[pt] Simulação de reservatórios de óleo e gás é uma demanda comum em engenharia de petróleo e pesquisas relacionadas, que pode requerer um elevado custo computacional de tempo e processamento ao resolver um problema matemático. Além disso, alguns métodos de caracterização de reservatórios necessitam múltiplas iterações, resultando em muitas simulações para obter um resultado. Também podemos citar os métodos baseados em conjunto, tais como o ensemble Kalman filter, o EnKF, e o Ensemble Smoother With Multiple Data Assimilation,o ES-MDA, que requerem muitas simulações. Em contrapartida, o uso de aprendizado de máquina cresceu bastante na indústria de energia. Isto pode melhorar a acurácia de predição, otimizar estratégias e outros. Visando reduzir as complexidades de simulação de reservatórios, este trabalho investiga o uso de aprendizado de máquina como uma alternativa a simuladores convencionais. O modelo Random Forest Regressor é testado para reproduzir respostas de pressão em um reservatório multi-região radial composto. Uma solução analítica é utilizada para gerar o conjunto de treino e teste para o modelo. A partir de experimentação e análise, este trabalho tem o objetivo de suplementar a utilização de aprendizado de máquina na indústria de energia. / [en] Oil and gas reservoir simulation is a common demand in petroleum
engineering, and research, which may have a high computational cost, solving
a mathematical numeric problem, or high computational time. Moreover,
several reservoir characterization methods require multiple iterations, resulting
in many simulations to obtain a reasonable characterization. It is also
possible to mention ensemble-based methods, such as the ensemble Kalman
filter, EnKF, and the Ensemble Smoother With Multiple Data Assimilation,
ES-MDA, which demand lots of simulation runs to provide the output
result. As a result, reservoir simulation might be a complex subject to
deal with when working with reservoir characterization. The use of machine
learning has been increasing in the energy industry. It can improve the
accuracy of reservoir predictions, optimize production strategies, and many
other applications. The complexity and uncertainty of reservoir models pose
significant challenges to traditional modeling approaches, making machine
learning an attractive solution. Aiming to reduce reservoir simulation’s
complexities, this work investigates using a machine-learning model as an
alternative to conventional simulators. The Random Forest regressor model
is experimented with to reproduce pressure response solutions for multi-region
radial composite reservoirs. An analytical approach is employed to create
the training dataset in the following procedure: the permeability is sorted
using a specific distribution, and the output is generated using the analytical
solution. Through experimentation and analysis, this work aims to advance
our understanding of using machine learning in reservoir simulation for the
energy industry.
Identifer | oai:union.ndltd.org:puc-rio.br/oai:MAXWELL.puc-rio.br:62992 |
Date | 22 June 2023 |
Creators | IGOR CAETANO DINIZ |
Contributors | SINESIO PESCO |
Publisher | MAXWELL |
Source Sets | PUC Rio |
Language | English |
Detected Language | Portuguese |
Type | TEXTO |
Page generated in 0.0015 seconds