WO2013163707A1 - Processo para identificação e classificação de áreas de exsudações de óleo no fundo do mar através de modelagem inversa - Google Patents

Processo para identificação e classificação de áreas de exsudações de óleo no fundo do mar através de modelagem inversa Download PDF

Info

Publication number
WO2013163707A1
WO2013163707A1 PCT/BR2013/000136 BR2013000136W WO2013163707A1 WO 2013163707 A1 WO2013163707 A1 WO 2013163707A1 BR 2013000136 W BR2013000136 W BR 2013000136W WO 2013163707 A1 WO2013163707 A1 WO 2013163707A1
Authority
WO
WIPO (PCT)
Prior art keywords
process according
oil
current
time
wind
Prior art date
Application number
PCT/BR2013/000136
Other languages
English (en)
French (fr)
Inventor
Manilo Fernandes MANO
Original Assignee
Oil Finder Servicos De Sensoriamento Remoto E Modelagem Computacional Ltda
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Oil Finder Servicos De Sensoriamento Remoto E Modelagem Computacional Ltda filed Critical Oil Finder Servicos De Sensoriamento Remoto E Modelagem Computacional Ltda
Priority to US14/115,086 priority Critical patent/US20150051883A1/en
Priority to EP13784403.1A priority patent/EP2848962A4/en
Publication of WO2013163707A1 publication Critical patent/WO2013163707A1/pt

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/88—Radar or analogous systems specially adapted for specific applications
    • G01S13/89—Radar or analogous systems specially adapted for specific applications for mapping or imaging
    • G01S13/90—Radar or analogous systems specially adapted for specific applications for mapping or imaging using synthetic aperture techniques, e.g. synthetic aperture radar [SAR] techniques
    • G01S13/9021—SAR image post-processing techniques
    • G01S13/9027—Pattern recognition for feature extraction
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F17—STORING OR DISTRIBUTING GASES OR LIQUIDS
    • F17D—PIPE-LINE SYSTEMS; PIPE-LINES
    • F17D5/00—Protection or supervision of installations
    • F17D5/02—Preventing, monitoring, or locating loss
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
    • G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
    • G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
    • G01S7/411—Identification of targets based on measurements of radar reflectivity
    • G01S7/412—Identification of targets based on measurements of radar reflectivity based on a comparison between measured values and known or stored values
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
    • G01V20/00—Geomodelling in general
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
    • G01V3/00—Electric or magnetic prospecting or detecting; Measuring magnetic field characteristics of the earth, e.g. declination, deviation
    • G01V3/12—Electric or magnetic prospecting or detecting; Measuring magnetic field characteristics of the earth, e.g. declination, deviation operating with electromagnetic waves
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
    • G01V9/00—Prospecting or detecting by methods not provided for in groups G01V1/00 - G01V8/00
    • G01V9/007—Prospecting or detecting by methods not provided for in groups G01V1/00 - G01V8/00 by detecting gases or particles representative of underground layers at or near the surface

Definitions

  • the technology identifies, from computer models, areas on the seabed where natural oil escapes (exudation) occur. Considering that these escapes indicate the existence of oil generation and migration and that the technology is based on a simulator, reverse modeling allows to locate new oil systems in any oceanic region of the world. By significantly reducing exploration costs and risks, the technology applies primarily to oil exploration.
  • Document PI0622161-0 describes a radar system comprising a mobile platform (10) along a path relative to a ground surface portion (20) and carrying a positioning device, timing device and radar equipment. (1). It is adapted to implement SAR for form image of the soil portion. It includes recording means for collecting raw radar data comprising radar echo amplitudes annotated with distance and with the time of collection and being interlaced with the platform position measurement data noted with the respective time of their collection time.
  • processing means for processing SAR using the collected raw radar data and position measurement data, and being adapted to calculate, by iteration, a sequence of sum k-lengths of radar amplitudes, annotated with distance and angle parameters, defined with respect to a common origin in three-dimensional space defined at a location along a vector formed by the sum vector PQPJ + PiP2 + ... + P A iPfc of k vectors of 3 dimensions PQPJ, -PjP2V -5 Pk-I-Pk connected.
  • Each vector (sub-aperture) contains a respective origin of each summation radar amplitude term, and the means of
  • the processing data is adapted to initiate the iteration process in a first iteration stage by considering raw radar data as amplitudes, where this radar data has its origins along vectors starting and ending at 3-dimensional points given by the positioning measurements. .
  • CN102096070 describes an oil spill detection on the sea surface by a full polarization synthetic aperture radar.
  • the method comprising the following steps of: performing adaptive threshold value segmentation on a full polarization SAR image to obtain full polarization SAR images sent from the sea surface; selecting a prepared sample and a test sample of the full SAR polarization images sent from the sea surface; preparing a vector support machine (SVM) detector, and vectors
  • SVM vector support machine
  • detector polarization normalization which comprise an H scatter entropy, an alpha scatter angle, negative entropy A, gamma ratio co-polarization, delta ratio cross polarization, delta ratio depolarization, phi HH-W co-polarization phase difference and phi HH-W difference phase cross polarization; and finally, detection and identification of oil leakage and suspicious objects by the use of SVM and submission of the detection result.
  • the method has high speed detection features and low false alarm range, and is suitable for detection of sea surface oil leakage by SAR.
  • Document CN101571915 discloses a method for identifying oil spill by a SAR image based on a characteristic value, comprising the following steps: a, selecting the SAR image to be identified for processing; b) performing edge detection on the image using an enhanced C-V model to determine a target boundary; c) measurement of characteristic value after extraction of a target; d,
  • the proposed technique uses the advantage that synthetic aperture radar (SAR) can perform oil spill monitoring in high resolution day and night and under all weather conditions;
  • SAR synthetic aperture radar
  • the characteristic value selected is small in quantity and has obvious effect of judging oil spill compared to other conventional characteristic quantities (such as area, perimeter and the like);
  • the method has a simple algorithm and is easy to perform using the Mahalanobis distance method and the composite probability method. and the method is advantageous to be performed by computer programming.
  • document RU2231037 describes, in the field of testing and measurement technology, a selection of oil and gas waterproofing equipment, a proposed method consisting of observing the tube towards the route location by a low altitude flying vehicle in simultaneous digitization of the tube with the aid of infrared and TV sensor adjusted image and digital filtering of locator signals, infrared image and TV sensors; three additional locators of different wavelengths are used as route locators; four-locating transceiver antennas are located at the blade tips of the helicopter's main rotor; signals received by these antennas are processed by the synthetic aperture algorithm; liquid leak gas indicator is the local temperature drop recorded by the infrared image sensor and received information radar and TV sensor; The depth of the pipe is determined by the color of the image in the viewfinder display. This gives greater accuracy of leak location.
  • the reverse modeling proposed in this invention allows the final information to be seafloor (no longer surface) escape areas, which is the information that really matters for exploration.
  • point groups identified on the sea surface have the same origin at the bottom, ie the number of points on the surface is greater than the number of exhaust sources. Inverse modeling is therefore more accurate and more refined. Tests carried out to date indicate that inverse modeling reduces the research area by more than 50 times and refines by 8 times the results already described in the state of the art.
  • the present invention provides a process which describes a inverse modeling that regresses in time and space to estimate the trajectory of an oil slick between the position on the sea surface where it was detected by satellite and the location where the escape occurred on the seabed.
  • the final information is therefore the seabed oil exudation area. Once identified, these areas are
  • each oil feature is associated with a three-dimensional oceanic circulation and a time-varying wind field with hourly frequency. Wind fields are obtained from satellite and circulation is obtained by assimilating satellite data (sea surface elevation and temperature).
  • the grid of the model is configured to represent the main oceanographic forcing in the region.
  • the 3D current and wind fields obtained by hydrodynamic modeling are imported by the inverse model.
  • the entries in the model are: bathymetry; current and wind, varying in time and three-dimensional space; and date, time and oil position at satellite detection time.
  • the model then regresses in time, transporting the oil from the detection position to its bottom origin. For each exudation, several simulations are made. The exudation areas are defined by calculating the point where the maximum convergence between the solution sets occurs. Algorithms were
  • Figure 1 shows a schematic drawing of the inverse modeling principle.
  • Figure 2 shows a schematic representation of the delimitation of the exudate area at the bottom of the sea.
  • the present invention provides a process which describes an inverse modeling that regresses in time and space to estimate the trajectory of an oil slick between the position on the sea surface where it was detected by satellite and the place where the escape occurred. , under the sea.
  • the final information is therefore the seabed oil exudation area.
  • Figure 1 illustrates an exudate area (2) defined by inverse modeling where each oil feature (1) identified on the sea surface has its inverse trajectory (that is, going back in time) simulated by a computational model.
  • Features may have different dates and each feature will have the corresponding oceanic and atmospheric setting.
  • Exudation area classification An algorithm analyzes the characteristics of the exudation area and assigns a score, called the reliability factor (Fc), which will be combined with the area size to arrive at a classification between 6 predefined levels:
  • N1 is the class that indicates the lowest exploratory risk.
  • the main objective of hydrodynamic modeling is to simulate the three-dimensional current field using the physical principles of conservation of motion, energy and mass. These principles can be expressed in a complex system of differential equations.
  • the hydrodynamic model used for the long term simulation was the Princeton Ocean Model (POM).
  • the model simulates the current system of a given region for each time step (around 10 to 20 seconds) for more than 3 years.
  • the current values are calculated for the model grid nodes.
  • the distance between the nodes is defined to represent the main oceanographic features of the region (ocean currents, vortices etc.).
  • the water column is divided into 15 to 35 layers, depending on the level of circulation complexity in the region. Each depth layer will have its simulated circulation.
  • the model uses actual wind, heat flux, tide, sea temperature and sea surface elevation data obtained from different satellites. This insertion of data observed in computer models is known as data assimilation.
  • the main source of data for hydrodynamic simulations is operational satellites. However, your information is only from Sea surface. Therefore, it is necessary to resort to a methodology capable of projecting surface data along the depth. Since surface data correlate with the vertical current structure, it is possible to infer the three-dimensional current field from satellite data.
  • the method used here to make this vertical projection is based on the calculation of coefficients and correlation factors. To do so, it uses long-term modeling data to ensure meaningful statistics. With hydrodynamic modeling, it is possible to have, in the order of seconds, for example every 10 to 20 seconds, the three-dimensional current values at each grid node over the years. This data volume ensures a satisfactory sample universe. Below are the definitions of factor and correlation coefficient.
  • ⁇ > indicates mean value over time and is the correlation factor between surface current (U 0 ) and current in different layers (U).
  • C yo is the correlation coefficient between surface current (U 0 ) and current in the different layers (U).
  • the current in the different depth layers (U) can be obtained from the surface current (U 0 ) using the correlation factors calculated above.
  • the final current (U f ), used in inverse modeling, is a function of U and y :
  • each exudate (1) identified on the sea surface has associated with it a hydrodynamic 'cube' representing the four-dimensional circulation (three spatial dimensions and time) reconstituted for the date of satellite exudation detection (1) and the days
  • the first layer of this cube (surface) is calculated using wind, elevation and sea surface temperature data obtained from satellites.
  • the other layers are calculated from the coefficients and correlation factors.
  • to this cube are still added the tidal currents.
  • the 4D current and wind fields obtained in the hydrodynamic simulation are imported by the inverse model. It is these fields that will transport the oil to its origin, going back in time.
  • the entries in the model are: bathymetry; current and wind, varying in time and three-dimensional space; and date, time and oil position at satellite detection time.
  • the model goes back in time carrying the centroid of the detected oil slick on the surface, ie what is transported is the point of the slick representing its center of mass.
  • the position in the previous time step S ia is calculated from the velocity, the temporal resolution of the model (At) and a random displacement due to diffusive processes:
  • Sia Si + dif.
  • the order of the current fields is reversed, that is, the first field of v to be used is the moment of satellite detection, the second field of v is 1 hour before the detection and so on.
  • the model Besides the transport promoted by the current calculated in the hydrodynamic simulation step f ), the model considers two effects: (1) the additional transport exerted by the wind, since the wind tension on the oil is different from the water (the tension wind over water has already been accounted for in the hydrodynamic simulation); and (2) shipping due to waves. These effects are parameterized according to the wind and added to the speed field that will transport the oil:
  • the time the oil remains on the sea surface before being detected by the satellite is obtained as a function of the oil backscatter coefficient in the SAR image ( ⁇ °) and the wind at the time of detection.
  • Synthetic aperture radar (SAR) images are the most commonly used for detecting oil slicks on the sea surface.
  • the backscatter coefficient is a radiometric quantity that expresses the radar return signal per unit area. The presence of oil decreases surface backscatter, but as surface time increases, the contrast between oil backscatter and adjacent water disappears. This function was obtained empirically during the technology validation process.
  • each oil exudation (1) on the sea surface is associated with a set of solutions, with at least 25 points on the sea floor, which are its possible origins.
  • the first step in defining the exudation area is to identify solution clusters of different exudates, that is, solution groups that are next to each other.
  • An algorithm scans all solutions of all exudations, looking for clusters of 3 or more different exudation solutions, where the maximum convergence occurs between them (the sum of the distances between solution points is the smallest).
  • Solution clusters of 2 or fewer exudates are not selected, ie each identified cluster will contain at least 3 points, which are solutions of different exudates.
  • the largest distance between the cluster solutions is calculated, according to the distance M in Figure 2. Assuming that the solutions of a given cluster should converge to the same point, this greater distance is the estimate. error method. Adding the distance M to the geographical limits defined by the solutions gives the area of oil exudation on the seabed. This process is done for each cluster.
  • the area of exudation is defined from the solutions in the ocean floor of at least 3 different exudations (S1, S2 and S3), where the greatest distance between solutions, which in this example occurs between S1 and S3 (distance M) is considered as the method error estimate. This distance is added to the coordinate limits defined by the solutions to calculate the exudate area (A).
  • Each area of exudation is classified according to the associated exploratory risk.
  • the better classification level indicates higher precision and probability of oil leakage, which translates into lower exploratory risk.
  • the classification takes into account two parameters, exudate area size and its reliability factor. The smaller the area, the higher its accuracy, and the higher the reliability factor, the greater the confidence that oil exudation occurs. in that area.
  • the Reliability Factor is a function of 5 variables: (1) number of cluster solutions; (2) number of distinct dates between cluster exudates; (3) horizontal distance between the exudate detection position and its origin at the bottom; (4) mean TS error; and (5) proximity to geological faults.
  • Each variable has a weight and receives a score from 0 to 1.
  • Specific software through an algorithm, weights these scores with their respective weights and calculates a final score, also from 0 to 1, which is the Area Reliability Factor. of exudation.
  • the inverse modeling technology was validated in a COPPE / UFRJ project with Petrobras, where 10 seafloor exudation areas were mapped. In 80% of the cases, the exudate area was over a geological fault or less than 2 km away, as shown in the table below. Geologic faults are the paths through which oil migrates to reach the ocean. Thus, the high correlation between the areas defined by inverse modeling and the presence of geological faults proves the effectiveness of the method.

Landscapes

  • Engineering & Computer Science (AREA)
  • Remote Sensing (AREA)
  • Physics & Mathematics (AREA)
  • Radar, Positioning & Navigation (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Life Sciences & Earth Sciences (AREA)
  • Geophysics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Electromagnetism (AREA)
  • Environmental & Geological Engineering (AREA)
  • Geology (AREA)
  • Mechanical Engineering (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Geophysics And Detection Of Objects (AREA)
  • Image Processing (AREA)

Abstract

A presente invenção apresenta um processo que descreva uma modelagem inversa que faz uma regressão no tempo e no espaço para estimar a trajetoria de uma mancha de óleo entre a posição na superfície do mar, onde foi detectada por satélite, e o local onde ocorreu o escape, no fundo do mar. A informação final é, portanto, a área de exsudação de óleo no fundo do mar. Após sua identificação, estas áreas são classificadas de acordo com níveis de confiabilidade, do menor para o maior grau de risco exploratório. Este grau de confiabilidade é medido de acordo com rigorosos critérios temporais, hidrodinâmicos, geográficos e geológicos.

Description

PROCESSO PARA IDENTIFICAÇÃO E CLASSIFICAÇÃO DE ÁREAS DE EXSUDAÇÕES DE ÓLEO NO FUNDO DO MAR ATRAVÉS DE
MODELAGEM INVERSA CAMPO DE APLICAÇÃO
A tecnologia identifica, a partir de modelos computacionais, áreas no fundo do mar onde ocorrem escapes naturais de óleo (exsudação). Considerando que esses escapes indicam a existência de geração e migração de petróleo e que a tecnologia se baseia em um simulador, a modelagem inversa permite localizar novos sistemas petrolíferos em qualquer região oceânica do mundo. Por reduzir significativamente os custos e os riscos exploratórios, a tecnologia se aplica principalmente à exploração de petróleo.
ESTADO DA TÉCNICA
O mapeamento remoto de exsudações de óleo é feito atualmente por radares de abertura sintética (SAR, na sigla em inglês), a bordo de satélites ou aeronaves, que 'enxergam' apenas a superfície do mar. Ou seja, a informação final são pontos na superfície do mar, onde manchas de óleo foram detectadas. No entanto, até a mancha de óleo ser detectada, ela percorreu toda a coluna d'água e, após chegar à superfície do mar, foi transportada pelas correntes superficiais. A distância entre a projeção vertical do ponto na superfície para o ponto onde o óleo efetivamente escapou pode chegar a centenas de quilómetros. E, conforme a exploração de petróleo caminha para regiões mais offshore, esse efeito do transporte oceânico será cada vez maior. No estado da técnica, documentos descrevem tecnologias que atuam apenas na superfície do mar.
O documento PI0622161-0 descreve um sistema de radar compreendendo uma plataforma (10) móvel ao longo de um trajeto em relação a uma porção de superfície do solo (20) e carregando um dispositivo de posicionamento, um dispositivo de temporização e um equipamento de radar (1). Este é adaptado para implementar SAR para formar imagem da porção do solo. Inclui meios de gravação para coletar dados brutos de radar compreendendo amplitudes de eco de radar anotadas com distância e com o momento de tempo de coleta e sendo entrelaçados com os dados de medição da posição da plataforma anotados com o respectivo momento do tempo de coleta deles. Também compreende meios de processamento (3,4) para processamento de SAR usando os dados brutos de radar e dados de medição de posição coletados, e sendo adaptados para calcular, através de iteração, uma sequência de somatórios de comprimento k de amplitudes de radar, anotadas com parâmetros de distância e de ângulo, definidos com relação a uma origem comum no espaço em três dimensões definida em uma localização ao longo de um vetor formado pelo vetor soma PQPJ + PiP2 +... + PAiPfc de k vetores de 3 dimensões PQPJ, -PjP2V -5 Pk-I-Pk conectados. Cada vetor (sub-abertura) contém uma respectiva origem de cada termo de amplitude de radar no somatório, e os meios de
processamento são adaptados para iniciar o processo de iteração em um primeiro estágio de iteração considerando os dados brutos de radar como as amplitudes, onde esses dados de radar têm suas origens ao longo de vetores começando e terminando em pontos de 3 dimensões dados pelas medições de posicionamento.
Já o documento CN102096070 descreve uma detecção de derramamento de óleo na superfície do mar por um radar de abertura sintética de polarização completa. O método compreendendo as seguintes etapas de: realização de segmentação de valor de limiar adaptativo em uma imagem de polarização completa SAR para obter imagens de polarização completa SAR mandadas da superfície do mar; selecionando uma amostra preparada e uma amostra teste das imagens de completa polarização SAR enviadas da superfície do mar; preparando um detector de SVM (máquina de suporte de vetor), e vetores
característicos da normalização da polarização do detector, os quais compreendem uma entropia de dispersão H, um ângulo alfa de dispersão, uma entropia negativa A, a co-polarização da razão gama, a polarização cruzada da razão delta, a despolarização da razão delta, a diferença de fase de co-polarização phi HH-W e polarização cruzada de fase de diferença phi HH-W; e finalmente, detecção e identificação do vazamento de óleo e objetos suspeitos pelo uso de SVM e envio do resultado da detecção. O método tem características de alta velocidade na detecção e baixa faixa de falso alarme, e é apropriado para detecção de vazamento de óleo na superfície do mar por SAR.
O documento CN101571915 trata da divulgação de um método para a identificação de derramamento de óleo por uma imagem de SAR com base em um valor característico, que compreende as seguintes etapas: a, seleção da imagem do SAR para ser identificada para processamento; b, execução da detecção de borda na imagem, usando um modelo aprimorado C-V, a fim de determinar um limite alvo; c, medição do valor característico após a extração de um alvo; d,
identificação de um objeto através da adoção de um método de distância de Mahalanobis e um método de probabilidade composta; e análise se a imagem em uma região escura é o derramamento de óleo de acordo com os dois métodos na etapa d. A técnica proposta usa a vantagem de que o radar de abertura sintética (SAR) pode executar o monitoramento de derramamento de óleo em alta resolução dia e noite e em todas as condições de tempo; o valor característico selecionado é pequeno em quantidade e tem efeito óbvio de julgar o derramamento de óleo em comparação com outras quantidades características convencionais (tais como área, perímetro e similares); o método tem um algoritmo simples e é fácil de ser realizado, utilizando o método de distância de Mahalanobis e o método de probabilidade composta; e o método é vantajoso para ser efetuado por programação em computador.
Ainda, o documento RU2231037 descreve, no campo da tecnologia de testes e medições, uma seleção de equipamentos de petróleo e gás para impermeabilidade, um método proposto que consiste na observação do tubo no sentido da localização de rota por um veículo voador a baixa altitude na digitalização simultânea do tubo com o auxílio da imagem ajustada de infravermelhos e sensores de TV e filtração digital de sinais de localizador, imagem de infravermelhos e sensores de TV; três localizadores adicionais de diferentes comprimentos de ondas são utilizados como localizadores de rota; antenas transceptoras de quatro localizadores estão localizadas nas pontas das pás do rotor principal do helicóptero; sinais recebidos por estas antenas são processados pelo algoritmo de abertura sintética; indicadora do gás de vazamento de líquidos é a queda de temperatura local registrada pelo sensor de imagem infravermelho e radar de informações recebidas e sensor de TV; a profundidade do tubo é determinada pela cor da imagem no display do visor. Obtem-se assim, maior precisão de localização de vazamento.
Portanto, fica claro que a modelagem inversa proposta nesta invenção permite que a informação final seja áreas de escape no fundo mar (não mais na superfície), que é a informação que realmente importa para a exploração. Além disso, grupos de pontos identificados na superfície do mar têm uma mesma origem no fundo, ou seja, o número de pontos na superfície é maior que o número de fontes de escape. A modelagem inversa é, portanto, mais precisa e mais refinada. Testes realizados até o momento indicam que a modelagem inversa reduz em mais de 50 vezes a área de investigação e refina em 8 vezes os resultados já descritos no estado da técnica.
Comparando a presente invenção com a técnica atual, a
modelagem inversa passa a entregar uma informação obtida
remotamente sobre o fundo do mar, mais precisa e refinada, com um grau de confiabilidade que considera a origem do escape e a variável hidrodinâmica, ignorados até então, apesar de serem extremamente importantes.
SUMÁRIO DA INVENÇÃO
A presente invenção apresenta um processo que descreve uma modelagem inversa que faz uma regressão no tempo e no espaço para estimar a trajetória de uma mancha de óleo entre a posição na superfície do mar, onde foi detectada por satélite, e o local onde ocorreu o escape, no fundo do mar. A informação final é, portanto, a área de exsudação de óleo no fundo do mar. Após sua identificação, estas áreas são
classificadas de acordo com níveis de confiabilidade, do menor para o maior grau de risco exploratório. Este grau de confiabilidade é medido de acordo com rigorosos critérios temporais, hidrodinâmicos, geográficos e geológicos.
Para fazer a modelagem inversa do óleo, é necessário
primeiramente recriar a circulação oceânica nas datas em que cada feição de óleo foi detectada na superfície do mar. Para isso, são utilizados dados de diferentes satélites e resultados de modelo hidrodinâmico. Na etapa de simulação hidrodinâmica, cada feição de óleo é associada a uma circulação oceânica tridimensional e a um campo de vento, que variam no tempo, com frequência horária. Os campos de vento são obtidos de satélite e a circulação é obtida através da assimilação de dados também de satélite (elevação e temperatura da superfície do mar). A grade do modelo é configurada de forma a representar as principais forçantes oceanográficas na região.
Os campos de corrente 3D e de vento obtidos pela modelagem hidrodinâmica são importados pelo modelo inverso. As entradas no modelo são: batimetria; corrente e vento, variando no tempo e no espaço tridimensional; e data, hora e posição do óleo no instante de detecção por satélite. O modelo faz então a regressão no tempo, transportando o óleo desde a posição de detecção até a sua origem no fundo. Para cada exsudação, são feitas várias simulações. A definição das áreas de exsudação é feita a partir do cálculo do ponto onde ocorre a máxima convergência entre os conjuntos de soluções. Algoritmos foram
desenvolvidos com o objetivo de estimar automaticamente estas áreas.
É importante mencionar que as tecnologias utilizadas ao longo de toda a metodologia têm erros associados (classificação das exsudações, resolução espaço-temporal dos modelos, dados meteo-oceanográficos de entrada etc), não sendo possível garantir que os resultados sejam a verdade absoluta. No entanto, resultados obtidos até o momento mostram que 80% das áreas calculadas pela Modelagem Inversa estão sobre feições geológicas compatíveis.
DESCRIÇÃO DOS DESENHOS
A Figura 1 demonstra um desenho esquemático do princípio da modelagem inversa.
A Figura 2 apresenta uma representação esquemática da delimitação da área de exsudação no fundo do mar.
DESCRIÇÃO DETALHADA DA INVENÇÃO
A presente invenção apresenta um processo que descreve uma modelagem inversa que faz uma regressão no tempo e no espaço para estimar a trajetória de uma mancha de óleo entre a posição na superfície do mar, onde foi detectada por satélite, e o local onde ocorreu o escape, no fundo do mar. A informação final é, portanto, a área de exsudação de óleo no fundo do mar.
A Figura 1 ilustra uma área de exsudação (2) definida pela modelagem inversa onde cada feição de óleo (1) identificada na superfície do mar tem sua trajetória inversa (isto é, voltando no tempo) simulada por um modelo computacional. As feições podem ter datas distintas e cada feição terá o correspondente cenário oceânico e atmosférico
reconstituído. Isto porque são as correntes, em diferentes profundidades, e os ventos os responsáveis pelo deslocamento do óleo horizontalmente em relação à sua origem. Uma vez que o sistema de correntes e os ventos superficiais na ocasião da detecção do óleo são recriados, eles podem ser utilizados para simular a trajetória do óleo.
O processo para identificação e classificação de áreas de exsudação de óleo ocorre da seguinte maneira:
- Modelagem Hidrodinâmica de longo prazo: simulação de, no mínimo, 3 anos da circulação oceânica tridimensional com o objetivo de calibrar e validar o modelo para a região de interesse e avaliar se as principais feições oceanográficas estão sendo representadas pelo modelo.
- Obtenção de Coeficientes e Fatores de Correlação: cálculo de estatísticas que correlacionam os valores de corrente na superfície com as correntes nas demais profundidades.
- Obtenção do campo de corrente superficial para uma data de exsudação: geração do campo de correntes superficiais a partir dos seguintes dados de satélite: vento, temperatura da superfície do mar e elevação da superfície do mar.
- Obtenção do campo de corrente tridimensional para uma data de exsudação: geração do 'cubo' hidrodinâmico de uma data específica, a partir do campo de corrente superficial e das correlações estatísticas já obtidas.
- Modelagem da trajetória inversa do óleo: variação da posição do centro de massa da mancha de óleo, voltando no tempo e no espaço até atingir o fundo.
- Definição da área de exsudação: seleção das regiões para onde as soluções de diferentes exsudações convergem. As áreas de
exsudação são definidas nessas regiões de convergência.
- Classificação da área de exsudação: um algoritmo analisa as características da área de exsudação e atribui uma nota, chamada de fator de confiabilidade (Fc), que será combinada com o tamanho da área, para chegar a uma classificação entre 6 níveis predefinidos:
Figure imgf000009_0001
onde N1 é a classe que indica menor risco exploratório.
Para um melhor entendimento do processo, abaixo, cada etapa será descrita isoladamente:
(a) MODELAGEM HIDRODINÂMICA DE LONGO PRAZO
O principal objetivo da modelagem hidrodinâmica é simular o campo de correntes tridimensional, utilizando-se os princípios físicos de conservação da quantidade de movimento, de energia e de massa. Estes princípios podem ser expressos em um complexo sistema de equações diferenciais. Existem vários modelos hidrodinâmicos tridimensionais de código aberto disponíveis, sendo o POM, ROMS, MICOM e HYCOM os principais. O modelo hidrodinâmico utilizado para a simulação de longo prazo foi o POM (Princeton Ocean Model).
O modelo simula o sistema de correntes de determinada região para cada passo de tempo (em torno de 10 a 20 segundos), durante mais de 3 anos. Os valores de corrente são calculados para os nós da grade do modelo. Na horizontal, a distância entre os nós (resolução espacial da grade) é definida a fim de representar as principais feições oceanográficas da região (correntes oceânicas, vórtices etc). Na vertical, a coluna d'água é dividida em 15 a 35 camadas, dependendo do nível de complexidade da circulação na região. Cada camada de profundidade terá sua circulação simulada.
Para que os valores simulados estejam o mais próximo possível do que é observado na natureza, o modelo utiliza dados reais de vento, fluxos de calor, maré, temperatura do mar e elevação da superfície do mar, obtidos por diferentes satélites. Esta inserção de dados observados em modelos computacionais é conhecida como assimilação de dados.
Os resultados da modelagem hidrodinâmica foram comparados com medições no oceano em diferentes profundidades, validando o modelo.
(b) OBTENÇÃO DE COEFICIENTES E FATORES DE
CORRELAÇÃO
A fonte principal de dados para simulações hidrodínâmicas são os satélites operacionais. Entretanto, suas informações são apenas da superfície do mar. Faz-se necessário, então, recorrer a uma metodologia capaz de projetar os dados superficiais ao longo da profundidade. Como os dados de superfície estão correlacionados com a estrutura vertical de corrente, é possível inferir o campo de corrente tridimensional a partir dos dados de satélite.
O método aqui utilizado para fazer essa projeção vertical se baseia no cálculo de coeficientes e fatores de correlação. Para tal, utiliza os dados da modelagem de longo prazo, a fim de garantir uma estatística significativa. Com a modelagem hidrodinâmica, é possível ter, na ordem de segundos, por exemplo a cada 10 a 20 segundos, os valores de corrente tridimensional em cada nó da grade, ao longo de anos. Este volume de dados garante um universo amostrai satisfatório. Abaixo estão as definições de fator e coeficiente de correlação.
Fator de Correlação: , ,T T ,T J
u < d U * dU0 >
Fv, 0> y> z) =—/—õ—
< [dU0 ) >
dU0 (x, y, t) = U0 (x, y,t)- < U0 > (x, y)
dU (x, y, z, t) = U (x, y, z, t)- < U > (x, y, z)
onde < > indica valor médio no tempo e é o fator de correlação entre a corrente superficial ( U0 ) e a corrente nas diferentes camadas ( U ).
Coeficiente de Correlação:
Figure imgf000011_0001
onde Cyo é o coeficiente de correlação entre a corrente superficial ( U0) e a corrente nas diferentes camadas ( U ).
As mesmas estatísticas são obtidas para a componente da corrente na direção norte-sul (V).
(c) OBTENÇÃO DO CAMPO DE CORRENTE SUPERFICIAL PARA UMA DATA DE EXSU DAÇÃO
Para que a circulação superficial pudesse ser recriada em qualquer região oceânica do mundo, os parâmetros de entrada são obtidos por satélite: vento ( W ), elevação ( ESM) e temperatura da superfície do mar ( TSM). A corrente superficial ( U0 ) é função de tais parâmetros:
U0 (x,y,t) = f[W(x,y,t), ESM(x, y,t),TSM(x,y,t)]
A corrente superficial é calculada para as datas de cada exsudação detectada na superfície do mar (1). A resolução temporal dos dados de satélite de ESM e TSM é diária, enquanto que a resolução de W é de 6 horas. Faz-se, então, uma interpolação linear, de forma que haja campos de corrente superficial com resolução horária para os dias que
antecederam a data de detecção da exsudação (1).
(d) OBTENÇÃO DO CAMPO DE CORRENTE TRIDIMENSIONAL PARA UMA DATA DE EXSUDAÇÃO
A corrente nas diferentes camadas de profundidade { U ) pode ser obtida a partir da corrente superficial (U0 ), utilizando os fatores de correlação calculados anteriormente. A corrente final ( Uf ), utilizada na modelagem inversa, é função de U e de y :
U (x, y, z, t) =< U > (x, y, z) + F% (x, y, z) * dU0 ( , y, t) U f (x, y, z, t) = f[cja (x, y, z), U (x, y, z, t)]
O mesmo procedimento é utilizado para o cálculo da componente
V.
Portanto, cada exsudação (1) identificada na superfície do mar tem associada a ela um 'cubo' hidrodinâmico que representa a circulação quadridimensional (três dimensões espaciais e o tempo) reconstituída para a data da detecção da exsudação (1) por satélite e os dias
anteriores. A primeira camada deste cubo (superfície) é calculada utilizando-se dados de vento, elevação e temperatura da superfície do mar, obtidos por satélites. As demais camadas são calculadas a partir dos coeficientes e fatores de correlação. Opcionalmente, a este cubo ainda são somadas as correntes de maré.
Pode-se, assim, recriar a circulação tridimensional utilizando apenas dados superficiais. Com isto, é possível simular o sistema de correntes para qualquer região oceânica do mundo, utilizando apenas dados de satélite.
(e) MODELAGEM DA TRAJETÓRIA INVERSA DO ÓLEO
Os campos de corrente 4D e de vento obtidos na simulação hidrodinâmica são importados pelo modelo inverso. São estes campos que irão transportar o óleo até sua origem, voltando no tempo. As entradas no modelo são: batimetria; corrente e vento, variando no tempo e no espaço tridimensional; e data, hora e posição do óleo no instante de detecção por satélite.
O modelo volta no tempo transportando o centróide da mancha de óleo detectada na superfície, ou seja, o que é transportado é o ponto da mancha que representa o centro de massa dela. Considerando o centróide da mancha detectada por satélite como posição final, a posição no passo de tempo anterior Sia é calculada a partir da velocidade, da resolução temporal do modelo ( At ) e de um deslocamento aleatório, devido a processos difusivos:
AS Sf - St
V At Aí
Si = -v * Aí + Sf
Sia = Si + dif.
No passo de tempo seguinte, Sia passa a ser sf , uma nova posição anterior é calculada e assim sucessivamente, até o centróide atingir o fundo do mar. O passo de tempo At deve ser suficientemente curto para que o centróide não 'pule' nenhuma camada vertical. A velocidade vertical do óleo varia entre a definida pela Lei de Stokes (velocidade terminal) e 15 cm/s.
Deve-se destacar que a ordem dos campos de corrente é invertida, ou seja, o primeiro campo de v a ser utilizado é o referente ao momento da detecção por satélite, o segundo campo de v é o de 1 hora antes da detecção e assim sucessivamente.
Além do transporte promovido pela corrente calculada na etapa de simulação hidrodinâmica f ), o modelo considera dois efeitos: (1) o transporte adicional exercido pelo vento, uma vez que a tensão do vento sobre o óleo é diferente em relação à água (a tensão do vento sobre a água já foi contabilizada na simulação hidrodinâmica); e (2) o transporte devido às ondas. Estes efeitos são parametrizados em função do vento e adicionados ao campo de velocidades que irá transportar o óleo:
v = f(úf ,w)
O tempo em que o óleo permanece na superfície do mar antes de ser detectado pelo satélite (tempo de superfície - TS) é obtido em função do coeficiente de retroespalhamento do óleo na imagem SAR ( σ° ) e do vento no instante da detecção. As imagens de radares de abertura sintética (SAR) são as mais utilizadas para detecção de manchas de óleo na superfície do mar. O coeficiente de retroespalhmento é uma grandeza radiométrica que expressa o sinal de retomo do radar por unidade de área. A presença do óleo diminui o retroespalhamento da superfície, mas, à medida que o tempo de superfície aumenta, o contraste entre o retroespalhamento do óleo e da água adjacente vai desaparecendo. Esta função foi obtida empiricamente durante o processo de validação da tecnologia.
TS = f(a° ,w)± Erro
São feitas, no mínimo, 25 simulações para cada mancha, variando TS, velocidade vertical, difusão e vento (em torno do vento obtido por satélite). O número de simulações irá depender da magnitude do erro de TS. Portanto, cada exsudação (1) de óleo na superfície do mar é associada a um conjunto de soluções, com no mínimo 25 pontos no fundo do mar, que são suas possíveis origens.
DEFINIÇÃO DA ÁREA DE EXSUDAÇÃO
O primeiro passo na definição da área de exsudação é identificar clusters de soluções de diferentes exsudações, ou seja, grupos de soluções que estejam próximas uma das outras. Um algoritmo varre todas as soluções de todas as exsudações, buscando clusters de 3 ou mais soluções de exsudações diferentes, onde ocorra a máxima convergência entre elas (a soma das distâncias entre os pontos de solução é a menor). Clusters de soluções de 2 ou menos exsudações não são selecionados, ou seja, cada cluster identificado conterá, no mínimo, 3 pontos, que são soluções de diferentes exsudações.
Definidas as exsudações que compõem cada cluster, é calculada a maior distância entre as soluções do cluster, conforme distância M na Figura 2. Partindo da premissa de que as soluções de um determinado cluster deveriam convergir para o mesmo ponto, essa maior distância é a estimativa de erro do método. Acrescentando-se a distância M aos limites geográficos definidos pelas soluções, obtém-se a área de exsudação de óleo no fundo marinho. Este processo é feito para cada cluster
identificado.
Conforme descrito na figura 2, a área de exsudação é definida a partir das soluções no fundo oceânico de, no mínimo, 3 exsudações diferentes (S1 , S2 e S3), onde a maior distância entre as soluções, que neste exemplo ocorre entre S1 e S3 (distância M), é considerada como estimativa de erro do método. Esta distância é adicionada aos limites de coordenadas definidos pelas soluções para calcular a área de exsudação (A).
CLASSIFICAÇÃO DA ÁREA DE EXSUDAÇÃO
Cada área de exsudação é classificada de acordo com o risco exploratório associado. O melhor nível de classificação indica maiores precisão e probabilidade de ocorrência de escape de óleo, o que se traduz em menor risco exploratório. A classificação leva em conta dois parâmetros, tamanho da área de exsudação e seu fator de confiabilidade. Quanto menor a área, maior a sua precisão, e quanto maior o fator de confiabilidade, maior a confiança de que ocorre exsudação de óleo naquela área.
O Fator de Confiabilidade é função de 5 variáveis: (1 ) número de soluções do cluster; (2) número de datas distintas entre as exsudações do cluster; (3) distância horizontal entre a posição de detecção da exsudação e sua origem no fundo; (4) erro médio de TS; e (5) proximidade de falhas geológicas. Cada variável tem um peso e recebe uma nota de 0 a 1. Um software específico, através de um algoritmo, pondera essas notas com seus respectivos pesos e calcula uma nota final, também de 0 a 1 , que é o Fator de Confiabilidade da área de exsudação.
Os produtos finais de todo o processo são, portanto, as
coordenadas geográficas dos vértices que definem a área de exsudação e a classificação desta área.
A tecnologia de modelagem inversa foi validada em um projeto da COPPE/UFRJ com a Petrobras, onde 10 áreas de exsudação no fundo do mar foram mapeadas. Em 80% dos casos, a área de exsudação estava sobre uma falha geológica ou a menos de 2 km de distância, conforme tabela abaixo. As falhas geológicas são os caminhos por onde o óleo migra até alcançar o oceano. Assim, a alta correlação entre as áreas definidas pela modelagem inversa e a presença de falhas geológicas comprova a eficácia do método.
Testes de validação comprovam que 80% das áreas definidas pela modelagem inversa estavam sobre falhas geológicas, que são o caminho por onde o óleo migra até escapar para o oceano.
Areas Tamanho N° de Distância entre a área
(km2) exsudações na no fundo e falha
superfície geológica (km)
1 42 3 0
2 2 3 1
3 10 3 2
4 12 5 0 5 6 3 0
6 169 4 0
7 167 4 28
8 22 3 6
9 1 4 0
10 117 4 0
Além disso, concluímos que a modelagem inversa efetivamente contribui para o aumento na taxa de sucesso exploratório. Quando utilizamos os dados do BDEP (Banco de Dados de Exploração e
Produção) de poços perfurados, a taxa de sucesso em encontrar óleo é 6,7% maior se considerarmos apenas os poços que estão próximos das áreas de exsudação. Como a decisão do local de perfuração desses poços não considerou a informação da modelagem inversa acreditamos que esta taxa de sucesso pode ser ainda maior.
Outro resultado importante foi que em 73% dos casos, a posição das manchas de óleo na superfície do mar está fora dos limites da área de exsudação definido pela modelagem inversa, demonstrando que o mapeamento de exsudações apenas na superfície do mar é insuficiente para o conhecimento da origem delas.
Embora a versão preferida da invenção tenha sido ilustrada e descrita, deve ser compreendido que a mesma não é limitada. Diversas modificações, mudanças, variações, substituições e equivalentes poderão ocorrer, sem desviar do espírito e escopo da presente invenção.

Claims

REIVINDICAÇÕES
1 - Processo para identificação e classificação de áreas de exsudações de óleo no fundo do mar através de modelagem inversa caracterizado pelo fato de compreender as etapas de:
(a) Realizar a modelagem Hidrodinâmica de longo prazo;
(b) Obter os Coeficientes e Fatores de Correlação;
(c) Obter o campo de corrente superficial para uma data de exsudação;
(d) Obter o campo de corrente tridimensional para uma data de exsudação;
(e) Realizar a modelagem da trajetória inversa do óleo;
(f) Definir a área de exsudação;
(g) Classificar a área de exsudação.
2- Processo, de acordo com a reivindicação 1 , caracterizado pelo fato de que na etapa "a" a circulação oceânica tridimensional é simulada para um período superior a 3 anos.
3- Processo, de acordo com a reivindicação 1 , caracterizado pelo fato de que na etapa "b" o cálculo de estatísticas correlaciona os valores de corrente na superfície com as correntes nas demais profundidades.
4- Processo, de acordo com a reivindicação 3, caracterizado pelo fato de que os valores de corrente tridimensional em cada nó da grade, ao longo dos anos, são calculados em períodos da ordem de segundos.
5- Processo, de acordo com as reivindicações 3 ou 4,
caracterizado pelo fato dos valores de fator de correlação e coeficiente de correlação serem:
Figure imgf000018_0001
dU0 (x, y,t) = U0 (x, y, t)- < U0 > (x, y)
dU(x, y, z,t) = U(x, y, z, t)- < U > (x, y, z) onde < > indica valor médio no tempo e é o fator de correlação entre a corrente superficial ( U0 ) e a corrente nas diferentes camadas (£/);
Figure imgf000019_0001
onde Cy é o coeficiente de correlação entre a corrente superficial ( U0 ) e a corrente nas diferentes camadas ( U ), onde as mesmas estatísticas são obtidas para a componente da corrente na direção norte-sul (V).
6- Processo, de acordo com a reivindicação 1 , caracterizado pelo fato de que na etapa "c" é gerado um campo de correntes
superficiais a partir dos dados de satélite: vento (w), temperatura da superfície do mar (TSM) e elevação da superfície do mar (ESM).
7- Processo, de acordo com a reivindicação 6, caracterizado pelo fato de que a corrente superficial ( U0 ) é função dos parâmetros W, ESM e TSM:
U0 (x, y, t) = f[W(x, y, t), ESM(x, y, t),TSM(x, y, t)] onde a corrente superficial é calculada para as datas de cada exsudação detectada na superfície do mar (1).
8- Processo, de acordo com as reivindicações 6 ou 7,
caracterizado pelo fato de que a resolução temporal dos dados de satélite de ESM e TSM é diária, enquanto que a resolução de W é de 6 horas.
9- Processo, de acordo com a reivindicação 1 , caracterizado pelo fato de que na etapa "d" é gerado um cubo hidrodinâmico de uma data específica, a partir do campo de corrente superficial e das
correlações estatísticas já obtidas.
10- Processo, de acordo com a reivindicação 9, caracterizado pelo fato de que a corrente nas diferentes camadas de profundidade ( U ) pode ser obtida a partir da corrente superficial ( U0 ), utilizando os fatores de correlação conforme definido na reivindicação 5. 11- Processo, de acordo com as reivindicações 9 ou 10,
caracterizado pelo fato de que a corrente final ( Uf ), utilizada na modelagem inversa, é função de U e de C" :
U x, y, z, t) =< U > (x, y, z) + (x, y, z) * dU0 (x, y, t)
Figure imgf000020_0001
onde o mesmo procedimento é utilizado para o cálculo da componente V.
12- Processo, de acordo com as reivindicações 9, 10 ou 11 caracterizado pelo fato de que cada exsudação identificada na superfície do mar (1) está associada a um 'cubo' hidrodinâmico que representa a circulação quadridimensional reconstituída para a data da detecção da exsudação (1) por satélite e para os dias anteriores, onde a primeira camada deste cubo é calculada utilizando-se dados de vento, elevação e temperatura da superfície do mar, obtidos por satélites.
13- Processo, de acordo com a reivindicação 1 , caracterizado pelo fato de que na etapa "e" ocorre a variação da posição do centro de massa da mancha de óleo, voltando no tempo e no espaço até atingir o fundo.
14- Processo, de acordo com a reivindicação 13, caracterizado pelo fato de que os campos de corrente 4D e de vento obtidos na simulação hidrodinâmica são importados pelo modelo inverso e são os campos que irão transportar o óleo até sua origem, voltando no tempo.
15- Processo, de acordo com a reivindicação 14, caracterizado pelo fato de que o modelo volta no tempo transportando o ponto da mancha que representa o centro de massa detectada na superfície.
16- Processo, de acordo com a reivindicação 15, caracterizado pelo fato de que o ponto onde a mancha de óleo foi detectada por satélite é a posição final, e a posição no tempo imediatamente anterior { Sia ) é calculada a partir da velocidade, da resolução temporal do modelo (At ) e de um deslocamento aleatório, devido a processos difusivos: V Ai Aí
Si = -v * Ai + Sf onde, no cálculo do deslocamento seguinte, Sía passa a ser Sf e uma nova posição anterior é calculada e assim sucessivamente, até o centróide da mancha atingir o fundo do mar.
17- Processo, de acordo com as reivindicações 15 e 16,
caracterizado pelo fato de que o tempo At deve ser suficientemente curto para que o centróide necessariamente passe por todas as camadas verticais.
18- Processo, de acordo com as reivindicações 15, 16 e 17, caracterizado pelo fato de que o primeiro campo de v a ser utilizado é o referente ao momento da detecção por satélite e o segundo campo de v é o de 1 hora antes da detecção.
19- Processo, de acordo com as reivindicações 15, 16, 17 e 18 caracterizado pelo fato de que o transporte promovido pela corrente calculada na etapa de simulação hidrodinâmica (0f ) considera o transporte adicional exercido pelo vento e o transporte devido às ondas.
20- Processo, de acordo com a reivindicação 9, caracterizado pelo fato de que os efeitos de transporte adicional do vento e de transporte devido às ondas são parametrizados em função do vento e adicionados ao campo de velocidades que irá transportar o óleo em:
v = /(Of ,w)
21- Processo, de acordo com a reivindicação 20, caracterizado pelo fato de que o coeficiente de retroespalhamento é uma grandeza radiométrica que expressa o sinal de retorno do radar por unidade de área, onde a presença do óleo diminui o retroespalhamento da superfície e, à medida que o tempo de superfície aumenta, o contraste entre o retroespalhamento do óleo e da água adjacente vai desaparecendo; sendo:
Figure imgf000022_0001
onde o tempo em que o óleo permanece na superfície (TS) do mar antes de ser detectado pelo satélite é obtido em função do coeficiente de retroespalhamento do óleo na imagem SAR (σ°) e do vento no instante da detecção.
22- Processo, de acordo com a reivindicação 21 , caracterizado pelo fato de serem realizadas entre 25 e 50 simulações para cada mancha, variando TS, velocidade vertical, difusão e vento, onde o número de simulações irá depender da magnitude do erro de TS.
23- Processo, de acordo com a reivindicação 1 , caracterizado pelo fato de que na etapa "f" um software específico calcula o fator de confiabilidade que será combinado com o tamanho da área, a fim de classificar a área de exsudação em 6 níveis.
24- Processo, de acordo com a reivindicação 23, caracterizado pelo fato de que o Fator de Confiabilidade é função de 5 variáveis: (1) número de soluções do cluster; (2) número de datas distintas entre as exsudações do cluster; (3) distância horizontal entre a posição de detecção da exsudação e sua origem no fundo; (4) erro médio de TS; e (5) proximidade de falhas geológicas.
25- Processo, de acordo com a reivindicação 23, caracterizado pelo fato de que cada variável considerada no Fator de Confiabilidade recebe uma nota entre 0 e 1.
26- Processo, de acordo com a reivindicação 23, caracterizado pelo fato dos 6 níveis serem definidos de acordo com a seguinte tabela:
Figure imgf000022_0002
onde N1 é a classe que indica menor risco exploratório.
PCT/BR2013/000136 2012-05-04 2013-04-26 Processo para identificação e classificação de áreas de exsudações de óleo no fundo do mar através de modelagem inversa WO2013163707A1 (pt)

Priority Applications (2)

Application Number Priority Date Filing Date Title
US14/115,086 US20150051883A1 (en) 2012-05-04 2013-04-26 Process to identify and classify oil seep areas at the seabed through inverse modeling
EP13784403.1A EP2848962A4 (en) 2012-05-04 2013-04-26 METHOD FOR THE IDENTIFICATION AND CLASSIFICATION OF EXPLOSIVE AREAS ON THE SEA BASE THROUGH MODIFIED MODELING

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
BR1020120106590 2012-05-04
BR102012010659-0A BR102012010659B1 (pt) 2012-05-04 2012-05-04 Processo para identificação e classificação de áreas de exsudações de óleo no fundo do mar através de modelagem inversa

Publications (1)

Publication Number Publication Date
WO2013163707A1 true WO2013163707A1 (pt) 2013-11-07

Family

ID=49514121

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/BR2013/000136 WO2013163707A1 (pt) 2012-05-04 2013-04-26 Processo para identificação e classificação de áreas de exsudações de óleo no fundo do mar através de modelagem inversa

Country Status (4)

Country Link
US (1) US20150051883A1 (pt)
EP (1) EP2848962A4 (pt)
BR (1) BR102012010659B1 (pt)
WO (1) WO2013163707A1 (pt)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113820683A (zh) * 2021-10-08 2021-12-21 中国人民解放军空军工程大学 一种基于涡旋电磁波的快速超分辨成像方法
CN117538875A (zh) * 2024-01-05 2024-02-09 中国科学院空天信息创新研究院 基于单航过全极化sar数据的月球表面高程反演方法
CN116796553B (zh) * 2023-06-30 2024-03-19 哈尔滨工程大学 一种全场景多参数的海面与舰艇尾迹仿真方法

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
FR3021119B1 (fr) * 2014-05-14 2017-12-22 Electricite De France Procede et systeme satellitaire de detection de nappe flottante sur une surface marine a surveiller
JP6665863B2 (ja) * 2015-10-29 2020-03-13 コニカミノルタ株式会社 漏洩ガス検出装置および漏洩ガス検出方法
CN106556864B (zh) * 2016-11-04 2019-02-15 中国石油集团东方地球物理勘探有限责任公司 波动方程体能量与观测系统对应关系的形成及定位方法
CN109490886A (zh) * 2018-11-28 2019-03-19 北京工业大学 一种极化合成孔径雷达遥感海面溢油区域精确提取方法
CN110991697B (zh) * 2019-11-05 2023-10-17 天津大学 基于潮汐周期性和自相似性的海上溢油的快速预测系统
CN117849882B (zh) * 2023-12-28 2024-06-18 山东科技大学 一种基于声涡旋技术的沉潜油探测方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
RU2231037C1 (ru) 2002-10-14 2004-06-20 Международная академия наук экологии, безопасности человека и природы Способ определения места утечки жидкости или газа из трубопровода, находящегося в грунте
GB2423370A (en) * 2005-02-22 2006-08-23 Ohm Ltd Electromagnetic surveying for resistive or conductive bodies
CN101571915A (zh) 2009-06-16 2009-11-04 大连海事大学 基于特征值的sar图像溢油识别方法
US20090278541A1 (en) * 2006-02-13 2009-11-12 Multifield Geophysics As Electromagnetic Method on Shallow Water Using a Controlled Source
WO2009144754A1 (en) * 2008-05-29 2009-12-03 Telespazio S.P.A. Target detection in a sar-imaged sea area
CN102096070A (zh) 2010-11-16 2011-06-15 苏州科技学院 一种全极化合成孔径雷达海面溢油检测方法
CN102967310A (zh) * 2012-12-12 2013-03-13 中国船舶重工集团公司第七0七研究所 基于电子海图的航路监控方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4326953A (en) * 1980-05-27 1982-04-27 Gibby Richard A Device for removing contaminating particles from lubricating oil
CN102156817B (zh) * 2011-04-11 2013-04-03 国家海洋信息中心 海上溢油漂移路径及扩散快速预报方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
RU2231037C1 (ru) 2002-10-14 2004-06-20 Международная академия наук экологии, безопасности человека и природы Способ определения места утечки жидкости или газа из трубопровода, находящегося в грунте
GB2423370A (en) * 2005-02-22 2006-08-23 Ohm Ltd Electromagnetic surveying for resistive or conductive bodies
US20090278541A1 (en) * 2006-02-13 2009-11-12 Multifield Geophysics As Electromagnetic Method on Shallow Water Using a Controlled Source
WO2009144754A1 (en) * 2008-05-29 2009-12-03 Telespazio S.P.A. Target detection in a sar-imaged sea area
CN101571915A (zh) 2009-06-16 2009-11-04 大连海事大学 基于特征值的sar图像溢油识别方法
CN102096070A (zh) 2010-11-16 2011-06-15 苏州科技学院 一种全极化合成孔径雷达海面溢油检测方法
CN102967310A (zh) * 2012-12-12 2013-03-13 中国船舶重工集团公司第七0七研究所 基于电子海图的航路监控方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
See also references of EP2848962A4

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113820683A (zh) * 2021-10-08 2021-12-21 中国人民解放军空军工程大学 一种基于涡旋电磁波的快速超分辨成像方法
CN113820683B (zh) * 2021-10-08 2023-09-26 中国人民解放军空军工程大学 一种基于涡旋电磁波的快速超分辨成像方法
CN116796553B (zh) * 2023-06-30 2024-03-19 哈尔滨工程大学 一种全场景多参数的海面与舰艇尾迹仿真方法
CN117538875A (zh) * 2024-01-05 2024-02-09 中国科学院空天信息创新研究院 基于单航过全极化sar数据的月球表面高程反演方法
CN117538875B (zh) * 2024-01-05 2024-03-12 中国科学院空天信息创新研究院 基于单航过全极化sar数据的月球表面高程反演方法

Also Published As

Publication number Publication date
BR102012010659A2 (pt) 2014-04-01
US20150051883A1 (en) 2015-02-19
EP2848962A1 (en) 2015-03-18
BR102012010659B1 (pt) 2022-04-12
EP2848962A4 (en) 2016-01-13

Similar Documents

Publication Publication Date Title
WO2013163707A1 (pt) Processo para identificação e classificação de áreas de exsudações de óleo no fundo do mar através de modelagem inversa
Vos et al. Beach slopes from satellite‐derived shorelines
Da‐Allada et al. Seasonal mixed‐layer salinity balance in the tropical Atlantic Ocean: Mean state and seasonal cycle
Kang et al. Gulf Stream eddy characteristics in a high‐resolution ocean model
Naud et al. The relationship between boundary layer stability and cloud cover in the post-cold-frontal region
Wang et al. Gravity wave activity during stratospheric sudden warmings in the 2007–2008 Northern Hemisphere winter
Boudevillain et al. The Cévennes‐Vivarais Mediterranean Hydrometeorological Observatory database
Jensen et al. HOBE: The Danish hydrological observatory
Lindsay et al. Seasonal forecasts of Arctic sea ice initialized with observations of ice thickness
CN112883564B (zh) 一种基于随机森林的水体温度预测方法及预测系统
Potula et al. A global comparative study on the ionospheric measurements between COSMIC radio occultation technique and IRI model
Penven et al. Cyclogeostrophic balance in the Mozambique Channel
He et al. Assessing hydrological model predictive uncertainty using stochastically generated geological models
McGloin et al. Quantification of surface energy fluxes from a small water body using scintillometry and eddy covariance
Fan et al. Observations of Irminger Sea anticyclonic eddies
Daher et al. A new improved estimation of Agulhas leakage using observations and simulations of Lagrangian floats and drifters
Wilkin et al. Coastal Ocean Forecast System for the US Mid‐Atlantic Bight and Gulf of Maine
Yamamoto et al. Rapid estimation of tsunami source centroid location using a dense offshore observation network
Rey‐Sanchez et al. Detecting hot spots of methane flux using footprint‐weighted flux maps
Karlsson et al. Accumulation rates during 1311–2011 CE in North-Central Greenland derived from air-borne radar data
Stanichny et al. Parameterization of surface wind-driven currents in the Black Sea using drifters, wind, and altimetry data
Lee et al. Towards automated real‐time detection and location of large‐scale landslides through seismic waveform back projection
Morozov et al. New data about seismicity and crustal velocity structure of the “continent-ocean” transition zone of the Barents-Kara region in the Arctic
Boghosian et al. Resolving bathymetry from airborne gravity along Greenland fjords
Zhang et al. Tropical cyclone winds and inflow angle asymmetry from SAR imagery

Legal Events

Date Code Title Description
WWE Wipo information: entry into national phase

Ref document number: 14115086

Country of ref document: US

121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 13784403

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

REEP Request for entry into the european phase

Ref document number: 2013784403

Country of ref document: EP

WWE Wipo information: entry into national phase

Ref document number: 2013784403

Country of ref document: EP