[pt] O presente trabalho visa a obtenção de um melhor conhecimento dos mecanismos de deposição de parafina em linhas de produção de petróleo, a fim de auxiliar nas atividades de manutenção preditiva, e de fornecer subsídios para o estudo da viabilidade econômica da exploração de campos petrolíferos. Os dados experimentais obtidos foram utilizados para calibrar o simulador numérico desenvolvido pela PUC-Rio. Experiências de deposição para várias condições e óleos foram realizados. O regime de escoamento foi sempre monofásico (líquido). Foi realizada uma comparação entre os dados experimentais e resultados numéricos correspondentes, tendo-se observado uma boa concordância entre ambos. / [en] This work aims at a better understanding of the paraffin deposition mechanism in oil production lines. This knowledge can be very helpful in maintenance activities and to perform economical feasibility studies of exploration of oil fields. Experimental results were used to adjust e numerical simulator developed at PUC-Rio to a number of different oils. Deposition experiments for several conditions and oils were performed. The flow regime imposed was a liquid single-phase. Comparisons between experimental results and numerical predictions showed reasonable agreement.

[pt] No mundo competitivo e globalizado, dadas as inúmeras possibilidades de alocação de capital e as incertezas econômicas intrínsecas às decisões de investimento, a seleção de projetos lucrativos é um elemento de fundamental importância para o sucesso das empresas. Os métodos tradicionais de avaliação de investimentos, como o fluxo de caixa descontado (FCD), vêm sendo muito criticados por não capturarem de maneira adequada as flexibilidades existentes nos projetos. As vantagens de incluir a flexibilidade gerencial e a utilização mais freqüente da teoria de opções reais na avaliação de projetos permitem ampliar as discussões teóricas dos métodos utilizados para tal avaliação. A presente dissertação tem por finalidade a aplicação do Método dos Mínimos Quadrados de Monte Carlo (LSM) na avaliação econômica de projetos de Exploração e Produção de Petróleo (E&P). Para o cálculo das opções reais com o LSM foi construído um programa em VBA (Visual Basic for Applications) que, além de calcular o valor das opções, permite executar análises de sensibilidade. Para a validação do método, utilizou-se a aproximação analítica de Bjerksund & Stensland, por ser uma das mais utilizadas na avaliação de opções reais e por produzir a curva de exercício ótimo dessas opções. Na busca dos parâmetros a serem utilizados neste estudo, simulou-se um fluxo de caixa de um projeto de E&P. Por fim, os resultados obtidos não podem ser considerados definitivos, apenas poderão balizar o desenvolvimento e o aprimoramento da utilização do método LSM em Opções Reais. / [en] In a globalized and competitive world, given the many possibilities of capital allocation and inherent economic uncertainties in investment decisions, the selection of profitable projects is an element of fundamental importance for companies’ success. The traditional methods for investments valuation, such as discounted cash flow (DCF), have been being criticized for not capturing adequately projects flexibilities. The advantages of including management flexibility and more frequent use of the real options theory in the evaluation of projects allow us to expand the theoretical discussions of the methods used for valuation. This study aims to apply the least squares Monte Carlo (LSM) method in economic valuation of upstream oil projects. For calculating real options with the LSM, a program in VBA (Visual Basic for Applications) language was built. Besides calculating the options value, it lets you run a sensitivity analysis. To validate the method, the analytical solution of Bjerksund & Stensland was used, as it is one of the most used in real options valuation and produces a graph of the optimal exercise for those options. In search for parameters to be used, a cash flow for an upstream oil project was simulated. Finally, the results can not be considered definitive; they can only guide the development and improvement of the use of LSM in Real Options.

[pt] Ambientes industriais, especialmente no setor de petróleo e gás, apresentam desafios únicos para técnicas de identificação de sistemas. Apesar dos avanços, ainda existe uma lacuna em nossa compreensão da integração de algoritmos black box, abordagens grey box e aprendizado de máquina para simulação de dados reais. Com o objetivo de otimizar a compreensão e previsão em ambientes industriais complexos, foram explorados a simulação de dados do mundo real na produção de petróleo e análise da velocidade de perfuração. Este estudo propõe uma análise da integração de algoritmos black box, abordagens grey box e aprendizado de máquina na simulação de dados reais, com ênfase na produção de petróleo e o estudo da interação broca rocha no processo de perfuração de poços de petróleo. Neste trabalho foram empregados técnicas de aprendizado de máquina, como redes neurais e métodos clássicos de identificação de sistemas, como modelos lineares como ARX (AutoRegressive with eXogenous inputs) e não lineares como o NARX (Nonlinear AutoRegressive with eXogenous inputs), para capturar os comportamentos dinâmicos dos processos em estudo utilizando dados reais da produção de petróleo e de perfuração, levando em consideração as características específicas e desafios operacionais desses ambientes. Com base nos resultados obtidos, as técnicas utilizadas demonstraram viabilidade de aplicação, na qual a utilização desses modelos híbridos, que combinam conhecimentos físicos com abordagens de múltiplos modelos formados por algoritmos de identificação de sistemas e aprendizado de máquina, demonstrou potencial para aprimorar as simulações. Esses resultados ressaltam a eficácia desses métodos, indicando que pesquisas futuras podem se dedicar à implementação dessa técnica na identificação de sistemas complexos. / [en] Industrial environments, especially in the oil and gas sector, presentunique challenges for system identification techniques. Despite advancements,there still exists a gap in our understanding of integrating black box algorithms,grey box approaches, and machine learning for simulating real-world data.With the aim of optimizing understanding and prediction in complex industrialenvironments, real-world data simulation in oil production and drilling speedanalysis was explored. This study proposes an analysis of the integration ofblack box algorithms, grey box approaches, and machine learning in simulatingreal-world data, with an emphasis on oil production and the study of the drill-rock interaction in the oil well drilling process. In this work, machine learningtechniques such as neural networks and classical system identification methods,such as linear models like ARX (AutoRegressive with eXogenous inputs) andnonlinear ones like NARX (Nonlinear AutoRegressive with eXogenous inputs),were employed to capture the dynamic behaviors of the processes understudy. Additionally, real data from oil production and drilling were utilized,considering the specific characteristics and operational challenges of theseenvironments. Based on the results obtained, the techniques used demonstratedapplicability and yielded satisfactory outcomes. Specifically, the use of hybridmodels, combining physical knowledge with multiple model approaches formedby system identification algorithms and machine learning, showed potentialfor enhancing simulation. These findings underscore the effectiveness of thesemethods, suggesting that future research could focus on implementing thistechnique in identifying complex systems.

[pt] Um dos maiores desafios da produção de petróleo offshore é garantir um escoamento regular do reservatório até a unidade de processamento da produção. Entre os fenômenos que podem dificultar esta tarefa está o estabelecimento de um escoamento em golfadas no riser de produção, caracterizado por oscilações periódicas e de grande amplitude nas vazões do sistema, que diminuem a eficiência da planta de separação, sujeitam equipamentos a esforços cíclicos e causam graves descontroles de processo. Por esta razão, foram desenvolvidas nas últimas décadas diversas soluções que visam a evitar a formação das golfadas, ou ao menos, atenuar suas consequências. Entre as soluções mais promissoras estão os controladores que evitam a formação das golfadas através da manipulação ativa da válvula choke e os controladores que amortecem as golfadas nos vasos separadores da planta de processo. Neste trabalho, estas estratégias de controle são revisitadas sob a óptica do controle inteligente, possibilitando a obtenção de resultados fora do alcance dos controladores lineares. Além de um modelo computacional que descreve um sistema de produção do poço ao vaso separador, também foram desenvolvidos neste trabalho dois controladores inteligentes. O primeiro deles é um controlador anti-golfada de arquitetura híbrida Fuzzy-PID, que é capaz de suprimir as golfadas mesmo em sistemas desprovidos de medições submarinas e com válvula choke lenta. O segundo é um controlador amortecedor de golfadas fuzzy, otimizado por um algoritmo genético, com alta capacidade de atenuação das golfadas e capaz de manter o nível dentro de uma faixa considerada segura. Ambos os controladores são testados em diversos cenários e têm seus resultados comparados aos obtidos por controladores lineares. / [en] One of the major challenges of offshore oil production is to ensure a regular flow from the reservoir to the production processing unit. Among the phenomena that may hamper this task is the establishment of slug flow in the production riser, characterized by periodic oscillations of large amplitude in the system flow rates, which reduce the efficiency of the separation plant, subject equipment to cyclical fatigue and cause serious process instabilities. For this reason, several solutions that aim at avoiding the formation of slugs or, at least, mitigating their consequences have been developed in the last decades. Among the most promising solutions are controllers that prevent the formation of slugs by actively manipulating the choke valve and controllers that dampen the slugs in the vessels of the separation plant. In this work, these control strategies are revisited from perspective of intelligent control, allowing the obtainment of results beyond the reach of linear controllers. In addition to a computational model that comprises a production system from the well to the separation vessel, two intelligent controllers were developed in this work. One of them is a hybrid Fuzzy-PID anti-slug controller that is capable of suppressing slugs even in systems without submarine measurements available and with slow choke valve. The other one is a fuzzy slug damping controller, optimized by a genetic algorithm, with high slug attenuation capacity and able to maintain the level within a specified range. Both controllers are tested in several scenarios and have their results compared to those obtained by linear controllers.

[pt] Cerca de 50 por cento das reservas brasileiras de hidrocarbonetos estão localizadas na plataforma continental em lâminas de água superiores a mil metros. As temperaturas congelantes do fundo do mar tornam os problemas inerentes ao escoamento da produção de petróleo, ainda mais críticos. Entretanto, os desafios da garantia de escoamento, não são os únicos obstáculos para a produção de petróleo em águas ultra-profundas. Além dos aspectos relacionados à geologia e fatores econômicos, a decisão de desenvolvimento de um campo de petróleo no mar, adotando completação submarina ou seca, precisa ser respaldada por uma análise criteriosa dos problemas relacionados com a garantia de escoamento, principalmente em locações de águas profundas e ultra- profundas. Nestes cenários, a maior variação da energia potencial e conseqüente intensificação do efeito Joule-Thomson, contribuem de uma forma bem mais significativa para a queda de temperatura e pressão. Este trabalho objetiva promover a comparação entre um sistema de produção usando poços direcionais de grande afastamento, produzindo para uma unidade de completação seca e um sistema adotando poços com completação submarina, a 850, 1.550 e 2.300m de lâmina de água, avaliando os efeitos das perdas de carga e calor em um fluxo multifásico. Com o uso de completação molhada, é avaliada a máxima distância viável entre a zona produtora e a plataforma de produção, de forma a permitir o fluxo de hidrocarbonetos sem formação de cristais de parafina. Com base nos resultados alcançados, podemos tirar algumas conclusões importantes quanto à tendência dos sistemas de produção em águas profundas e ultra- profundas, que nortearão no futuro próximo o desenvolvimento de campos de petróleo na plataforma continental brasileira. / [en] Around 50 percent of the Brazilian reserves of hydrocarbons are located in the continental platform in water depths with more than one thousand meters. The freezing temperatures of the sea bottom make problems related to oil production, even more critical. However, the flow assurance challenges are not the only obstacles for the oil production in ultra-deep waters. Besides the aspects related to the geology and economical factors, the decision of development of an offshore oil field adopting a system with wet completion or with dry completion, needs to be supported by discerning analyses of the problems related to flow assurance aspects, mainly in deep and ultra-deep water locations. In these scenarios, a larger variation of the potential energy and consequent intensification of the Joule-Thomson effect, contribute in a much more significant way to the temperature and pressure drops. This work aims to promote the comparison between an oil production system using extended reach wells with a dry completion unit and another system with wet completion, at 850, 1.550 and 2.300m of water depth, evaluating the effects of pressure drop and heat loss in a multiphase flow. Using wet completion, it is evaluated the maximum feasible distances between the producing zone of the formation and the floating production unit, allowing the flow of hydrocarbons without interruption by the formation of paraffin crystals. Based on the reached results, we can reach some important conclusions regarding trend of production systems in deep and ultra-deep water, that will guide the development of oil fields in the near future in the Brazilian continental platform.

[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.

[pt] A produção de petróleo possui alta relevância em âmbito brasileiro e mundial. Por outro lado, a incerteza do setor presume alta variabilidade nas previsões de produção de óleo, e exerce um impacto significativo nas decisões. O estudo contempla analisar o cenário da bacia geográfica de Campos, em estudo de caso aplicado em empresa nacional de óleo e gás, com objetivo de aprimorar a previsão de produção de óleo. Para isso, são empregados métodos de simulação, clusterização e previsão, sendo integrados com julgamento humano. Busca-se inferir as incertezas inerentes às atividades, analisar os principais riscos envolvidos e subsidiar a definição das metas de produção. Com esse intuito, foi desenvolvida uma modelagem orientada a dados, por meio da criação de um simulador com linguagem de programação em R. Os dados compreendem os anos de 2017 a 2021, e a projeção é realizada para o ano de 2022. O modelo incorpora julgamento humano durante o processo, permitindo que os especialistas realizem modificações no resultado das previsões, agregando sua experiência e informações exclusivas. A análise de série temporal avalia oito métodos de previsão, seu resultado mostra que a entidade do potencial produtivo apresenta menor erro do que na eficiência, e o método TBATs obteve o menor erro na predição. A análise do planejamento das paradas e entrada dos novos poços é realizada por meio de análise gráfica, observando os principais riscos relacionados. Por fim, o simulador apresenta proposta para auxiliar na definição das metas de produção, ele verifica a probabilidade para alcançar a meta com base nos resultados das simulações. / [en] Oil production has Brazilian and World importance. However, the randomness of the sector results a high variability in oil production forecasts. This variability has a significant impact on decisions. The study analyzes the challenging scenario at geographic Campos basin, in a case applied in a national energy company. The objective is to improve the risk analysis associated with the achievement of oil production targets. Simulation, clustering, and time series forecasting methods are employed, integrating into human judgment. It tries to infer the uncertainties inherent of the activities to increase the accuracy of oil production forecasts, analyze the main risks involved, and subsidize the definition of production targets. A data-driven model is developed, creating a simulator with R language. The data used the years 2017 to 2021, and the projection is made for the year 2022. Human judgment is incorporated into the model during the process, specifying the input parameters to enable experts to make modifications based on the predictions, adding their unique experience and information. The time series analysis eight prediction methods, the results show that the oil potential presents less error than in the production efficiency, and TBATS was the prediction method that obtained the lowest prediction error. The main risks related to the maintenance planning and the entry of new wells are identified through graphical analysis. Finally, the simulator presents a possible solution to help define production goals, it verifies the probability of reaching the goal based on the simulation results.