EXAME DE QUALIFICAÇÃO: Redes Neurais Aplicadas a Modelagem Computacional de Reservatórios de Petróleo

Orientadores:
Gilson Antônio Giraldi - Laboratório Nacional de Computação Científica - LNCC
Marcio Rentes Borges - Laboratório Nacional de Computação Científica - LNCC
Marcio Arab Murad - Laboratório Nacional de Computação Científica - LNCC

Data : 10/11/2021
Hora : 09:00 a 12:00
Local: Webinar

Banca Examinadora:
João Nisan Correia Guerreiro - Laboratório Nacional de Computação Científica - LNCC (presidente)
Fabio André Machado Porto - Laboratório Nacional de Computação Científica - LNCC
Flavia Falcão - CENPES/Petrobras
Helio José Corrêa Barbosa - Laboratório Nacional de Computação Científica - LNCC
André da Motta Salles Barreto - GOOGLE

Resumo:

A modelagem e simulação dos processos de extração de fluidos em formações geológicas são ferramentas importante s para a previsão de produção de petróleo e gerenciamento do reservatório. Entretanto, simulações na escala onde ocorrem as heterogeneidades requerem alto custo computacional para obter uma predição acurada das curvas de produção. Neste contexto, as técnicas de aprendizado de máquina podem ser exploradas como alternativa para reduzir o tempo de execução das simulações, aprimorando a acurácia de parâmetros relevantes em tempo real, tais como o índice de produtividade de poços. Uma propriedade importante no estudo de meios porosos naturais, tais como reservatórios de petróleo, é a permeabilidade, a qual exibe forte grau de anisotropia e variabilidade espacial influenciando os regimes hidrodinâmicos. Portanto, os efeitos da heterogeneidade da permeabilidade devem ser incorporados aos modelos que descrevem os detalhes geológicos em escala fina, a fim de obter uma predição mais acurada da produção.

Os modelos geológicos são compostos por dezenas de milhões de células, que contribuem para o aumento do custo computacional, tornando impraticável em tempo real a obtenção dos regimes de escoamento. Uma possibilidade para contornar esse problema, é efetuar o procedimento de transferência de escala (upscaling) em que modelos em escala fina são convertidos para escalas mais grosseiras, de forma que informações importantes da escala fina sejam preservadas. Em cenários de acoplamento hidromecânico, os efeitos da plasticidade originam leis constitutivas para a permeabilidade com dependência das tensões aplicadas caracterizadas por efeitos de histerese, os quais consistem de diferentes respostas da deformação do meio em situações de carregamento e descarregamento. Assim, neste trabalho, um procedimento de upscaling é proposto para calcular valores da permeabilidade equivalente dependentes do estado de tensão por meio de Convolutional Neural Networks (CNN). Para otimização de hiperparâmetros que compõem uma CNN é desenvolvido um Algoritmo Genético (AG) que utiliza o conceito de Transfer Learning a partir de parâmetros pré-treinados (pesos e bias). Além disso, será computado o índice de produtividade de poço injetor e produtor na presença do efeito de histerese via rede MultiLayer Perceptron (MLP) otimizada pelo AG proposto.