2023). Durante a perfuração, utiliza-se um fluido de perfuração que, apesar de suas funções importantes como controle de pressão e transporte de cascalhos, acaba contaminando o óleo de interesse (SUN et al., 2020). Há, portanto, uma necessidade de avaliar as propriedades e características do óleo sem essa contaminação para dimensionar e modelar a estrutura de extração, evitando ineficiências e danos (RATNAYAKE e SAMPEI, 2019). A coleta de amostras em ambiente offshore, por exemplo, é dispendiosa e complexa, exigindo ferramentas para “descontaminar” as amostras e obter as propriedades reais do óleo extraído (MURAVYEV, 2022; NIE et al., 2024).

Atualmente, algumas formas de obtenção dessas propriedades envolvem a descontaminação por meio de métodos matemáticos, como o “skimming” e o “subtraction”. Ambos os métodos baseiam-se na organização de dados de teor de frações de óleo não-contaminado ou contaminado contra massa molar em um gráfico semi-logarítmico (SKOOG, 2006). O método “skimming” assume que desvios da idealidade da reta são devidos à contaminação, sendo recomendado para contaminantes com espectro de distribuição composicional estreito. Já o método “subtraction” requer uma amostra do filtrado, ajustando o gráfico previsto por mínimos quadrados. Contudo, esses métodos apresentam limitações significativas: funcionam bem apenas para amostras com até cinco por cento de contaminação em massa e óleos leves. Acima dessa faixa, entre cinco e dez por cento, os métodos devem ser usados com cautela, e acima de dez por cento, já não são mais recomendados.

Diante dessas limitações, torna-se crucial encontrar métodos mais precisos e confiáveis para tratar a contaminação de amostras de óleo, independentemente do tipo de óleo ou do teor de contaminação. A busca por uma abordagem que utilize dados de cromatografia gasosa para prever o nível de contaminação é justificada pela necessidade de superar as restrições dos métodos tradicionais e fornecer uma ferramenta robusta para a indústria de óleo e gás.

Portanto, o objetivo do presente trabalho é treinar e avaliar modelos baseados em machine learning supervisionados, capazes de distinguir óleos leves de óleos pesados e de estimar a porcentagem massa/massa de contaminação por fluido de perfuração em amostras de óleos, utilizando apenas cromatogramas obtidos via cromatografia gasosa. Faz parte do objetivo principal também a comparação dos resultados obtidos pelo modelo com resultados adquiridos por aproximações e métodos matemáticos já conhecidos e usados pela empresa, como “subtraction” e “skimming”, avaliando a viabilidade de implementação prática do modelo para processos futuros.

2. Material e Métodos

O presente estudo caracterizou-se como uma pesquisa aplicada, com abordagem quantitativa e natureza preditiva. O objetivo central foi desenvolver e avaliar um modelo capaz de prever a quantidade de contaminação por fluido de perfuração em amostras de óleo, utilizando dados numéricos obtidos por medições instrumentais. Buscou-se, assim, oferecer uma solução prática para um problema real enfrentado pela indústria de exploração e produção de óleo e gás.

A metodologia empregada seguiu um fluxo estruturado, iniciando-se pela preparação de amostras de óleo com teores de contaminação controlados em laboratório. Para isso, doze amostras sintéticas foram preparadas com teores de contaminação por fluido de perfuração controlados em aproximadamente 1, 5, 10, 20, 30 e 50% em massa. Utilizaram-se amostras limpas de óleo intermediário (22.9 °API) e de óleo leve (41.8 °API), cedidas por uma empresa do setor, as quais foram essenciais para o treinamento do modelo, pois suas concentrações de contaminação eram conhecidas.

A técnica de cromatografia gasosa (CG) foi empregada para a obtenção dos dados composicionais das amostras. Na CG, os compostos da amostra vaporizada são separados com base na partição entre uma fase móvel (gás) e uma fase estacionária dentro de uma coluna cromatográfica (SKOOG, 2006). Um cromatógrafo a gás equipado com um detector de ionização em chama (FID) foi utilizado. Este detector submete os compostos orgânicos a uma queima, gerando íons que produzem uma corrente elétrica proporcional à quantidade de moléculas presentes, permitindo a identificação e quantificação dos componentes por comparação com padrões de referência.

As informações extraídas dos cromatogramas incluíram concentrações de hidrocarbonetos, altura, largura e área dos picos, além dos tempos de retenção dos compostos. Após a injeção e processamento dos dados pelo técnico, gerou-se um arquivo de texto com essas informações. Os dados utilizados foram provenientes de amostras de óleo coletadas entre 2023 e 2025, armazenadas em um banco de dados de uma empresa brasileira de óleo e gás. Para otimizar a limpeza e organização desses dados, e para automatizar a confecção de relatórios, desenvolveu-se o software ARAC (Automatização de Rotina Analítica para Cromatografia) em Python, que permitiu o processamento sequencial das amostras.

Para o treinamento e avaliação dos modelos, empregaram-se algoritmos de aprendizado de máquina supervisionado. Foram testados Random Forest (RF), eXtreme Gradient Boosting (XGBoost), Light Gradient Boosting Machine (LightGBM) e Categorial Boosting (CatBoost). O Random Forest opera combinando múltiplas árvores de decisão, selecionando subconjuntos de dados e características aleatoriamente, e agregando as previsões (BREIMAN, 2001; SALMAN, 2024). Os modelos XGBoost e LightGBM são baseados em “boosting”, construindo árvores sequencialmente para corrigir erros anteriores (CHEN, 2016; KE, 2017).

A etapa de modelagem envolveu a busca e o ajuste de hiperparâmetros para otimizar o desempenho dos modelos e evitar o “overfitting”. Utilizou-se a técnica RandomizedSearchCV para encontrar a melhor combinação de hiperparâmetros, com validação cruzada K-fold para garantir a robustez do treinamento. Para o treinamento e teste, empregou-se um conjunto de 400 amostras, cada uma com 127 características, que incluíam massa da amostra, concentrações de hidrocarbonetos (C3 a C29), valores de C20+, e diversas áreas e alturas relativas de picos cromatográficos. A avaliação dos modelos foi realizada por meio de métricas estatísticas como o Erro Absoluto Médio (MAE) e o Coeficiente de Determinação (R²).

Após o treinamento e a otimização, dez amostras adicionais foram preparadas em laboratório para testar a eficiência dos modelos finais. Essas amostras incluíram cinco de óleo intermediário e cinco de óleo leve, ambas com diferentes níveis de contaminação. As amostras foram injetadas e analisadas, e os resultados foram utilizados para comparar o desempenho de cada modelo individualmente, bem como de combinações de modelos (ensembles), avaliando sua capacidade de prever o teor de contaminação.

3. Resultados e Discussão

A avaliação dos modelos de aprendizado de máquina para a previsão do teor de contaminação em amostras de óleo iniciou-se com uma cuidadosa pré-separação dos dados. O conjunto de dados, composto por amostras reais e sintéticas, foi dividido de forma estratégica: 70% das amostras sintéticas foram destinadas ao treinamento e 30% ao teste, enquanto 80% das amostras reais foram utilizadas para treinamento e 20% para teste. Essa abordagem visou assegurar que o treinamento do modelo fosse robusto, utilizando predominantemente amostras com concentrações de contaminação conhecidas e controladas em laboratório, minimizando incertezas provenientes de dados reais calculados por métodos teóricos. Além disso, para balancear o aprendizado e conferir maior relevância a amostras de óleo leve contaminado, empregou-se uma função de peso inversamente proporcional ao valor de C20+ para cada amostra, acompanhada de normalização.

Para otimizar o treinamento e teste dos modelos, aplicou-se a técnica de validação cruzada K-fold, com a criação de dez divisões de tamanho igual após o embaralhamento dos dados. Essa metodologia permitiu que o modelo fosse treinado K vezes, com a média dos resultados sendo calculada ao final. Tal procedimento é fundamental para reduzir o risco de o modelo ser avaliado com base em uma única divisão específica, proporcionando uma estimativa mais confiável de sua performance em dados novos e não vistos. A etapa de modelagem envolveu a busca e o ajuste de hiperparâmetros para cada algoritmo, com o objetivo de aprimorar o desempenho e a acurácia, prevenindo o superajuste aos dados de treinamento.

No treinamento do XGBoost, por exemplo, utilizou-se o RandomizedSearchCV para identificar a melhor combinação de hiperparâmetros, controlando características como o número de árvores, profundidade máxima, taxa de aprendizado, proporção de amostras e colunas usadas, penalidade das divisões e peso mínimo de amostras em um nó. Foram testadas 150 combinações aleatórias, com a métrica de Erro Absoluto Médio (MAE) guiando o ajuste do modelo. Para o LightGBM, além dos hiperparâmetros mencionados, controlou-se o número máximo de folhas por árvore, enquanto no CatBoost, aplicou-se a regularização L2 para evitar o superajuste e penalizar grandes valores, promovendo árvores simétricas. No Random Forest, ajustou-se o número de árvores, o mínimo de amostras para dividir um nó e uma folha, e a quantidade de variáveis consideradas para cada divisão.

A análise individual dos modelos revelou desempenhos variados em diferentes faixas de contaminação. O modelo CatBoost apresentou o pior desempenho geral, com um Erro Absoluto Médio (MAE) de 0,2099 e um Coeficiente de Determinação (R²) de 0,8826 para a faixa de 0-5% de contaminação, e um MAE de 7,2032 e R² de 0,6847 para a faixa acima de 30%. O XGBoost mostrou-se eficaz para baixos níveis de contaminação, com MAE de 0,1301 e R² de 0,9462 na faixa de 0-5%, mas demonstrou desempenho inferior em faixas mais elevadas. Em contraste, os modelos LightGBM e Random Forest exibiram os melhores resultados em todas as faixas de contaminação, tanto em termos de MAE quanto de R², com o LightGBM alcançando MAE de 0,0961 e R² de 0,9643 para 0-5%, e o Random Forest com MAE de 1,5135 e R² de 0,9814 para a faixa acima de 30%.

Observou-se que, apesar de um maior Erro Absoluto Médio para faixas de alta concentração, os valores de R² para LightGBM e Random Forest permaneceram bons, indicando uma capacidade razoável de explicação da variância. Contudo, um R² muito próximo de um, combinado com um erro baixo, pode sinalizar um superajuste, o que ressalta a importância de testar os modelos com amostras não utilizadas no treinamento. Essa avaliação detalhada por faixa de contaminação foi crucial para compreender as particularidades de cada algoritmo e identificar suas limitações e pontos fortes, pavimentando o caminho para a combinação de modelos em um ensemble, visando mitigar as fraquezas individuais e potencializar a precisão geral.

Com o intuito de aprimorar a performance e a robustez dos modelos, especialmente considerando que cada um se destacava em diferentes faixas de contaminação, realizou-se um procedimento de ensemble, que consiste na combinação de múltiplos modelos. O CatBoost foi excluído dessa etapa devido ao seu desempenho consistentemente inferior. Foram testadas diversas combinações, incluindo LGBM + RF, LGBM + RF + XGB, LGBM + XGB e XGB + RF. Durante os testes, observou-se que os modelos que incluíam XGBoost apresentaram um peso muito próximo de zero, indicando sua menor contribuição para o ensemble otimizado.

O ensemble que apresentou o melhor desempenho geral foi a combinação de LightGBM e Random Forest (LGBM + RF), com um Erro Absoluto Médio (MAE) de 0,3583. Essa combinação utilizou um peso de 68% para o LightGBM e 32% para o Random Forest. Este modelo ensemble destacou-se por ser o mais equilibrado e consistente em todas as faixas de contaminação, apresentando os menores erros nas regiões consideradas críticas, como as faixas de 3-5%, 6-10% e 15-20%. Além disso, o ensemble LGBM + RF não demonstrou a explosão de erros observada em óleos leves quando o XGBoost ou o LightGBM eram utilizados isoladamente, evidenciando um equilíbrio superior entre precisão e robustez.

A robustez do ensemble LGBM + RF é atribuída à complementaridade dos modelos que o compõem. O LightGBM demonstrou ser particularmente eficaz em faixas de contaminação médias e em óleos leves, enquanto o Random Forest se destacou por sua estabilidade e excelente desempenho em faixas de contaminação mais altas e médias. Essa sinergia permitiu que o modelo combinado superasse as limitações individuais, oferecendo uma solução mais confiável para a previsão do teor de contaminação. Em contraste, os modelos XGBoost e CatBoost, quando utilizados isoladamente, mostraram-se menos eficazes e indicaram a necessidade de estratégias adicionais para sua aplicação em cenários práticos.

A análise de importância das variáveis, especialmente para o modelo Random Forest, revelou insights cruciais sobre os fatores que mais contribuem para a previsão da contaminação. As concentrações dos compostos C18 e C16 foram identificadas como as variáveis de maior importância, o que era esperado, uma vez que esses compostos são conhecidos por fazerem parte da composição do fluido de perfuração. No entanto, um achado notável foi a importância inesperada das áreas relativas dos compostos C11, C10, C12, C13 e C9. Esses compostos não são tradicionalmente associados ao fluido de perfuração, e sua relevância sugere a ocorrência de interferências ou reações químicas após a contaminação, abrindo novas e promissoras avenidas para futuras investigações e pesquisas na área.

A aplicação da análise SHAP (SHapley Additive exPlanations) forneceu uma compreensão mais aprofundada da contribuição de cada feature para as predições dos modelos. Para o XGBoost, os gráficos de importância de cada feature confirmaram que C18, C16, a área relativa de C16, a área relativa de C11 e a área relativa de C9, juntamente com a soma das outras 116 features, foram as que apresentaram maior magnitude de importância. O gráfico Beeswarm para o XGBoost indicou que a propriedade C18 é a variável mais influente, com valores mais altos de C18 aumentando a probabilidade de previsão de contaminação. A relevância de C16 também foi notada, embora com maior dispersão, sugerindo uma variabilidade em seu impacto.

Ainda na análise SHAP para o XGBoost, a área relativa de C16 demonstrou um impacto positivo com uma distribuição mais ampla, enquanto a área relativa de C11 exibiu um padrão distinto, onde valores altos tendiam a ter um impacto menor ou negativo na predição de contaminação. A área relativa de C9, por sua vez, apresentou uma mistura de cores e regiões, indicando dependência de outras variáveis e interações complexas. A soma das outras 116 variáveis, embora individualmente menos impactantes, mostrou um efeito distribuído significativo, sugerindo que o modelo captura padrões complexos que envolvem múltiplas features. Contudo, a presença de muitos pontos próximos de zero e outliers com alto impacto no Beeswarm pode indicar ruídos ou features redundantes.

Para o modelo LightGBM, a análise SHAP revelou que as principais variáveis que influenciam a predição são a área relativa de C9, a área relativa de C16 e a concentração de C16. A área relativa de C9 emergiu como um marcador chave para a análise da contaminação neste modelo, e C16 mostrou-se um indicador consistente, possivelmente devido à sua ligação com a composição do fluido de perfuração. A soma das outras 116 features, apesar de individualmente fracas, coletivamente ainda carregava uma quantidade considerável de informação, reforçando a capacidade do modelo de integrar múltiplas fontes de dados para suas predições.

No caso do Random Forest, a análise SHAP demonstrou um padrão de importância semelhante ao XGBoost para as quatro primeiras features: C18, C16, área relativa de C16 e área relativa de C11, além da soma das outras 116 features. Um aspecto distintivo do Random Forest foi a distribuição mais equitativa da importância entre as features, com uma maior contribuição da soma das 116 variáveis restantes. Isso sugere que o modelo não depende apenas de poucas variáveis dominantes, mas sim de um efeito coletivo de muitas features, indicando uma alta dimensionalidade relevante para o modelo e sua capacidade de capturar interações complexas.

Os gráficos Beeswarm para o Random Forest indicaram que valores elevados de C18 e C16 estão associados a uma maior previsão de contaminação. A presença de muitos pontos próximos de zero, com alguns outliers de alto impacto, sugere um comportamento não linear e uma forte reação do modelo em faixas específicas. A alta importância da soma das outras 116 features, combinada com a dispersão e os valores elevados, reforça a capacidade do Random Forest de capturar efeitos combinados complexos. Essa característica, em conjunto com o LightGBM, justifica a eficácia do ensemble em abranger diversas faixas de óleos com diferentes concentrações de contaminação, superando as limitações dos métodos tradicionais de descontaminação que funcionam apenas para baixos níveis de contaminação.

Em síntese, os resultados obtidos demonstram que o modelo ensemble, combinando LightGBM e Random Forest, representa uma solução robusta e precisa para prever o nível de contaminação em amostras de óleo. Este modelo superou os métodos tradicionais de “skimming” e “subtraction”, que são limitados a baixos níveis de contaminação (inferiores a 5% m/m), ao apresentar desempenho consistente e acurado em uma ampla gama de concentrações, de 1% a 50% m/m, e para diferentes tipos de óleo. A capacidade de aferir a quantidade de contaminação a partir de um simples cromatograma de cromatografia gasosa, com base nas variáveis identificadas como mais importantes, valida a abordagem de aprendizado de máquina como uma ferramenta promissora para a indústria de óleo e gás, permitindo avaliações mais eficientes e confiáveis das propriedades do óleo extraído.

4. Conclusão

O presente trabalho teve como objetivo treinar e avaliar modelos de aprendizado de máquina supervisionados para distinguir óleos leves de pesados e estimar a porcentagem massa/massa de contaminação por fluido de perfuração em amostras de óleo, utilizando cromatogramas de cromatografia gasosa. Verificou-se que o modelo ensemble, que combinou LightGBM e Random Forest, apresentou a performance mais eficaz e consistente. Este modelo demonstrou capacidade de prever com precisão os níveis de contaminação em óleos intermediários e leves em uma ampla faixa de concentração, de um a cinquenta por cento massa/massa. Tal desempenho superou as limitações dos métodos matemáticos tradicionais, como “skimming” e “subtraction”, que se mostraram restritos a baixos níveis de contaminação, inferiores a cinco por cento massa/massa. A análise de importância das variáveis identificou as concentrações de C18 e C16 como cruciais, além de revelar a relevância inesperada das áreas relativas de C11, C10, C12, C13 e C9, sugerindo possíveis interações ou reações químicas após a contaminação.

A principal contribuição deste estudo reside na entrega de uma solução robusta e precisa para a indústria de óleo e gás, permitindo aferir a quantidade de contaminação em amostras de óleo a partir de um simples cromatograma, o que otimiza as avaliações das propriedades do óleo extraído. Contudo, reconhece-se a limitação na diversidade das amostras de treinamento, especialmente para óleos de alta densidade API em baixas concentrações de contaminação, e a necessidade de incluir outros tipos de poços. Sugere-se, para estudos futuros, a expansão do banco de dados com amostras sintéticas de óleos de alta densidade API em baixas concentrações, bem como a investigação aprofundada da importância dos compostos C11, C10, C12, C13 e C9, para compreender os mecanismos de interferência ou reação pós-contaminação e aprimorar ainda mais a acurácia do modelo.

Referências Bibliográficas

JARBOUI, S.; ALOFAYSAN, H. (2024). Global energy transition and the efficiency of the largest oil and gas companies. Energies, v. 17, n. 10, p. 2271, 8 maio.

LASHARI, S. E. Z. et al. (2019). Drilling performance monitoring and optimization: a data-driven approach. Journal of Petroleum Exploration and Production Technology, v. 9, n. 4, p. 2747-2756, 24 abr.

RATNAYAKE, A. S.; SAMPEI, Y. (2018). Organic geochemical evaluation of contamination tracers in deepwater well rock cuttings from the Mannar Basin, Sri Lanka. Journal of Petroleum Exploration and Production

SEIFI, F. et al. (2024). Using new chemical methods to control water production in oil reservoirs: comparison of mechanical and chemical methods. Journal of Petroleum Exploration and Production Technology, 25 jul.

SUN, Y. et al. (2020). Study on a new environmentally friendly synthetic fluid for preparing synthetic-based drilling fluid. Frontiers in Chemistry, v. 8, 14 dez.

WU, Y. et al. (2023). Research on wellbore integrity assurance technology for deepwater high-pressure oil and gas wells. Energies, v. 16, n. 5, p. 2230, 25 fev.

Artigo oriundo de Trabalho de Conclusão de Curso da Especialização em Data Science e Analytics do MBA USP/Esalq

Para saber mais sobre o curso, clique aqui e acesse a plataforma MBX Academy