Propriedades de rocha como porosidade, permeabilidade e saturação de fluídos são de fundamental importância na compreensão de um reservatório e no auxílio à tomada de decisões sobre os rumos da exploração de um sistema petrolífero. Estas propriedades normalmente são calculadas com base em dados de perfilagem em um processo conhecido como avaliação petrofísica e que requer o uso de softwares pagos e da expertise de um profissional altamente experiente. Além disso, e um processo que eventualmente pode demorar dias , implicando em altos custos de stand by de sonda, desmobllização ou mobilização de equipes para realização de testes adicionais como extração de testemunhos, teste de formação e fraturamento hidráulico. Desta forma , este trabalho propôs um fluxo de trabalho alternativo capaz de estimar parâmetros como porosidade , permeabilidade e espessura do intervalo portador de gás por meio de uma série de algorítmos baseados em aprendizagem de máquina. Técnicas como Gradient Boosting, Redes Neurais Artificiais (RNA) , K-means e Máquinas de Vetores de Suporte (SVM) foram utilizadas para construir modelos preditivos de porosidade, permeabilidade e também para classificar e agrupar as rochas-reservatório possibilitando estimar os principais intervalos portadores de gás. Alémn disso, o uso destas técnicas possibilitou recuperar com sucesso perfis de densidade em poços antigos, perfilados em um período anterior ao advento das ferramentas de medição de densidade. Para isso, foram utilizados registros de perfilagem de poço, resultados de análises laboratoriais de porosidade, permeabilidade, teor de carbono orqânico e dados de cromatografia gasosa. Outro objetivo importante foi estudar e compreender as características petrofísicas e geoquímicas dos sistemas petrolíferos da Bacia do Parnaíba com uso de dados de 54 poços perfilados na bacia.

Sedimentary rock proprieties such as porosity, permeability and fluid saturation are of fundamental importance in understanding a reservoir and in helping to make decisions of direction of exploration of petroleum system. These properties are usually calculated based on profiling data in a process known as petrophysical appraisal that requires the use of paid software and the expertise of a highly experienced professional. In addition , it may take a few days to complete, resulting in high costs of stand by in drilling operation, demobilization or team mobilization for additional testing such as core extraction , formation testing and hydraulic fracting. Thus, this paper proposes an alternative workflow capable of estimating parameters such as porosity, permeability and Netpay thickness by a series of machine learning based algorithms. Techniques such as Gradient Boosting, Artificial Neural Networks (RNA), K-means and Support Vector Machines (SVM) were used to built predictive models of porosity, permeability and also to classify and group the reservoir, allowing to estimate the main netpay zones. In addition, the use of these techniques has made it possible to successfully recover density profiles in old wells profiled in a period prior to the advent of density measurement tools. For this purpose, well logging records , results of laboratory analysis of porosity, permeability, organic carbon content and gas chromatography data were used . Another important objective of this work was to study and understand the petrophysical and geochemical characteristics of the Parnaiba basin petroleum systems. For this purpose data from 54 wells profiled in the basin were used.