Conhecer a geoquímica e mineralogia das rochas é essencial para a avaliação de formações e caracterização dos reservatórios. Usualmente, modelos geoquímicos e mineralógicos são criados usando os perfis geoquímicos, utilizando as concentrações dos elementos químicos presentes na matriz da rocha para calcular as frações minerais. Entretanto, incertezas observadas na criação desses modelos e a disponibilidade dos perfis geoquímicos e de amostras de rocha em cenários de cortes de gastos torna essa modelagem desafiadora. Nos campos do pré-sal da Bacia de Santos operados pela Petrobras, a aquisição da ferramenta geoquímica e de amostras de rocha é mais frequente na fase exploratória, sendo diminuída nos poços da fase de desenvolvimento. Com essas complexidades, algoritmos de aprendizado de máquina representam uma solução para a criação de modelos geoquímicos e mineralógicos alinhados com o cenário de redução de custos da companhia. Para o modelo geoquímico, uma base de dados foi criada com os perfis de 19 poços. Os dados de entrada foram os perfis de raios gama, espectroscopia de raios gama, densidade, fator fotoelétrico, nêutrons, ressonância magnética nuclear e sônico. Os dados de saída foram as concentrações de Al, Ca, Fe, Mg, Na, Si, S e Ti. O algoritmo de aprendizado de máquina XGBoost foi treinado para gerar perfis geoquímicos sintéticos, e os resultados foram avaliados usando um conjunto de validação e validação cruzada. Com exceção do Na, com R2 acima de 0,70, os modelos dos demais elementos apresentaram R2 acima de 0,80. Para o modelo mineralógico, duas metodologias foram criadas. Na primeira, uma base de dados foi criada com as análises de FRX e DRX de 1.376 amostras de rocha coletadas no pré-sal. Os dados de entrada foram as concentrações de Al, Ca, Fe, K, Mg, Na, Si e Ti, e os dados de saída foram as frações de calcita, dolomita, quartzo, K-feldspato, argilas detríticas, plagioclásio e piroxênio. O algoritmo XGBoost foi utilizado através de aprendizado escalonado, melhorando o resultado dos modelos de argilas detríticas, quartzo e calcita quando comparada com técnicas tradicionais. O segundo modelo mineralógico utilizou uma modelagem híbrida, criada através da integração dos algoritmos do aprendizado escalonado com um modelo probabilístico. A etapa probabilística utilizou as informações dos algoritmos de aprendizado de máquina em conjunto com os perfis de densidade, fator fotoelétrico, frações de fluido da ressonância magnética nuclear e geoquímicos, para estimar também as frações de pirita, barita e argilas magnesianas, que não haviam sido contemplados na base de dados. Os modelos geoquímicos e mineralógicos foram aplicados a dados de perfis de poços não utilizados no treinamento e validação, para testar sua qualidade em situações reais. Os modelos foram capazes de honrar os perfis geoquímicos reais e as frações minerais observadas em análises de DRX, confirmando sua robustez e capacidade de generalização. Ficou demonstrado que as metodologias propostas são capazes de gerar modelos geoquímicos e mineralógicos de alta qualidade, alinhado com as iniciativas de otimização e redução de custos.

Knowing the geochemistry and mineralogy of rocks is essential for formation evaluation and reservoir characterization. Usually, geochemical and mineralogical models are created using geochemical logs, using the abundance of chemical elements present in the rock matrix to calculate mineral fractions. However, uncertainties observed when creating these models and the availability of geochemical logs and rock samples in scenarios of cost reduction makes this modeling challenging. In the pre-salt fields in the Santos Basin operated by Petrobras, the acquisition of the geochemical tool and rock samples is more frequent in the exploratory phase, decreasing in wells in the development phase. With these complexities, machine learning algorithms represent a solution for creating geochemical and mineralogical models aligned with the companys cost reduction scenario. For the geochemical model, a database was created with the logs of 19 wells. The input data were gamma-ray, gamma-ray spectroscopy, density, photoelectric factor, neutron porosity, nuclear magnetic resonance, and acoustic logs. The output data were Al, Ca, Fe, Mg, Na, Si, S, and Tis concentrations. The machine learning algorithm XGBoost was trained to generate synthetic geochemical logs, and the results were evaluated using a validation set and cross-validation. Except for Na, with R2 above 0.70, the models of the other elements showed R2 above 0.80. For the mineralogical model, two methodologies were created. In the first one, a database was created with the FRX and DRX analyzes of 1,376 rock samples collected in the pre-salt. The input data were the concentrations of Al, Ca, Fe, K, Mg, Na, Si, and Ti, and the output data were the fractions of calcite, dolomite, quartz, K-feldspar, detrital clays, plagioclase, and pyroxene. The XGBoost algorithm was used through stepped machine learning, improving the result of the models of detrital clays, quartz and calcite when compared to traditional techniques. The second mineralogical model used a hybrid model, created through the integration of the stepped machine learning algorithms with a probabilistic model. The probabilistic phase used the estimates from the machine learning algorithms together with density, photoelectric factor, nuclear magnetic resonance, and geochemical logs to also estimate the fractions of pyrite, barite and magnesian clays, which had not been included in the database. The trained geochemical and mineralogical models were applied to data from well logs not used in training and validation to test their quality in real situations. The models were able to honor the real geochemical logs and mineral fractions observed in XRD analyzes, confirming their robustness and generalization capacity. It was demonstrated that the proposed methodologies can generate high-quality geochemical and mineralogical models in line with optimization and cost reduction initiatives.