[pt] A incorporação de dados de produção a modelos de reservatórios é uma
etapa fundamental para se estimar adequadamente a recuperação de uma
jazida de petróleo e, na última década, o método ensemble smoother with
multiple data assimilation (ES-MDA) tem se destacado dentre as estratégias
disponíveis para realizar tal tarefa. Entretanto, este é um método que apresenta
melhores resultados quando os parâmetros a serem ajustados no modelo são
caracterizados por uma distribuição de probabilidades próxima à gaussiana,
apresentando um desempenho reduzido ao lidar com o ajuste de parâmetros
categóricos, como por exemplo as fácies geológicas. Uma proposta para lidar
com esse problema é recorrer a redes de aprendizado profundo, em particular
redes para tradução imagem-imagem (I2I), valendo-se da analogia existente
entre a representação matricial de imagem e a estrutura em malha das
propriedades de um modelo de reservatórios. Assim, é possível adaptar a
arquitetura de redes I2I disponíveis e treiná-las para, a partir de uma matriz
de parâmetros contínuos que serão ajustados pelo método ES-MDA (como
porosidade e permeabilidade), gerar a representação matricial do parâmetro
categórico correspondente (fácies), de forma similar à tarefa de segmentação
semântica no contexto de imagens. Portanto, o parâmetro categórico seria
atualizado de maneira indireta pelo método ES-MDA, sendo a sua reconstrução
realizada pela rede I2I. / [en] Reservoir model data assimilation is a key step to properly estimate the
final recovery of an oil field and, in the last decade, the ensemble smoother
with multiple data assimilation method (ES-MDA) has stood out among
all available strategies to perform this task. However, this method achieves
better results when model parameters are described by an approximately
Gaussian distribution and hence presents reduced performance when dealing
with categorical parameters, such as geological facies. An alternative to deal
with this issue is to adopt a deep learning based approach, particularly
using image-to-image translation (I2I) networks and taking into account
the analogy between the matrix representation of images and the reservoir
model grid properties. Thus, it is possible to adapt I2I network architectures,
training them to generate the categorical parameter (facies) from its correlated
continuous properties modified by the ES-MDA method (such as porosity and
permeability), similar to semantic segmentation tasks in an image translation
context. Therefore, the categorical parameter would be indirectly updated by
the ES-MDA method, with its reconstruction carried out by the I2I network.
Identifer | oai:union.ndltd.org:puc-rio.br/oai:MAXWELL.puc-rio.br:62983 |
Date | 22 June 2023 |
Creators | VITOR HESPANHOL CORTES |
Contributors | HELIO CORTES VIEIRA LOPES |
Publisher | MAXWELL |
Source Sets | PUC Rio |
Language | Portuguese |
Detected Language | Portuguese |
Type | TEXTO |
Page generated in 0.3086 seconds