Desafio de inovação 3344 · Exploração e Produção de Petróleo e Gás Natural - Onshore e Offshore
Desenvolvimento de sistema integrado para a previsão de dados geoquímicos de rochas geradoras baseado em Py-GC-MS e espectroscopia no infravermelho
julgamento
- Prazo de envio
- 23/10/2026, 00:00
- Tema
- Exploração - Horizonte Pré-Sal, Águas Profundas, Bacias Maduras e Novas Fronteiras Exploratórias
- Subtema
- Estudos Geológicos das Bacias Sedimentares
- TRL pretendido
- TRL4-6
- Desenvolvimento
- até 36 meses
Objetivo
Objetivo geral:
Desenvolver um sistema baseado em inteligência artificial para a previsão de dados geoquímicos de rochas sedimentares baseada em análises por Py-GC-MS e espectroscopia no infravermelho.
Objetivos específicos:
Py-GC-MS: Realizar a caracterização molecular por meio de pirólise acoplada à cromatografia gasosa (Py-GC-MS). Estabelecer protocolos analíticos para a análise de rochas geradoras englobando uma ampla faixa de teor de matéria orgânica. Desenvolver algoritmos de processamento de dados e inteligência artificial buscando a resolução da complexidade composicional dos cromatogramas obtidos. Realizar análise multivariada das classes de compostos gerados, permitindo a identificação precisa dos marcadores geoquímicos de maturação e parâmetros de geração.
Espectroscopia no infravermelho: Realizar a caracterização de amostras por meio de espectroscopia no infravermelho. Estabelecer protocolos analíticos para a análise de rochas geradoras englobando uma ampla faixa de teor de matéria orgânica, composição mineralógica e evolução térmica. Identificar e correlacionar as características espectrais à estimativa de contaminação por fluidos de perfuração, às condições de teor de matéria orgânica, composição mineralógica e evolução térmica. Desenvolver algoritmos que possibilitem a geração de estimativas em tempo real da contaminação, valores de COT (Carbono Orgânico Total), índices Rock-Eval e maturidade térmica (VRo %).
Aplicar algoritmos de processamento de dados, análise multivariada e machine learning para a padronização dos dados cromatográficos obtidos por GC/MS. O método de processamento deverá estabelecer escalas comuns de tratamento para novos dados inseridos e habilitar um algoritmo de busca por similaridade, permitindo a correlação rápida e automatizada entre novas amostras e o histórico.
Desenvolvimento de ferramenta, empregando técnicas de IA e ML, para identificação de litologias em amostras de calha, utilizando imagens de alta resolução.
Desafio
A avaliação molecular detalhada via Py-GC-MS gera dados de altíssima complexidade. Efeitos de matriz e severas co-eluições cromatográficas dificultam a análise molecular precisa e a interpretação exata dos fenômenos de volatilização (betume livre) e craqueamento térmico. Portanto, a análise dos resultados produzidos irá requerer a aplicação de algoritmos avançados de processamento de dados para a resolução de co-eluições e identificação dos componentes volatilizados em cada etapa da pirólise. Também deverão ser criadas rotinas computacionais que integrem desde o pré-processamento do sinal bruto até o cálculo final dos parâmetros geoquímicos.
Da mesma forma, a avaliação dos dados gerados por espectroscopia na região do infravermelho irá requerer a aplicação de algoritmos preditivos robustos e calibrados com um amplo conjunto de dados de referência laboratorial para lidar com variações da matriz rochosa.
Aplicação de técnicas de machine learning e inteligência artificial na identificação de litologias em amostras de calha.
Estimula-se a colaboração/contratação de instituições e/ou startups par auxiliar no desenvolvimento de programação.
Solução esperada
Método
O presente projeto desdobra-se em 4 soluções:
Integração de pirólise-GC/MS, algoritmos de processamento de dados e inteligência artificial na análise de rochas geradoras. A solução deverá englobar a caracterização molecular dos produtos gerados pela pirólise acoplada à cromatografia gasosa por meio do desenvolvimento de algoritmos de processamento dos dados e inteligência artificial. Além de análise multivariada para a identificação dos marcadores geoquímicos moleculares de maturação e parâmetros de geração.
Previsão de parâmetros de contaminação por fluidos de perfuração, COT, índices Rock-Eval e maturidade térmica (VRo %) por meio de triagem in situ empregando-se espectroscopia no infravermelho associada a modelos de inteligência artificial. A solução esperada empregará a espectroscopia na região do infravermelho como método rápido e não destrutivo para predição de propriedades geoquímicas. Os dados espectrais deverão alimentar modelos de inteligência artificial calibrados laboratorialmente para previsão dos parâmetros já citados.
Ferramentas de processamento dos dados, machine learning e análise multivariada para o estabelecimento de um sistema padronizado de processamento para a aplicação em dados cromatográficos obtidos por GC/MS. A solução deverá estabelecer escalas comuns de tratamento para novos dados inseridos e habilitar um algoritmo de busca por similaridade, permitindo a correlação rápida e automatizada entre novas amostras e o histórico (também a ser tratado).
Ferramenta de classificação empregando técnicas de IA e ML, para identificação de litologias em amostras de calha, utilizando imagens de alta resolução.
Estimula-se a colaboração/contratação de instituições e/ou startups par auxiliar no desenvolvimento de programação.
Acompanhe os desafios de inovação da Petrobras
O ControlBid organiza os desafios abertos, prazos e a sua participação.
Perguntas sobre este desafio
Qual o prazo para enviar proposta ao desafio 3344?
Encerrou em 23/10/2026, 00:00, horário de Brasília.
Que tipo de solução o desafio 3344 espera?
Método, com maturidade TRL4-6 e até 36 meses de desenvolvimento.