Submitted by Automa??o e Estat?stica (sst@bczm.ufrn.br) on 2017-02-21T00:17:08Z No. of bitstreams: 1 FelipeDaSilvaPereiraAlbuquerqueOliveira_DISSERT.pdf: 6576373 bytes, checksum: b11e6d9b4401f339a1102a38b4351fa4 (MD5) / Approved for entry into archive by Arlan Eloi Leite Silva (eloihistoriador@yahoo.com.br) on 2017-03-03T22:40:49Z (GMT) No. of bitstreams: 1 FelipeDaSilvaPereiraAlbuquerqueOliveira_DISSERT.pdf: 6576373 bytes, checksum: b11e6d9b4401f339a1102a38b4351fa4 (MD5) / Made available in DSpace on 2017-03-03T22:40:49Z (GMT). No. of bitstreams: 1 FelipeDaSilvaPereiraAlbuquerqueOliveira_DISSERT.pdf: 6576373 bytes, checksum: b11e6d9b4401f339a1102a38b4351fa4 (MD5) Previous issue date: 2016-09-12 / Em campos de ?leo pesado onde se utilize a inje??o c?clica de vapor, uma das tarefas mais recorrentes, demoradas e importantes ? a defini??o do cronograma de estimula??o com vapor para as centenas de po?os produtores. A capacidade de gera??o de vapor ? usualmente limitada e ainda mais reduzida pelas recorrentes manuten??es dos geradores. Esse agendamento at? poderia ser feito a partir de um modelo num?rico, mas al?m de exigir a disponibilidade de infraestrutura computacional, s? ? vi?vel caso o tempo n?o seja um fator cr?tico nessa defini??o. A indisponibilidade de tempo para rodar as simula??es necess?rias para a otimiza??o ? normalmente um empecilho, haja vista que a tarefa deve ser recorrentemente realizada conforme as premissas evoluem no tempo. Por isso, a op??o mais comum ? aproveitar a experi?ncia do engenheiro e do ge?logo de reservat?rios em uma an?lise subjetiva dos par?metros de reservat?rio e hist?rico de produ??o, muitas vezes levando em considera??o um estudo feito para um po?o representativo daquele campo ou de uma ?rea do campo. Esse m?todo tem se mostrado eficaz, embora consuma razo?vel quantidade de tempo para an?lise das op??es e conte com a intui??o do profissional encarregado da tarefa. Muitas s?o as refer?ncias acad?micas sobre modelos anal?ticos para representar o processo de inje??o c?clica de vapor e, de posse desses modelos, foram publicadas tentativas de us?-los para maximizar os resultados da estimula??o de determinado po?o. Entretanto, abordaram o problema restrito de uma estimula??o em particular, sem que o problema da defini??o de qual po?o estimular a cada momento de disponibilidade do recurso cr?tico, que ? a capacidade instalada de gera??o de vapor. Esta disserta??o prop?e, portanto, uma nova metodologia sobre como combinar a simplicidade dos diversos modelos anal?ticos dispon?veis na literatura com a grande capacidade computacional moderna para realizar uma an?lise probabil?stica do melhor retorno econ?mico para a capacidade instalada de gera??o de vapor, podendo servir de base, inclusive, na an?lise de viabilidade econ?mica para aquisi??o de maior capacidade ou para mobilizar geradores entre campos ou entre ?reas de um mesmo campo. S?o tratados os aspectos te?ricos dos modelos anal?ticos incluindo as limita??es inerentes a alguns deles bem como em quais circunst?ncias a aplica??o teria mais confiabilidade al?m de poss?veis adapta??es que mitigariam algumas das preocupa??es sobre a aplicabilidade desses modelos. Ao inv?s de definir uma combina??o de modelo e estrat?gia que seja conveniente para todos os cen?rios de utiliza??o poss?vel, trata-se de uma sugest?o de metodologia a fim de alcan?ar melhores resultados, cabendo a quem for us?-la definir quais s?o as particularidades do caso concreto e buscar modelos e estrat?gias que convierem. Por fim, ganhos potenciais ficam claros com a compara??o dos resultados obtidos pelo m?todo com a op??o subjetiva mais intuitiva de injetar nos po?os seguindo uma ordem trivial com cotas fixas para um caso te?rico padr?o atrav?s da simula??o num?rica, para qual ser? utilizado o simulador STARS? da CMG para simula??o t?rmica. / Heavy oil fields that produce through cyclic steam stimulation often demands one very recurrent, time consuming and important task during its lifetime: stimulation scheduling along the hundreds of the existing wells. Installed steam generation capacity is usually lower than the demand and is diminished even more by maintenance stoppages. This scheduling could be defined using numerical simulation, but beyond demanding a computational infrastructure, the time needed to complete the task is usually much greater than the time available. Computational infrastructure is not usually an issue but time availability in order to run the numerous simulations necessary to complete the optimization task, as it is commonly recurrent as circumstances change as time passes. Therefore, the most common option has been to make use of the skills and experience the reservoir engineer and geoscientists gathered during their careers. Using historical production data and reservoir parameters in a subjective analysis, taking into account local experiences extrapolated to the adjacent area or even to the whole field, the reservoir team defines which order the stimulation should be done. That method has shown to be effective, but it takes time to be done and depends on the professional intuition. Many academic references describe analytical models that tries to represent the cyclic steam stimulation and using those models, some attempts were made in order to maximize the results of the stimulation of each well, regardless the of the critical resource usage optimization. This research proposes an unseen methodology versing about how to combine the simplicity of the numerous analytical models available and the amazing modern computational power in order to complete a probabilistic analysis of the optimum financial return that could be reached with the installed steam generation facilities. It can also be used to sustain decisions regarding either investing in capacity enlargement or transfer between fields or production areas. Analytical models theoretical aspects are discussed, including application limitations and in which circumstances one can have better confidence using them as well as which adaptations can be done to diminish lacks of fitting. Instead of defining a model and strategy combination that would fit every scenario, it is more likely a suggestion of a methodology that aims better results. Therefore, it is up to the evaluator to recognize which the characteristics of the real case are and choose a model and a strategy that better complies with the case. Finally, potential gains become clear as results from the methodology are compared with those obtained from an intuitive approach for a standard case through numerical simulation using Computer Modelling Group?s thermal simulator STARS?.