[pt] Testes de formação são normalmente realizados para determinar as propriedades rochosas do reservatório e os dados obtidos costumam ser interpretados com base no pressuposto que o reservatório é homogêneo na direção vertical e descrito por um modelo uni dimensional. No entanto, muitos reservatórios são compostos por diversas camadas que possuem características diferentes. Os poços de produção nesses reservatórios podem receber óleo de mais de uma camada. Em um sistema de reservatório estratificado, o comportamento da pressão e da temperatura não é necessariamente o mesmo de um sistema em camada única e raramente revela as mesmas propriedades médias de todo o sistema. Prever as características das camadas individuais é importante para descrever adequadamente o reservatório e melhorar o gerenciamento da produção. Este trabalho apresenta um modelo numérico, transiente-térmico para um sistema acoplado poço - reservatório 2D, levando-se em consideração efeitos Joule-Thompson responsáveis pelo aquecimento / resfriamento do fluido, expansão/compressão adiabática, além de efeitos de condução e convecção para o poço e o reservatório em um escoamento monofásico. A análise bidimensional do reservatório permite que se simule zonas de estratificação e barreiras. O modelo permite fluxo através de camadas adjascentes com propriedades de rocha diferentes. Pressão e temperatura a uma certa posição no poço produtor são avaliadas ao longo do tempo. Resultados mostram que a análise do transiente de pressão (PTA) e a análise do transiente de temperatura (TTA) podem ser utilizadas para caracterizar diferentes configurações de um reservatório estratificado. / [en] Well formation tests are usually performed to determine rock properties of a reservoir and the obtained data has often been interpreted based on an assumption that the reservoir is homogeneous in the vertical direction and described by a 1-D model. However, many reservoirs are found to be composed of different number of layers that have different characteristics. Production wells in such reservoirs may receive oil from more than one layer. In stratified reservoir system, the pressure and temperature behavior are not necessarily the same as in single layered system, and rarely reveals the same average properties of the entire system. The prediction of the characteristics of the individual layers is important to describe properly the reservoir and improve production management. This work presents a numerical transient-thermal model for a coupled wellbore/2D-reservoir considering Joule-Thompson heating/cooling, adiabatic fluid expansion/compression, conduction and convection effects for both wellbore and reservoir for a single-phase fluid flow. The two-dimensional reservoir model allows the analysis of stratified zones and barriers. The model allows cross flow between the adjacent layers with different rock properties.Wellbore temperature and pressure at a certain gauge depth are evaluated along the time. Results show how pressure transient analysis (PTA) and temperature transient analysis (TTA) can be used to characterize different configuration of stratified reservoirs.

[pt] Identificar o modelo de um reservatório é o primeiro passo para interpretar corretamente os dados gerados em um teste de poços e desta forma estimar os parâmetros relacionados a esse modelo. O objetivo deste trabalho é de forma inversa, utilizar as curvas de pressão obtidas em um teste de poços, para identificar o modelo de um reservatório. Como os dados obtidos em um teste de poços podem ser ordenados ao longo do tempo, nossa abordagem será reduzir essa tarefa a um problema de classificação de séries temporais, onde cada modelo de reservatório representa uma classe. Para tanto, foi utilizada uma técnica chamada shapelet, que são subsequências de uma série temporal que representam uma classe. A partir disso, foi construído um novo feature space, onde foi medida a distância entre cada série temporal e as shapelets de cada classe. Então foi criado um comitê de votação utilizando os modelos k-nearest neighbors, decision tree, random forest, support vector machines, perceptron, multi layer perceptron e adaboost. Foram testados os pré-processamentos standard scaler, normalizer, robust scaler, power transformer and quantile transformer. Então a classificação foi feita no novo feature space pré-processado. Geramos 10 modelos de reservatório multiclass analíticos para validação. Os resultados revelam que o uso de modelos clássicos de aprendizado de máquina com shapelets, usando os pré-processamentos normalizer e quantile trasformer alcança resultados sólidos na identificação dos modelos de reservatório. / [en] Identifying a reservoir model is the first step to correctly interpret the data generated in a well-test and hence to estimate the related parameters to this model. The goal of this work is inversely to use the pressure curves, obtained in a well-test, to identify a reservoir model. Since the data obtained in a well-test can be ordered over time, we reduce this task to a problem of time series classification, where every reservoir model represents a class. For that purpose, we used a technique called shapelets, which are times series subsequences that represent a class. From that, a new feature space was built, where we measured the distance between every time series and the shapelets of every class. Then we created an ensemble using the models k-nearest neighbors, decision tree, random forest, support vector machines, perceptron, multi-layer perceptron, and adaboost. The preprocessings standard scaler, normalizer, robust scaler, power transformer, and quantile transformer were tested. Then the classification was performed on the new preprocessed feature space. We generated 10 analytical multiclass reservoir models for validation. The results reveal that the use of classical machine learning models with shapelets, using the normalizer and quantile transformer preprocessing, reaches solid results on the identification of reservoir models.