[pt] Os testes de formação são uma operação realizada com o objetivo de identificar os fluidos, determinar os parâmetros de reservatório associados à produtividade e avaliar a extensão da jazida. Para executar o teste, o poço é completado temporariamente para permitir a produção dos fluidos de forma segura, e o intervalo a ser testado é isolado e um diferencial de pressão entre a formação e o interior do poço é estabelecido, forçando os fluidos da formação a serem produzidos. A busca por uma forma de substituir os testes de produção tradicionais, evitando a queima de gás natural e o aumento da segurança operacional, somada ao fato de completações de poços injetores de água na zona produtora de óleo ser uma prática comum do desenvolvimento de campos marítimos, levaram os testes de injetividade a ter um importante papel no gerenciamento dos reservatórios desses campos. Embora os métodos de análise de fluxo monofásico com pequena compressibilidade sejam bem documentados na literatura, soluções bifásicas e métodos de análise ainda precisam ser desenvolvidos. Nessa dissertação, é proposta a modelagem do problema de testes de injetividade com vazão variável, utilizando soluções analíticas aproximadas. / [en] The pressure response during a well test provides information on well productivity and reservoir performance. To replace traditional production tests, avoiding the gas flaring and increasing operational safety, the injectivity test began to play an important role in the management of the reservoirs in these fields. Although analytical models are able to describe injection and falloff periods, variable rate models still need to be developed. This work attempts to present a variable rate approximate solution for pressure response in a water injection well. The accuracy of the proposed solution was assessed by comparison with a numerical simulator. The suggested model was also used to determine the reservoir equivalent permeability.

[pt] Correntes de turbidez são correntes gravitacionais turbulentas transportando grãos em alta velocidade e formando uma solução de água e sedimentos esparramados, sendo responsáveis pela formação de um tipo de reservatório petrolífero. O lobo turbidítico é um importante elemento arquitetural nos reservatórios turbidíticos e neste trabalho propomos uma modelagem assistida deste objeto, a partir de dados de pressão medidos durante um teste de formação. Para isto, foi desenvolvido um método de estimar as permeabilidades e parâmetros geométricos dos lobos com auxílio do simulador IMEX da CMG e da interpretação assistida do teste de formação simulado, utilizando como base os dados de pressão extraídos de testes de formação de referência. Na modelagem do lobo turbidítico incluímos a alocação de uma superfície de base. / [en] Turbidite currents are turbulent gravitational currents transporting grains in high speed creating a solution of water and dispersed sedments, being responsable for the formation of an oil reservoir. The turbidite lobe is an important architectural element for the turbidite reservoirs. In this work we propose an assisted modeling of this object based on measured well testing pressures. A method was developed to estimate permeabities and geometric parameters for this lobes using the IMEX fluid flow simulator and an assisted interpretation of the simulated well test comparing simulated pressures to those measured in a reference well test. In the modeling of the turbidite lobe, we allocate a base surface.

[pt] Este trabalho investiga o desempenho de modelos inteligentes na previsão de permeabilidade de reservatórios heterogêneos. Perfis de produção são utilizados para computar funções-objetivo para regressão no processo de otimização dos algoritmos. Um método de interpretação de perfil de produção é usado para remover efeitos de skin das medições de vazão. Adicionalmente, uma técnica de segmentação é aplicada a perfis de imagem acústica de alta resolução que fornecem, não apenas a imagem do sistema de mega e giga poros, mas também identifica fácies permeáveis ao longo do reservatório. A segmentação da imagem junto com outros perfis a poço aberto fornece os atributos necessários para o processo de treinamento do modelo. As estimativas apresentadas neste trabalho demonstram a habilidade dos algoritmos em aprender relações não lineares entre as variáveis geológicas e os dados dinâmicos de reservatório, mesmo quando a própria relação física é complexa e desconhecida à priori. Apesar das etapas de pré-processamento envolverem experiência em interpretação de dados, os algoritmos podem ser facilmente implementados em qualquer linguagem de programação, não assumindo qualquer premissa física de antemão. O procedimento proposto fornece curvas de permeabilidades mais acuradas que aquelas obtidas a partir de métodos convencionais que muitas vezes falham em prever a permeabilidade medida em testes de formação (TFR) realizados em reservatórios de dupla-porosidade. A contribuição deste trabalho é incorporar os dados dinâmicos oriundos dos perfis de produção (PP) ao processo de estimativa de permeabilidade usando algoritmos de Machine Learning. / [en] This work investigates the performance of intelligent models on the forecasting of permeability in heterogeneous reservoirs. Production logs are used to compute loss functions for regression in the algorithms optimization process. A flow profile interpretation method is used to remove wellbore skin effects from the measured flow rate. Additionally, a segmentation technique is applied to high-resolution ultrasonic image logs which provide not only the image of mega and giga pore systems but also identify the permeable facies along the reservoir. The image segmentation jointly with other borehole logs provides the necessary input data for the models training process. The estimations presented herein demonstrate the algorithms ability to learn non-linear relationships between geological input variables and a reservoir dynamic data even if the actual physical relationship is complex and not known a priori. Though the preprocessing stages of the procedure involve some data interpretation expertise, the algorithms can easily be coded in any programming language, requiring no assumptions on physics in advance. The proposed procedure provides more accurate permeability curves than those obtained from conventional methods, which may fail to predict the permeability measured on drill stem tests (DSTs) conducted in dual-porosity reservoirs. The novelty of this work is to incorporate dynamic production logging (PL) data into the permeability estimation workflow using machine learning algorithms.