[pt] Em diversas etapas da cadeia de trabalho da Indústria de Óleo e Gás a atividade de Engenharia de Petróleo demanda processos que envolvem otimização. Mais especificamente, no gerenciamento de reservatórios, as metodologias para a tomada de decisão pelo uso de poços inteligentes envolvem processos de otimização. Nestes processos, normalmente, visa-se maximizar o VPL (Valor Presente Líquido), que é calculado através das curvas de produção de óleo, gás e água fornecidas por um simulador de reservatório. Estas simulações demandam alto custo computacional, muitas vezes inviabilizando processos de otimização. Neste trabalho, empregam-se técnicas de inteligência computacional - modelos de redes neurais artificiais e neuro-fuzzy - para a construção de aproximadores de função para simulador de reservatórios com o objetivo de diminuir o custo computacional de um sistema de apoio à decisão para utilização ou não de poços inteligentes em reservatórios petrolíferos. Para reduzir o número de amostras necessárias para a construção dos modelos, utiliza-se também Projeto de Experimentos Fatoriais Fracionado. Os aproximadores de função foram testados em dois reservatórios petrolíferos: um reservatório sintético, muito sensível às mudanças no controle de poços inteligentes e outro com características reais. Os resultados encontrados indicam que estes aproximadores de reservatório conseguem bom desempenho na substituição do simulador no processo de otimização - devido aos baixos erros encontrados e à substancial diminuição do custo computacional. Além disto, os testes demonstraram que a substituição total do simulador pelo aproximador se revelou uma interessante estratégia para utilização do sistema de otimização, fornecendo ao especialista uma rápida ferramenta de apoio à decisão. / [en] In many stages of the work chain of Oil & Gas Industry,
activities of petroleum engineering demand processes that
involve optimization. More specifically, in the reservoirs
management, the methodologies for decision
making by using intelligent wells involve optimization
processes. In those processes, usually, the goal is to
maximize the NVP (Net Present Value), which
is calculated through the curves of oil, gas and water
production, supplied by a reservoir simulator. Such
simulations require high computational costs, therefore
in many cases the optimization processes become unfeasible.
Techniques of computational intelligence are applied in
this study - artificial neural networks and
neuro-fuzzy models - for building proxies for reservoirs
simulators aiming at to reduce the computational cost in a
decision support system for using, or not,
intelligent wells within oil reservoirs. In order to reduce
the number of samples needed for build the models, it was
used the Fractional Factorial Design of
Experiments. The proxies have been tested in two oil
reservoirs: a synthetic one, very sensitive to changes in
the control of intelligent wells and another one with
real characteristics. The replacement of the simulator by
the reservoir proxy, in an optimization process, indicates
a good result in terms of performance - low
errors and significantly reduced computational costs.
Moreover, tests demonstrate that the total replacement of
the simulator by the proxy, turned out to be an interesting
strategy for using the optimization system, which provides
to the users a very fast tool for decision support.
Identifer | oai:union.ndltd.org:puc-rio.br/oai:MAXWELL.puc-rio.br:13210 |
Date | 30 March 2009 |
Creators | ALEXANDRE DE CASTRO ALMEIDA |
Contributors | MARLEY MARIA BERNARDES REBUZZI VELLASCO |
Publisher | MAXWELL |
Source Sets | PUC Rio |
Language | Portuguese |
Detected Language | English |
Type | TEXTO |
Page generated in 0.0015 seconds