Escute esse artigo
Tempo de leitura: 5 minutos

 

Instituição de Ensino Superior: PONTIFÍCIA UNIVERSIDADE CATÓLICA DO RIO DE JANEIRO
Programa: ENGENHARIA ELÉTRICA (31005012011P5)
Título: Aplicação de técnicas de machine learning e data driven em poços inteligentes de petróleo
Autor: TAISA DORNELAS ABBAS CALVETTE
Tipo de Trabalho de Conclusão: DISSERTAÇÃO
Data Defesa: 06/08/2019
Resumo:
Realizar uma estimativa confiável na produção de petróleo é um dos grandes desafios na indústria de óleo e gás, e é uma parte crítica no planejamento e na tomada de decisão das petrolíferas. Neste contexto, este trabalho visa explorar as vantagens e performance dos algoritmos de machine learning para realizar a previsão de produção de petróleo, gás e água, a partir das informações de controle de poços inteligentes e usando a metodologia de data driven. Para tal, duas bases de dados com séries históricas de produção de petróleo, gás e água, foram usadas. A primeira base foi gerada sinteticamente (através de simulação de reservatórios), e consiste na produção média mensal e na configuração de 3 válvulas de um poço injetor, no período total de 10 anos. A segunda base usa dados reais de produção (observados), fornecidos pelo estado da Dakota do Sul nos Estados Unidos, e consiste na produção média diária de produção e o estado geral do poço (produzindo ou não), no período compreendido de 1950 a 2018 de diversos poços produtores de petróleo. Com o intuito de testar a metodologia, foram realizados diversos experimentos combinando o treinamento da proxy com algoritmos de redes neurais artificiais (multilayer perceptron) e deep learning com redes neurais recorrentes (redes neurais recorrentes simples, Long Short Term Memory, Gated Recurrent Units), chamados de Smart proxy e Deep Smart Proxy respectivamente. Os resultados encontrados mostraram que o modelo Deep Smart Proxy se mostrou bastante promissor, e utilizando uma rede Gated Recurrent Units com camadas bidirecionais (GRUB), foi possível obter uma redução no erro RMSE de 64% e no erro MAE de 67% quando comparados aos modelos Smart Proxy com Redes Neurais Artificiais. Verificou-se que nos modelos Deep Smart Proxy o uso de camadas bidirecionais gerou uma significativa melhora na previsão e redução do erro, tanto nos testes que utilizaram dados de produção simulados (caso sintético) quanto nos testes que utilizaram dados de produção observados (caso real), proporcionando uma variação de até 85% no RMSE e 96% no MAE. Os modelos de Deep Smart Proxy obtiveram performances muito semelhantes ao comparar as performances das redes do tipo LSTMB e GRUB aplicadas em ambos os casos sintético e real de produção.

Palavras-Chave: Deep learning;Deep Smart Proxy;Smart Proxy;Data driven;Poços inteligentes;Completação inteligente;Rede neural;LSTM;GRU

Abstract: A reliable forecast for oil production represents one of the biggest challenges in the oil and gas industry and contributes to the planning and decision making of oil companies. Because of that, this work uses intelligent well valves settings and data driven methodology to explore the advantages and the performance of machine learning algorithms in the forecasting of oil, gas and water production. In order to do so, two database containing historical data series of oil, gas and water production were used. The first was generated synthetically (through reservoir simulation) and consisted of the average monthly production of an injection well over a period of 10 years, as well as the configuration of 3 of its valves. The second database used the production data provided by the state of South Dakota, located in the United States, and consisted of the daily production average and the overall well status (active or not producing) from several oil producing wells in a period ranging from 1950 to 2018. In order to test the methodology, several experiments were performed combining proxy with Artificial Neural Network Algorithms (Multilayer Perceptron) and deep learning recurrent neural networks (Simple Recurrent Neural Networks, long short-term memory, Gated Recurrent Units), which were named smart proxy and deep smart proxy, respectively. The results showed that the deep smart proxy model was very promising. Using the Gated Recurrent Units network with bi-directional layers (GRUB), a reduction of 66% in the RMSE error and 79% in the MAE error was obtained when compared to smart proxy models with Artificial Neural Networks. The deep smart proxy models with bidirectional layers generated a significant improvement in prediction and error reduction in both databases tests ( i.e. tests with simulated production data (synthetic case) and with the observed production data (real case), resulting in a variation of up to 75% in RMSE and 85% in MAE). The normalized RMSE error in the GRUB network was of 0.53% in the observed database and 0.65% in the synthetic database. It is important to notice that the Deep smart proxy models achieved very similar performances when comparing the LSTMB and GRUB network in both databases (synthetic and real production), surpassing in all cases the results obtained with the MLP smart proxy model.

Keyword: Deep learning;Deep Smart Proxy;Smart Proxy;Data driven;Smart wells;Smart completion;Neural networks;LSTM;GRU

Volume: 1
Páginas: 68
Idioma: PORTUGUES
Biblioteca Depositária: PONTIFÍCIA UNIVERSIDADE CATÓLICA DO RIO DE JANEIRO
Autorização de divulgação: O trabalho possui divulgação autorizada
Anexo: Taisa Dornelas Abbas Calvette.pdf
Área de Concentração: MÉTODOS DE APOIO À DECISÃO
Linha de Pesquisa: INTELIGÊNCIA COMPUTACIONAL
Projeto de Pesquisa: OCTOPUS 3.0 – SISTEMA INTEGRADO DE GERÊNCIA DE RESERVATÓRIOS

 

Compartilhe!