Metodologia de otimização robusta para gerenciamento e redesenvolvimento de reservatórios de petróleo utilizando técnicas de aprendizagem de máquina

Resumo

O gerenciamento de reservatórios complexos, como os naturalmente fraturados típicos do pré-sal brasileiro, demanda alto custo computacional e de tempo, exigindo a aplicação de uma metodologia prática e eficiente. Schiozer et al. (2019) propõe uma metodologia denominada Desenvolvimento e Gerenciamento de Reservatórios em Malha Fechada (CLRDM na sigla em inglês), a qual descreve 12 etapas para auxiliar o processo de tomada de decisão. Apesar de ser projetada para aplicações práticas, essa metodologia apresenta desafios em casos complexos, como (i) a necessidade de milhares de avaliações durante a otimização robusta e (ii) um alto número de incertezas que aumenta ainda mais o número de simulações e o tempo do processo. Com isso, técnicas de aprendizado de máquina (ML em inglês) estão sendo consideradas durante os processos de otimização para acelerar o processo no longo prazo e para melhorar a previsão de produção no curto prazo. O objetivo deste trabalho é desenvolver uma metodologia que aprimore o gerenciamento do campo através do estudo dos ciclos CLRDM em um reservatório carbonático com injeção WAG-CO2 utilizando simulação de reservatório e técnicas de ML. O foco está na execução da etapa 10 do processo CLRDM, a qual é responsável pela otimização robusta de produção. A metodologia do projeto está dividida em quatro abordagens: (i) tomada de decisão do ciclo de vida com base em modelos de simulação numérica, (ii) tomada de decisão do ciclo de vida com base em técnicas de ML, (iii) tomada de decisão de curto prazo para um ciclo da fase de gerenciamento (1 ano) utilizando modelos de simulação numérica, e (iv) tomada de decisão de curto prazo para um ciclo da fase de gerenciamento (1 ano) utilizando técnicas de ML. Por fim, é analisada a possibilidade de integração entre os modelos simulação numérica e as técnicas de ML para a otimização robusta de estratégia de produção para a fase de gerenciamento. Em relação às variáveis a serem otimizadas neste trabalho, estas são denominadas de variáveis de controle (G2), que estabelecem as especificações operacionais dos equipamentos ao longo do tempo, e variáveis de revitalização (G3), que avaliam a necessidade de uma segunda onda de poços. O otimizador utilizado é o Hipercubo Latino Discreto Iterativo (IDLHC), e o estudo de caso é o benchmark de acesso público UNISIM-IV-2022, um modelo de reservatório carbonático com características do pré-sal brasileiro criado pelo grupo de pesquisa UNISIM da UNICAMP. Este benchmark também possui um modelo de referência, UNISIM-IV-R, também criado pelo grupo UNISIM, e é considerado o reservatório real do estudo de caso UNISIM-IV-2022. (AU)