[pt] Uma das tarefas mais importantes da Engenharia de Reservatórios é definir a estratégia de produção. Isso significa estabelecer, dentre outras coisas, quantidade, características, localização, planejamento operacional e cronograma de abertura dos poços, a fim de maximizar a recuperação de óleo e o valor presente líquido (VPL) do projeto. Assim, a definição da melhor estratégia de produção representa um problema de otimização complexo, devido à quantidade de variáveis envolvidas. Geralmente, muitas dessas etapas são executadas manualmente, demandando assim muito tempo e esforço por parte do especialista. A disponibilidade de uma ferramenta computacional, que possa auxiliar o especialista em parte desse processo, pode ser de grande utilidade tanto para a obtenção de respostas mais rápidas, quanto para a tomada de decisões mais acertadas. Diante disso, este trabalho propõe um modelo computacional, baseado em Algoritmos Genéticos, para otimizar o cronograma de abertura de poços, considerando restrições técnicas e operacionais impostas pelo problema. O modelo proposto foi avaliado por meio do estudo de três casos. O primeiro consiste em um reservatório simples que foi utilizado, principalmente, para identificar a configuração mais adequada dos parâmetros evolutivos do algoritmo genético. O segundo, que consiste em um reservatório com características similares às de um reservatório real, foi submetido a uma análise econômica para avaliar o desempenho do modelo de solução diante de cenários econômicos: real, favorável e desfavorável. Em todos os testes realizados, o modelo de solução obteve resultados promissores, com VPL s superiores em até 18,8 porcento comparados ao VPL obtido com o cronograma proposto pelo especialista. / [en] One of the most important tasks of Reservoir Engineering is setting the production strategy. That means establishing, among other things, amount, character, location, operational planning and well opening scheduling in order to maximize oil recovery and net present value (NPV) of the project. Thus, the definition of the best strategy for production represents a complex optimization problem due to the many variables involved. Generally, many of these steps are performed manually, requiring so much time and effort on the part of the expert. The availability of a computational tool that can assist the expert part of this process, may be useful both to obtain faster responses, as for making better decisions. Thus, this work proposes a computational model based on genetic algorithms to optimize the schedule of digging wells, considering technical and operational constraints imposed by the problem. The proposed model was evaluated by the study of three cases. The first consists of a single reservoir that was used primarily to identify the most suitable configuration of parameters evolutionary genetic algorithm. The second, consisting of a reservoir with characteristics similar to those of a real reservoir, was subjected to an economic analysis to evaluate the performance of the model solution in the face of economic scenarios: real, favorable and unfavorable. And the third is in a real reservoir. In all tests, the model solution obtained promising results, with higher NPV s up 18.8 percent compared to the NPV obtained with the schedule proposed by the expert.

[pt] Este trabalho apresenta a Reservoir Risks Ontology (ResRiskOnto), uma ontologia aplicada aos riscos na indústria de óleo e gás associados ao domínio de reservatórios. Os componentes da ResRiskOnto são termos do domínio de trabalho de profissinais de reservatório, de forma a facilitar sua adoção na documentação futura de riscos. A ResRiskOnto tem como ideia central o conceito de Evento de Risco. Cada evento tem um conjunto de possíveis Participantes, que por sua vez possuem Características manifestadas pelo evento. A ontologia dispõe de um total de 97 termos, 29 dos quais derivados da classe Evento de Risco. Para desenvolver a ResRiskOnto, foi feita uma análise semântica em aproximadamente 2500 riscos de reservatórios documentados em linguagem natural. Este repositório é fruto de centenas de workshops de avaliação de riscos em projetos de óleo e gás, conduzidos na Petrobras durante uma década. A ontologia proposta fundamenta-se nos princípios da Basic Formal Ontology (BFO), uma ontologia de topo projetada para descrever domínios científicos. A BFO baseia-se no Realismo, uma visão filosófica segundo a qual os entes que constituem a realidade existem independentemente da nossa representação. No nível de domínio definimos os entes de reservatório usando os conceitos da GeoCore Ontology, uma ontologia para a Geologia. Para validar a ResRiskOnto os documentos do repositório foram anotados utilizando os entes e relações definidos na ontologia, e desenvolvido um modelo capaz de reconhecer entidades nomeadas e extrair as relações entre elas. Nossa contribuição é uma ontologia aplicada que permite o raciocínio semântico no repositório de documentos de risco. Esperamos que ela forneça (i) as bases para modelagem de dados de riscos relacionados a reservatórios; e (ii) um padrão para futura documentação de riscos no domínio de reservatório. / [en] This work proposes the Reservoir Risks Ontology (ResRiskOnto), an application ontology for risks in the oil and gas industry associated with the petroleum reservoir domain. ResRiskOnto s building blocks are terms dominated by reservoir professionals, so that it can be easily adopted in future risk documentation. ResRiskOnto is developed having at its center the concept of Risk Events. Each event has a set of possible Participants, that have its Characteristics manifested by the event. The ontology provides a total a set of 97 terms, 29 of which are derived from the Risk Event class. To develop the ResRiskOnto, we conducted a semantic analysis of documents that contain over 2500 reservoir-related risks described in natural language. This repository is the result of hundreds of risk assessment workshops in oil and gas projects, conducted in over ten years in Petrobras. This ontology is founded on the principles of the Basic Formal Ontology (BFO), a top-level ontology designed to describe scientific domains. One of BFO s most distinct characteristic is its commitment to Realism, a philosophical view of reality in which its constituents exist independently of our representations. On the domain-level, reservoir entities are described under the principles of the GeoCore Ontology, a core ontology for Geology. To validate the ResRiskOnto we annotate our risk documents repository with the ontology s entities and relations, developing a model that recognizes named entities and extracts the relations among them. Our contribution is an application ontology that allows semantic reasoning over the risk documents. We also expect to provide (i) a basis for data modelling in the case of reservoir-related risks; and (ii) a standard for future risk documentation in the reservoir domain.

[pt] A estimativa de produção de petróleo é um dos parâmetros essenciais para mensurar a economicidade de um campo e, para tanto, existem várias técnicas convencionais na área da engenharia de petróleo para predizer esse cálculo. Essas técnicas abrangem desde modelos analíticos simplificados até simulações numéricas mais complexas. Este trabalho propõem o uso de Redes Neurais Artificias (RNA) para prever uma curva de produção de óleo que mais se aproxime da obtida por um simulador numérico. A metodologia consiste na utilização da rede neural do tipo feedforward para a previsão da vazão inicial e da curva de produção ao longo de dez anos para um poço produtor de óleo. Essa metodologia tem aplicação prática na área da exploração, visto que, nessa fase, ainda há muita incerteza sobre a acumulação de petróleo e, portanto, os modelos de reservatório tendem a não ser complexos. Os resultados foram obtidos a partir do treinamento de RNAs com dados coletados do simulador numérico IMEX, cujas saídas foram posteriormente comparadas com os dados originais da simulação numérica. Foi possível obter uma precisão de 97 por cento na estimativa da vazão inicial do poço produtor de óleo. A previsão da curva de produção apresentou um erro percentual médio absoluto inferior a 10 por cento nos dois primeiros anos. Apesar dos valores de erro terem crescido ao longo dos últimos anos, eles são menores quando comparados com a metodologia de declínio exponencial e com a regressão linear múltipla. / [en] Production forecasting is one of the essential parameters to measure the economics of an oil field. There are several conventional techniques in petroleum engineering to estimate the production curve. They range from simplified analytical models to complex numerical simulations. This study proposes the use of Artificial Neural Networks (ANN) to predict an oil production curve that approximates to a numerical simulator curve. The methodology consists of using a feedforward neural network to predict the initial flow and the production forecast over ten years of an oil well. This methodology has practical application in the exploration area, since, at this stage, there is still much uncertainty about the oil accumulation, so the reservoir models tend not to be complex. The results were obtained from the ANN training with data collected from the numerical simulator IMEX, whose outputs were later compared with the original data of the numerical simulation. It was possible to get an estimate for the oil initial flow forecast with an accuracy of 97 percent. The production forecast had a mean absolute percentage error of less than 10 percent in the first two years. Despite the increasing error values over the years, they are smaller when compared to those obtained from the exponential decline and multiple linear regression.

[pt] Tradicionalmente, os testes de formação em poços de petróleo buscam caracterizar o campo de permeabilidades a partir da interpretação dos transientes de pressão (PTA) nos períodos de fluxo e estática baseados em modelos isotérmicos de escoamento em meios porosos. Com o avanço da instrumentação dos testes, registros mais precisos de temperatura passaram a estar disponíveis e fomentaram a pesquisa baseada em modelos não isotérmicos que possibilitaram a análise a partir dos transientes de temperatura (TTA). Além da caracterização de parâmetros do reservatório como permeabilidade e porosidade com a interpretação dos transientes de temperatura, os dados de pressão obtidos a partir de um modelo não isotérmico representa de forma mais fidedigna o fenômeno físico sobretudo quando os testes são submetidos a maiores diferenciais de pressão. Este trabalho consiste no desenvolvimento de um simulador para teste de formação que considera a modelagem não isotérmica de reservatório unidimensional radial acoplado a um poço produtor e na utilização deste simulador, associado a métodos de otimização multivariável, para resolução do problema inverso da caracterização de parâmetros do reservatório. Alguns métodos de otimização foram testados e o algoritmo do Simplex de Nelder-Mead apresentou melhor eficácia. Foram estabelecidos três tipos de problemas e utilizados em três casos hipotéticos considerando inclusive a imposição artificial de ruídos nos sinais de pressão e temperatura utilizados para resolução do problema inverso. / [en] Traditionally, oil well formation tests aim to characterize the reservoir permeability field from pressure transient analysis (PTA) of drawdown and build up based on isothermal flow models in porous media. With the advancement of well test instrumentation, more accurate temperature records became available and have encouraged researches based on non-isothermal models that made possible the temperature transient analysis (TTA). In addition to the characterization of reservoir parameters such as permeability and porosity by TTA, the pressure data obtained from a non-isothermal model represent better the physical phenomenon, especially when the tests are subjected to greater drawdowns. This work consists in the development of a simulator for formation test that considers non-isothermal modeling of a unidimensional radial reservoir coupled to a production well and in the use of this simulator, associated with multivariable optimization methods, to solve the inverse problem of reservoir parameters characterization. Some optimization methods were tested and the Nelder-Mead Simplex algorithm presented better efficiency. Three types of problems were established and used in three hypothetical cases, including artificially imposed noise in pressure and temperature signals used to solve the inverse problem.