One of the key challenges in the Oil & Gas industry is to best manage reservoirs under different conditions, constrained by production rates based on various economic scenarios, in order to meet energy demands and maximize profit. To address the energy demand challenges, a transformation in the paradigm of the utilization of "real-time" data has to be brought to bear, as one changes from a static decision making to a dynamical and data-driven management of production in conjunction with real-time risk assessment. The use of modern methods of computational modeling and simulation may be the only means to account for the two major tasks involved in this paradigm shift: (1) large-scale computations; and (2) efficient utilization of the deluge of data streams. Recently, history matching and optimization were brought together in the oil industry into an integrated and more structured approach called optimal closed-loop reservoir management. Closed-loop control algorithms have already been applied extensively in other engineering fields, including aerospace, mechanical, electrical and chemical engineering. However, their applications to porous media flow, such as - in the current practices and improvements in oil and gas recovery, in aquifer management, in bio-landfill optimization, and in CO2 sequestration have been minimal due to the large-scale nature of existing problems that generate complex models for controller design and real-time implementation. Their applicability to a realistic field is also an open topic because of the large-scale nature of existing problems that generate complex models for controller design and real-time implementation, hindering its applicability. Basically, three sources of high-dimensionality can be identified from the underlying reservoir models: size of parameter space, size of state space, and the number of scenarios or realizations necessary to account for uncertainty. In this paper we will address type problem of high dimensionality by focusing on the mitigation of the size of the state-space models by means of model-order reduction techniques in a systems framework. We will show how one can obtain accurate reduced order models which are amenable to fast implementations in the closed-loop framework .The research will focus on System Identification (System-ID) (Jansen, 2009) and Model Predictive Control (MPC) (Gildin, 2008) to serve this purpose. A mathematical treatment of System-ID and MPC as applied to reservoir simulation will be presented. Linear MPC would be studied on two specific reservoir models after generating low-order reservoir models using System-ID methods. All the comparisons are provided from a set of realistic simulations using the commercial reservoir simulator called Eclipse. With the improvements in oil recovery and reductions in water production effectively for both the cases that were considered, we could reinforce our stance in proposing the implementation of MPC and System-ID towards the ultimate goal of "real-time" production optimization.

Orientador: Denis Jose Schiozer / Dissertação (mestrado) - Universidade Estadual de Campinas, Faculdade de Engenharia Mecanica, Instituto de Geociencias / Made available in DSpace on 2018-08-12T19:34:49Z (GMT). No. of bitstreams: 1 Silva_JoaoPauloQuinteiroGoncalvesda_M.pdf: 5149451 bytes, checksum: 0588a7078400ea1cbb54d59cc80777ae (MD5) Previous issue date: 2008 / Resumo: A escolha da estratégia de produção é uma das tarefas mais importantes para garantir o sucesso do desenvolvimento de campos de petróleo. Dentro deste contexto, destaca-se o recente uso de poços inteligentes, que são divididos em segmentos com dispositivos que, por sua vez, possibilitam o monitoramento e maior controle da produção, em tempo real. Embora o desempenho esperado desses poços seja superior aos convencionais, em termos de maximização de produção de óleo e minimização de produção de água, não há garantias de que essa vantagem represente um desempenho econômico superior, devido aos investimentos adicionais necessários. Trabalhos recentes vêm sendo feitos para a comparação desses dois tipos de poços. Contudo, observa-se que, em muitas dessas comparações, as estratégias com poços inteligentes são otimizadas com maior cuidado e, conseqüentemente, apresentam melhores resultados. Isto pode implicar falta de confiabilidade do processo. A presente pesquisa tem por objetivo criar uma metodologia de comparação justa entre poços inteligentes e convencionais. Foi desenvolvido um procedimento de otimização da estratégia de produção, aplicável aos dois tipos de poços, considerando inicialmente cenário determinístico. Esta metodologia conta também com a disponibilidade de plataformas com diferentes capacidades de produção. Foi ainda estudado o impacto de incertezas e heterogeneidades no processo. Ao final, realizou-se uma análise de decisão, considerando estratégias de poços convencionais e inteligentes, além da capacidade da plataforma, com o objetivo de direcionar a escolha do tomador de decisão. Procurou-se mostrar que a metodologia de otimização da estratégia é eficaz, no sentido de promover uma comparação criteriosa de ambos os poços estudados. Para o exemplo determinístico, de baixa heterogeneidade, as estratégias otimizadas, de poços convencionais e inteligentes, apresentaram poucas diferenças. Com a adição de incertezas e aumento da heterogeneidade, especialmente pelos canais de alta permeabilidade, os poços inteligentes passaram a apresentar vantagens. Foi mostrado ainda que as comparações entre esses dois tipos de poços resultam em diversas opções possíveis de serem aplicadas, com vantagens e desvantagens para os dois lados. A escolha depende de vários fatores; alguns desses fatores, principalmente características do caso e cenário econômico, podem ser considerados como parte do problema e devem ser tratados estatisticamente para a decisão do emprego ou não de poços inteligentes. Outros fatores são específicos para a tomada de decisão, tais como: objetivos da empresa, interesses particulares de cada projeto e aversão ao risco do tomador de decisão. A influência destes fatores no processo de otimização afeta também a decisão de utilizar ou não poços inteligentes / Abstract: The selection of a production strategy is one of the most important tasks to ensure success of petroleum fields development. In order to improve the performance of fields, the use of smart wells is becoming a common practice. In such wells, devices like valves and sensors are able to monitor and control the production in real time, adding flexibility to the operation. However, it is possible that the expected gain of these wells production does not pay off the required additional investments. Recent works compare smart and conventional wells but, generally, the smart wells strategies are optimized heeder, so that they have shown best results; this could yield lack of reliability to the process. The objective of this work is to develop a production optimization methodology allowing a fair comparison between smart and conventional wells. A methodology of production strategy optimization, which considers the availability of different production capacities, was developed and applied to both the conventional and smart wells. The methodology was applied to a slightly heterogeneous reservoir, considering a deterministic case. As a second step, the impact of uncertainties and heterogeneities on the optimized strategies was studied. Finally, a decision analysis was discussed, considering smart and conventional strategies and platform capacity. The main objective of the developed methodology was to provide reliability in the optimization process. In the deterministic example with low heterogeneity, the results showed small differences between the two alternatives. However, with the addition of uncertainties and with the increase of the heterogeneity, smart wells presented some advantages. It was shown, in the process to compare the two wells, that many possible strategies can be applied with advantages and disadvantages to both kind of wells. The differences are generally small and the choice depends on several factors. Some of this factor, especially the characteristic of the case and economic scenario, can be considered as a part of the problem and must be handling statistically. Other factors are specific of the decisionmaking process, such as: objectives of the company, particular interest of each project and risk aversion from the decision maker. The influence of these factors in the optimization process affects de decision to use or not smart wells / Mestrado / Reservatórios e Gestão / Mestre em Ciências e Engenharia de Petróleo

[pt] Os poços inteligentes permitem a criação de uma estratégia de desenvolvimento flexíveis, dada, entre outras coisas, sua capacidade de adquirir informações relevantes necessárias para tomadas de decisão futuras. No entanto, se não considerarmos as incertezas quando pretendemos calcular o valor dessa flexibilidade, a estratégia de otimização resultante terá dois problemas fundamentais: pode-se atribuir um valor muito elevado para os poços inteligentes, e não se tira proveito da capacidade de adaptar e mitigar incertezas. Este trabalho propõe uma abordagem para avaliar flexibilidade sob incerteza, buscando a estratégia de controle de fluxo que maximize o valor presente líquido esperado, reagindo dinamicamente a novas informações. Demonstramos a abordagem proposta utilizando toy problems, nos quais podemos avaliar as soluções de otimização em uma ampla gama de cenários, incluindo incertezas e flexibilidade, com um reduzido tempo de avaliação. Em seguida, aplicamos esta abordagem em um modelo de reservatório que destaca aspectos como: otimização de ativos sob incerteza, controle flexível baseado em informações futuras, e quantificação do valor da flexibilidade e medições futuras. Além disso, contribuindo para seleção apropriadas da tecnologia de poços inteligentes e de medições, a abordagem proposta oferece uma árvore de decisão que descreve a estratégia flexível ideal, com os controles da válvula que adequadamente consideram medições futuras e seus impactos na redução de incertezas. Esta abordagem provê uma avaliação qualitativa, indicando se o campo tem potencial de melhoria significativa utilizando poços inteligentes, e avaliação quantitativa dos benefícios da tecnologia, resultando em uma estratégia realizável, que orienta o ajuste das válvulas um campo real. / [en] Smart well technology has the ability to acquire relevant information required for future decision-making, enabling the generation of a development strategy with future flexibility. However, to value its flexibility, if we do not account for uncertainty when performing an optimization, the resulting strategy will have two key shortcomings: it will assign too high value to the smart wells, and it will not take advantage of the ability of the smart wells to adapt and mitigate to uncertainty. We propose a strategy that allows to value flexibility under uncertainty, seeking the flow control strategy that maximizes the expected net present value, dynamically reacting to new information as it is acquired. We demonstrate the proposed approach using toy problems for which we can evaluate optimization solutions for a broad range of scenarios, including uncertainty and flexibility to accommodate future measurements, with a reduced time of evaluation. We then apply this proposed approach on a reservoir model that highlights its novel aspects: asset optimization under uncertainty, flexible control based on future information, and quantification of the value of flexibility and future measurements. In addition to valuing flexibility and future information, which contributes to the selection of appropriate smart-well technology and measurements, the proposed approach delivers a decision tree that describes a flexible strategy of optimum valve settings that properly accounts for future measurements and their impact on uncertainty reduction. This approach gives a qualitative value, indicating whether the field has the potential of significant improvement using smart wells, and a quantitative valuation of the benefits of smart completions resulting in a realizable strategy to guide the control of these completions in a real field management project.

A 16×16×5.6 in. scaled, three-dimensional, physical model of a quarter of a 9-spot pattern was constructed to study the application of two processes designed to improve the efficiency of steam injection. The first process to be tested is the use of propane as a steam additive with the purpose of increasing recovery and accelerating oil production. The second process involves the use of a novel production configuration that makes use of a vertical injector and a smart horizontal producer in an attempt to mitigate the effects of steam override. The experimental model was scaled using the conditions in the San Ardo field in California and crude oil from the same field was used for the tests. Superheated steam at 190 – 200ºC was injected at 48 cm3/min (cold water equivalent) while maintaining the flowing pressures in the production wells at 50 psig. Liquid samples from each producer in the model were collected and treated to break emulsion and analyzed to determine water and oil volumes. Two different production configurations were tested: (1) a vertical well system with a vertical injector and three vertical producers and (2) a vertical injector-smart horizontal well system that consisted of a vertical injector and a smart horizontal producer divided into three sections. Runs were conducted using pure steam injection and steam-propane injection in the two well configurations. Experimental results indicated the following. First, for the vertical configuration, the addition of propane accelerated oil production by 53% and increased ultimate recovery by an additional 7% of the original oil in place when compared to pure steam injection. Second, the implementation of the smart horizontal system increased ultimate oil recovery when compared to the recovery obtained by employing the conventional vertical well system (49% versus 42% of the OOIP).

[pt] Simulação de reservatório, que por meio de equações complexas emula fluxo em modelos de reservatório, é primordial à indústria de Óleo e Gás. Estimando o comportamento do reservatório dadas diferentes condições de entrada, permite que especialistas otimizem diversos parâmetros na etapa de projeto de campos de petróleo. Entretanto, o tempo computacional necessário para simulações está diretamente correlacionado à complexidade do modelo, que cresce exponencialmente a cada dia que se passa, já que modelos mais detalhados são necessários dada a busca por maior refinamento e redução de incertezas. Deste modo, técnicas de otimização que poderiam significativamente melhorar os resultados de desenvolvimentos de campo podem se tornar inviáveis. Este trabalho propõe o uso de modelos generativos profundos para a geração de dados de reservatório, que podem então ser utilizados para múltiplos propósitos. Modelos generativos profundos são sistemas capazes de modelar estruturas de dados complexas, e que após treinamento robusto são capazes de amostrar dados que seguem a distribuição do conjunto de dados original. A presente aplicação foca em poços inteligentes, uma tecnologia de completação que traz diversas vantagens, dentre as quais uma melhor habilidade de monitoramento e gerenciamento de reservatórios, apesar de carregar um aumento significativo no investimento do projeto. Assim, essas otimizações previamente mencionadas se tornam indispensáveis, de forma a garantir a adoção da tecnologia, junto ao seu máximo retorno. De modo a tornar otimizações de controle de poços inteligentes viáveis dentro de um prazo razoável, redes generativas adversariais são aqui usadas para amostrar conjuntos de dados após um número relativamente pequeno de cenários simulados. Esses dados são então utilizados para o treinamento de aproximadores, algoritmos capazes de substituir o simulador de reservatório e acelerar consideravelmente metodologias de otimização. Estudos de caso foram realizados em modelos referência da indústria, tanto relativamente simples quanto complexos, comparando arquiteturas de redes e validando cada passo da metodologia. No modelo complexo, mais próximo de um cenário real, a metodologia foi capaz de reduzir o erro do aproximador de uma média de 18.93 por cento, para 9.71 por cento. / [en] Reservoir simulation, which via complex equations emulates flow in reservoir models, is paramount to the Oil e Gas industry. By estimating the behavior of the reservoir given different input conditions, it allows specialists to optimize various parameters in the oilfield project stage. Alas, the computational time needed for simulations is directly correlated to the complexity of the model, which grows exponentially with each passing day as more intricate and detailed reservoir models are needed, seeking better refinement and uncertainty reduction. As such, optimization techniques which could greatly improve the results of field developments may be made unfeasible. This work proposes the use of deep generative models for the generation of reservoir data, which may then be used for multiple purposes. Deep generative models are systems capable of modeling complex data structures, which after robust training are capable of sampling data following the same distribution of the original dataset. The present application focuses on smart wells, a technology for completions which brings about a plethora of advantages, among which the better ability for reservoir monitoring and management, although also carrying a significant increase in project investment. As such, these previously mentioned optimizations turn indispensable as to guarantee the adoption of the technology, along with its maximum possible return. As to make smart well control optimizations viable within a reasonable time frame, generative adversarial networks are here used to sample datasets after a relatively small number of simulated scenarios. These datasets are then used for the training of proxies, algorithms able to substitute the reservoir simulator and considerably speed up optimization methodologies. Case studies were done in both relatively simple and complex industry benchmark models, comparing network architectures and validating each step of the methodology. In the complex model, closest to a real-world scenario, the methodology was able to reduce the proxy error from an average of 18.93 percent, to 9.71 percent.

[pt] Este trabalho apresenta a modelagem e o desenvolvimento de uma metodologia baseada em Controle com Modelo Preditivo (MPC) aplicada ao controle da produção de óleo em um reservatório de petróleo com poços produtores e injetores já existentes. A estratégia MPC utiliza um modelo de aprendizado de máquina, baseado em Aprendizado por Reforço (Reinforcement Learning), como método de busca da política ótima de controle. Os experimentos se realizaram em um reservatório petrolífero sintético com atuadores que são 3 válvulas de injeção de água. Assim, a atuação é realizada através das taxas de injeção de água para determinados intervalos de tempo. As variáveis de saída do campo são: Pressão média do reservatório, taxa diária de produção de óleo, gás, água e water cut na produção. A previsão dessas variáveis é realizada mediante a utilização de uma proxy, a qual é um modelo identificado da planta implementado utilizando redes neurais. Os resultados obtidos indicam que o modelo proposto é capaz de controlar a produção de óleo mesmo com perturbações no poço produtor, para diferentes valores de referência de produção de óleo. / [en] This work presents the modeling and development of a methodology based on Model Predictive Control with (MPC) applied to the control of oil production in an oil reservoir with existing production and injection wells. The MPC strategy is based on a machine learning model - Reinforcement Learning (Reinforcement Learning) - as the method of searching the optimal control policy. The experiments were carried out in an oil reservoir with synthetic valve actuators that are 3 water injections. Therefore, the action is performed by injecting water rates for certain time intervals. The output variables of the field are: average pressure of the reservoir, the daily production of oil, gas, water and water cut. The forecast of these variables is accomplished by a proxy, which is a model identification og the plant implemented by neural networks. The results indicate that the proposed model is capable of controlling oil production even with disturbances in the producing well, for different reference values for oil production.

[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.