1 |
[en] WELLS PRODUCTIVITY IN HIGH HETEROGENEITY RESERVOIRS / [pt] PRODUTIVIDADE DE POÇOS EM RESERVATÓRIOS DE ALTA HETEROGENEIDADE DE PERMEABILIDADERODRIGO ARAUJO CARDOSO DIAS 08 February 2018 (has links)
[pt] A previsão da produção de poços tem um papel crucial na engenharia de petróleo. Logo, a modelagem do escoamento no reservatório e no poço é fundamental em diversos problemas nessa área. Na maioria esmagadora dos problemas, a equação de Darcy é a escolha para prever o comportamento do fluxo em rochas petrolíferas. O grande sucesso do uso da equação de Darcy, infelizmente, levou sua aplicação para fora do âmbito dos problemas para os quais esta se aplica. A equação clássica de Darcy apresenta limitações quando aplicadas em meios porosos altamente heterogêneos, por exemplo com cavidades conectadas por redes de fraturas, com vugs e cavernas. Ao longo dos anos, outras modelagens foram propostas e derivadas de outros pontos de vista para tratar o escoamento em meios porosos, por exemplo, através do processo de média de volume ou através de teoria de mistura. O presente trabalho utiliza as equações médias em meios porosos. O modelo desenvolvido contabiliza termos adicionais para a equação de quantidade de movimento linear que são relevantes em várias situações práticas, e envolve a solução conjunta das equações de conservação. No modelo desenvolvido neste trabalho, o escoamento no reservatório é resolvido de forma acoplada ao escoamento ao longo do poço, considerando a possibilidade de utilização de diferentes tipos de completação. As previsões dos campos de pressão e velocidade, assim como a produtividade de poços de petróleo utilizando o modelo desenvolvido são comparadas com as previsões do modelo baseado na equação de Darcy. Mostra-se que para determinadas situações, em especial em reservatórios carbonáticos, altamente heterogêneos, grandes diferenças podem ser obtidas. A previsão da produtividade de um poço a partir da equação de Darcy pode ser significativamente super-estimada. / [en] Predicting wellbore production plays a crucial role in petroleum engineering. Therefore, the modeling of the
ow in reservoir and in wellbore is fundamental in several problems in this area. In the overwhelming majority problems, Darcy s equation is the choice to predict the behavior of ow in reservoirs. The great success of Darcy s equation, unfortunately, took its application out of the scope of the problems for which it applies. The classic Darcy s equation presents limitations when applied in highly heterogeneous porous media, for example with cavities connected by fracture networks, with vugs and caves. Over the years, other models have been proposed and derived from other points of view to treat ow in porous media, for example through the average volume process or through mixture theory. The present work considers the average volume process in porous media. The developed model includes additional terms for the linear momentum equation that are relevant in several practical situations, and involves the joint solution of conservation equations. In the model developed in this work, the ow in the reservoir is solved coupled to the wellbore ow, considering the possibility of using different completion types. The pressure and velocity fields predictions as well as the productivity of oil wellbores using the developed model are compared with the predictions of the model based on the Darcy s equation. It is shown that for certain situations, especially in highly heterogeneous carbonate reservoirs, large differences can be obtained. The prediction of the productivity of a wellbore from the Darcy s equation can be significantly overestimated.
|
2 |
[en] PREDICTING DRY GAS SEALS RELIABILITY WITH MACHINE LEARNING TECHNIQUES DEVELOPED FROM SCARCE DATA / [pt] PREVISÃO DE CONFIABILIDADE DE SELOS SECOS A GÁS COM TÉCNICAS DE MACHINE LEARNING DESENVOLVIDO A PARTIR DE DADOS ESCASSOSMATHEUS HOFFMANN BRITO 07 November 2022 (has links)
[pt] A correta operação de equipamentos na indústria de Óleo e Gás é fundamental
para a reduzir perdas ambientais, humanas e financeiras. Neste
cenário, foram estudados selos secos a gás (em inglês,DGS) de compressores
cetrífugos, por serem identificados como os mais críticos devido à extensão
dos danos potenciais causados em caso de falha. Neste estudo, foram desenvolvidos
31 modelos regressivos disponíveis no Scikit-Learn através de
técnicas de aprendizado de máquina (em inglês, ML). Estes foram treinados
com um conjunto de dados escassos, criado a partir de uma técnica de
planejamento de experimentos, para substituir simulações numéricas na previsão
de confiabilidade operacional de DGSs. Primeiramente, foi validado
um modelo baseado na simulação da Dinâmica dos Fluidos Computacionais
(em inglês, CFD) para representar o escoamento do gás entre as faces
de selagem, a fim de possibilitar o cálculo da confiabilidade operacional
do equipamento. Neste, foi utilizado o software de CFD de código aberto
OpenFOAM em conjunto com o banco de dados de substâncias do software
REFPROP, a fim de possibilitar ao usuário definir a mistura gasosa e as
condições operacionais avaliadas. Em seguida, foram realizados dois estudos
de caso seguindo um fluxograma genérico de projeto proposto. O primeiro
consistiu na determinação de um modelo regressivo para estimar a confiabilidade
de um DGS cuja composição gasosa (composta por metano, etano e
octano) é fixa porém suas condições operacionais podem ser alteradas. Já o
segundo consistiu na determinação de um modelo regressivo mais robusto,
onde tanto a composição gasosa como as condições operacionais podem ser
alteradas. Por fim, foi avaliada a viabilidade de implementação de ambos os
modelos em condições reais de operação, baseado na norma infinita obtida
para a predição do conjunto de teste. As performances atingidar foram de
1.872 graus Celsius e 6.951 grau Celsius para o primeiro e segundo estudos de caso, respectivamente. / [en] The correct equipment operation in the Oil and Gas industry is
essential to reduce environmental, human, and financial losses. In this
scenario, dry gas seals (DGS) of centrifugal compressors were studied,
as they are identified as the most critical device due to the extent of
the potential damage caused by their failure. In this study, 31 regression
models available at Scikit-Learn were developed using machine learning
(ML) techniques. They were trained with a scarce dataset, created based
on a design of experiment technique, to replace numerical simulations
in predicting the operational reliability of DGSs. First, a model based
on Computational Fluid Dynamics (CFD) simulation was validated to
represent the gas flowing between the sealing faces, to enable the calculation
of the equipment’s operational reliability. Thus, the open-source CFD
software OpenFOAM was used together with the substance database of
the software REFPROP, to allow the user to define the gas mixture and
the evaluated operational conditions. Then, two case studies were carried
out following a proposed generic workflow. The first comprised determining
a regression model to estimate the reliability of a DGS whose mixture
composition (composed of methane, ethane, and octane) is fixed but its
operating conditions can vary. The second consisted of determining a more
robust regressive model, where both the mixture composition and the
operational conditions can vary. Finally, the feasibility of implementing both
models under realistic operating conditions was evaluated, based on the
infinity norm obtained for the prediction of the test set. The performances
achieved were 1.872 degrees Celsius and 6.951 degrees Celsius for the first and second case studies,
respectively.
|
Page generated in 0.0405 seconds