[pt] Os poços inteligentes permitem a criação de uma estratégia de desenvolvimento flexíveis, dada, entre outras coisas, sua capacidade de adquirir informações relevantes necessárias para tomadas de decisão futuras. No entanto, se não considerarmos as incertezas quando pretendemos calcular o valor dessa flexibilidade, a estratégia de otimização resultante terá dois problemas fundamentais: pode-se atribuir um valor muito elevado para os poços inteligentes, e não se tira proveito da capacidade de adaptar e mitigar incertezas. Este trabalho propõe uma abordagem para avaliar flexibilidade sob incerteza, buscando a estratégia de controle de fluxo que maximize o valor presente líquido esperado, reagindo dinamicamente a novas informações. Demonstramos a abordagem proposta utilizando toy problems, nos quais podemos avaliar as soluções de otimização em uma ampla gama de cenários, incluindo incertezas e flexibilidade, com um reduzido tempo de avaliação. Em seguida, aplicamos esta abordagem em um modelo de reservatório que destaca aspectos como: otimização de ativos sob incerteza, controle flexível baseado em informações futuras, e quantificação do valor da flexibilidade e medições futuras. Além disso, contribuindo para seleção apropriadas da tecnologia de poços inteligentes e de medições, a abordagem proposta oferece uma árvore de decisão que descreve a estratégia flexível ideal, com os controles da válvula que adequadamente consideram medições futuras e seus impactos na redução de incertezas. Esta abordagem provê uma avaliação qualitativa, indicando se o campo tem potencial de melhoria significativa utilizando poços inteligentes, e avaliação quantitativa dos benefícios da tecnologia, resultando em uma estratégia realizável, que orienta o ajuste das válvulas um campo real. / [en] Smart well technology has the ability to acquire relevant information required for future decision-making, enabling the generation of a development strategy with future flexibility. However, to value its flexibility, if we do not account for uncertainty when performing an optimization, the resulting strategy will have two key shortcomings: it will assign too high value to the smart wells, and it will not take advantage of the ability of the smart wells to adapt and mitigate to uncertainty. We propose a strategy that allows to value flexibility under uncertainty, seeking the flow control strategy that maximizes the expected net present value, dynamically reacting to new information as it is acquired. We demonstrate the proposed approach using toy problems for which we can evaluate optimization solutions for a broad range of scenarios, including uncertainty and flexibility to accommodate future measurements, with a reduced time of evaluation. We then apply this proposed approach on a reservoir model that highlights its novel aspects: asset optimization under uncertainty, flexible control based on future information, and quantification of the value of flexibility and future measurements. In addition to valuing flexibility and future information, which contributes to the selection of appropriate smart-well technology and measurements, the proposed approach delivers a decision tree that describes a flexible strategy of optimum valve settings that properly accounts for future measurements and their impact on uncertainty reduction. This approach gives a qualitative value, indicating whether the field has the potential of significant improvement using smart wells, and a quantitative valuation of the benefits of smart completions resulting in a realizable strategy to guide the control of these completions in a real field management project.

[pt] Simulação de reservatório, que por meio de equações complexas emula fluxo em modelos de reservatório, é primordial à indústria de Óleo e Gás. Estimando o comportamento do reservatório dadas diferentes condições de entrada, permite que especialistas otimizem diversos parâmetros na etapa de projeto de campos de petróleo. Entretanto, o tempo computacional necessário para simulações está diretamente correlacionado à complexidade do modelo, que cresce exponencialmente a cada dia que se passa, já que modelos mais detalhados são necessários dada a busca por maior refinamento e redução de incertezas. Deste modo, técnicas de otimização que poderiam significativamente melhorar os resultados de desenvolvimentos de campo podem se tornar inviáveis. Este trabalho propõe o uso de modelos generativos profundos para a geração de dados de reservatório, que podem então ser utilizados para múltiplos propósitos. Modelos generativos profundos são sistemas capazes de modelar estruturas de dados complexas, e que após treinamento robusto são capazes de amostrar dados que seguem a distribuição do conjunto de dados original. A presente aplicação foca em poços inteligentes, uma tecnologia de completação que traz diversas vantagens, dentre as quais uma melhor habilidade de monitoramento e gerenciamento de reservatórios, apesar de carregar um aumento significativo no investimento do projeto. Assim, essas otimizações previamente mencionadas se tornam indispensáveis, de forma a garantir a adoção da tecnologia, junto ao seu máximo retorno. De modo a tornar otimizações de controle de poços inteligentes viáveis dentro de um prazo razoável, redes generativas adversariais são aqui usadas para amostrar conjuntos de dados após um número relativamente pequeno de cenários simulados. Esses dados são então utilizados para o treinamento de aproximadores, algoritmos capazes de substituir o simulador de reservatório e acelerar consideravelmente metodologias de otimização. Estudos de caso foram realizados em modelos referência da indústria, tanto relativamente simples quanto complexos, comparando arquiteturas de redes e validando cada passo da metodologia. No modelo complexo, mais próximo de um cenário real, a metodologia foi capaz de reduzir o erro do aproximador de uma média de 18.93 por cento, para 9.71 por cento. / [en] Reservoir simulation, which via complex equations emulates flow in reservoir models, is paramount to the Oil e Gas industry. By estimating the behavior of the reservoir given different input conditions, it allows specialists to optimize various parameters in the oilfield project stage. Alas, the computational time needed for simulations is directly correlated to the complexity of the model, which grows exponentially with each passing day as more intricate and detailed reservoir models are needed, seeking better refinement and uncertainty reduction. As such, optimization techniques which could greatly improve the results of field developments may be made unfeasible. This work proposes the use of deep generative models for the generation of reservoir data, which may then be used for multiple purposes. Deep generative models are systems capable of modeling complex data structures, which after robust training are capable of sampling data following the same distribution of the original dataset. The present application focuses on smart wells, a technology for completions which brings about a plethora of advantages, among which the better ability for reservoir monitoring and management, although also carrying a significant increase in project investment. As such, these previously mentioned optimizations turn indispensable as to guarantee the adoption of the technology, along with its maximum possible return. As to make smart well control optimizations viable within a reasonable time frame, generative adversarial networks are here used to sample datasets after a relatively small number of simulated scenarios. These datasets are then used for the training of proxies, algorithms able to substitute the reservoir simulator and considerably speed up optimization methodologies. Case studies were done in both relatively simple and complex industry benchmark models, comparing network architectures and validating each step of the methodology. In the complex model, closest to a real-world scenario, the methodology was able to reduce the proxy error from an average of 18.93 percent, to 9.71 percent.

[pt] 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 desempenho 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 tanto, foram usadas duas bases de dados com séries históricas de produção de petróleo, gás e água. A primeira base foi gerada sinteticamente (através de simulação de reservatórios) e consiste na produção média mensal e configuração de 3 válvulas de um poço injetor, ao longo de um período de 10 anos. A segunda base usa dados reais de produção (observados) fornecidos pelo estado da Dakota do Sul nos Estados Unidos. Esta base consiste na média diária de produção e o estado geral (ativo ou não produzindo) de diversos poços produtores de petróleo no período compreendido de 1950 a 2018. 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. Utilizando uma rede Gated Recurrent Units com camadas bidirecionais (GRUB), foi possível obter uma redução no erro RMSE de 66 por cento e no erro MAE de 79 por cento 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 75 por cento no RMSE e 85 por cento no MAE. O erro RMSE normalizado na rede GRUB foi de 0,53 por cento nos dados observados e 0,65 por cento nos dados sintéticos. Os modelos de deep smart proxy obtiveram desempenhos muito semelhantes, principalmente ao comparar o desempenho das redes do tipo LSTMB e GRUB. Estas redes foram aplicadas em ambos os casos sintético e real de produção e superaram, em todos os casos, os resultados obtidos com o modelo de smart proxy com MLP. / [en] 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 percent in the RMSE error and 79 percent 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 percent in RMSE and 85 percent in MAE). The normalized RMSE error in the GRUB network was of 0.53 percent in the observed database and 0.65 percent 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.