Autor: João Lucas Braga Da Silva

A presente tese apresenta os resultados da pesquisa do projeto: Métodos Geoestatísticos para a Definição de um Modelo Geológico de um Reservatório do Pré-sal Brasileiro. O objetivo principal do projeto é identificar as propriedades do reservatório e compreender os fatores que afetam a alta heterogeneidade do reservatório como litologia, mineralogia e propriedades do reservatório, conhecer os parâmetros responsáveis ??pelo aumento abrupto da permeabilidade em determinados intervalos, finalmente representando essas características em um modelo geológico, identificando os algoritmos mais adequados para a representação das fácies e propriedades incluindo a representação de fraturas e vugs. Para atingir o objetivo principal, o estudo foi dividido em três partes. A primeira seção trata de compreender as relações entre a composição mineralógica, fácies, as características do reservatório e a produção. Nesta fase, um artigo foi publicado na revista Geoenergy Science and Engineering. “Utilizando Inteligência Artificial Integrada para Caracterizar Mineralogia e Fácies em um Reservatório Carbonatado do Pré-sal, Bacia de Santos, Brasil, usando Núcleos, Registros Wireline e Avaliação Petrofísica Multimineral” Este trabalho nos levou à conclusão de que as melhores zonas dentro do reservatório estão associadas à fácies arbustos-esferulitos, alto volume de dolomitas com presença abundante de porosidades secundárias (vugs). O segundo artigo refere-se à identificação de zonas com permeabilidade e produção extremamente altas, que coincidem com características identificadas no primeiro artigo (altas quantidades de vugs, concentrações altas de dolomita e representadas por fácies como arbustos e esferulites) e podem atender aos requisitos das zonas super K. As abordagens tradicionais de determinação da permeabilidade (amostras de testemunhos, permeabilidade por RMN ou regressões) são incapazes de reproduzir os altos valores de permeabilidade relatados em testes de produção do tipo Drill-stem test DST, ou os altos fluxos de produção distribuidores nos perfis de produção PLTs. Esta pesquisa fornece uma nova metodologia que inclui dados estáticos e contabilização da porosidade das vugs e seus impactos no aumento da permeabilidade, sendo calibrados com dados dinâmicos como testes DSTs, PLT ou Índice de Produtividade (J). além de um método inovador para estimar a probabilidade de encontrar zonas super K. A última parte corresponde à construção do modelo geológico que possa representar as heterogeneidades do reservatório. Para modelagem de fácies avaliaremos dois dos métodos tradicionais Sequential Indicator Simulation SIS e Truncated Gaussinan Simulation TGS, e incorporaremos o uso de Multi-Point Statistics MPS, para corrigir as deficiências apresentadas por métodos baseados em estatísticas de dois pontos (variogramas) como SIS e TGS que são incapazes de reproduzir a continuidade de corpos geológicos, assim como não são capazes de reproduzir corpos geométricos complexos.Pelo contrário, o MPS é capaz de solucionar as fragilidades dos métodos baseados em variogramas, porém é apoiado por imagens de treinamento (TI) que são representações de modelos geológicos conceituais. Os resultados da modelagem de fácies mostraram que o método MPS mostra melhores resultados na modelagem de fácies em reservas complexas como os carbonatos do pré-sal, porem a criação da imagem de treino representa um verdadeiro desafio

Bombas centrífugas submersas (ESPs) são amplamente utilizadas em setores industriais que necessitam de altas vazões e ganho de pressão. Na indústria de petróleo e gás, as ESPs frequentemente operam sob condições de escoamento multifásico, tais como emulsões de óleo-água. O comportamento não-Newtoniano das emulsões pode induzir um comportamento dinâmico e instável do sistema. Contudo, a literatura existente foca no comportamento em estado estacionário destes sistemas. O objetivo principal deste trabalho é desenvolver e validar um modelo dinâmico para ESPs utilizando bond-graphs, conduzir análises de identificabilidade e estimar parâmetros do sistema com um conjunto limitado de sensores. A metodologia adotada engloba a coleta de dados experimentais em condições estacionárias e dinâmicas, modelagem por meio de bond-graphs e o emprego de Redes Neurais Informadas por Física (PINNs). O modelo da ESP foi formulado utilizando uma biblioteca desenvolvida, neste trabalho, em Julia. Foram conduzidas análises de identificabilidade, tanto estrutural quanto prática do modelo. As PINNs foram empregadas para abordar o problema inverso e foram avaliadas em dados simulados e experimentais. A validação do modelo foi realizada através da comparação dos dados experimentais com simulações numéricas. A pesquisa resultou em um modelo dinâmico para ESPs baseado em bond-graph que incorpora os subsistemas mecânicos e hidráulicos, resultando em um conjunto de equações diferenciais ordinárias (ODEs). Em condições estacionárias, o modelo demonstrou um elevado coeficiente de determinação e um erro relativamente baixo. Para cenários dinâmicos, ajustes finos nos parâmetros resultaram em melhoria na precisão do modelo, especialmente em relação às pressões, embora algumas discrepâncias nos picos de pressão tenham sido observadas. A análise de identificabilidade estrutural local identificou 12 parâmetros que são determináveis, mas a identificabilidade prática foi alcançada apenas com oito. As PINNs mostraram eficácia na estimativa de parâmetros e estados, sobretudo em cenários de baixa fração de água, mas apresentaram limitações em altas frações de água e em presença de ruído nos dados. O modelo dinâmico, em conjunto com as PINNs, demonstra potencial para aplicações em controle, monitoramento, detecção de falhas e otimização. Embora o modelo capture a dinâmica do sistema, limitações surgem devido às hipóteses feitas quanto à viscosidade da emulsão e ao acoplamento bomba-tubo. Para trabalhos futuros é sugerido aprimorar na modelagem da propagação de ondas de pressão no sistema. Além disso, a adoção de algoritmos mais robustos para PINNs, que poderia melhorar a estimativa dos parâmetros desconhecidos. Este trabalho estabelece uma base para a modelagem de sistemas ESP mais complexos, com potencial de aplicação além do setor de petróleo e gás

O desenvolvimento da produção de petróleo nos reservatórios do Pré-Sal requer suporte de modelos geológicos e petrofísicos consistentes. O principal objetivo desta pesquisa é desenvolver fluxos de trabalho de caracterização de reservatórios, combinando geologia, petrofísica e aprendizado de máquina. O intervalo estudado, pertencendo à Formação Barra Velha, apresenta uma sucessão de fácies in-situ, composta por shrubstones, mudstones laminados e spherulitestones, e fácies retrabalhadas compostas por grainstones e rudstones intraclásticos. A primeira parte do estudo integra descrição de testemunho, petrografia e perfis de imagem acústica para segmentar o intervalo em Petrofácies de Reservatório. Posteriormente avalia-se a qualidade de reservatório com perfis de ressonância magnética nuclear (RMN) e Micro-CT. A melhor qualidade de reservatório pertence a rudstones com baixa cimentação e grainstones com moderada cimentação por dolomita/quartzo, com valores de porosidade entre 15-20% e permeabilidades entre 100 e 500 mD. As melhores fácies in-situ pertencem aos shrubstones com cimentação por dolomita moderada, com porosidade entre 12-17% e permeabilidade em torno de 100 mD. O método integrado mostrou-se eficaz na transferência de informações, em escala de testemunho para perfil do poço, além de permitir ao intérprete fazer inferências fora do intervalo testemunhado, respeitando o contexto geológico. A segunda parte do estudo aborda a estimativa imprecisa da porosidade em intervalos dominados por porosidade secundária, aplicando aprendizado de máquina supervisionado. Integra-se dados de perfis convencionais, RMN e um índice de porosidade vugular extraído de perfis de imagem de acústica, e valida-se o modelo com análises petrofísica básica. Foram testados os algoritmos Random Forest, XGBoost e Support Vector Regression, com métricas de R2 de 0,835; 0,836; 0,800 e raiz do erro quadrático médio (REQM) de 1,75; 1,68; 1,82; respectivamente. Todos os três modelos superaram a estimativa original do perfil RMN de R2 de 0,64 e REQM de 2,78. Limitações metodológicas podem surgir, especialmente relacionadas a artefatos nos perfis de imagem acústicas, que precisam ser mitigados antes do treinamento do modelo. A incorporação de métodos de aprendizado de máquina à caracterização de reservatórios pode aprimorar a precisão na estimativa de parâmetros de reservatório, além do potencial para redução no tempo de análise o custo com amostragem. Em última análise, a integração destes métodos com petrofísica e geologia aprimora o fluxo de trabalho no desenvolvimento de reservatórios complexos

A otimização do desenvolvimento de campos de petróleo desempenha um papel fundamental na maximização do potencial dos reservatórios de hidrocarbonetos. A tomada de decisão nesse domínio complexo pode se basear em diversas funções-objetivo. O aumento da complexidade dos sistemas de reservatórios e as incertezas inerentes em fatores geológicos e econômicos têm sugerido o uso da otimização multiobjetivo (MOO) para melhorar os processos decisórios. Os potenciais benefícios da MOO incluem uma tomada de decisão mais robusta, que considera os compromissos entre diferentes objetivos, e que pode acomodar melhor as incertezas, resultando em estratégias de produção mais resilientes e adaptáveis. O objetivo principal deste estudo é projetar um framework robusto multiobjetivo para otimizar estratégias de produção considerando incertezas nos parâmetros do reservatório e nas condições econômicas, com foco específico em campos de petróleo do pré-sal, aplicando o reservatório de referência UNISIM-II-D. Para enfrentar os desafios decorrentes da aplicação da MOO, foram realizados três estudos principais para desenvolver e avaliar frameworks que contemplam esses objetivos complexos. O primeiro estudo apresenta uma revisão abrangente da evolução dos algoritmos de MOO, destacando sua crescente relevância na otimização do desenvolvimento de campos. Ele categoriza os algoritmos em métodos a priori e a posteriori, abordando desafios como o custo computacional elevado das simulações de reservatórios sob incerteza. O segundo estudo investiga o comportamento de diferentes funções-objetivo dentro da otimização do desenvolvimento de campos, com foco principal no valor monetário esperado (VME) como o principal critério. Essa análise busca identificar objetivos conflitantes, formando a base para a última etapa do estudo. Os resultados destacam uma forte correlação entre o VME e a produção cumulativa de óleo (PCO), demonstrando que otimizar o VME pode impulsionar melhorias na PCO e no fator de recuperação. Além disso, a adoção de estratégias que priorizam objetivos ambientais (como a redução da produção cumulativa de água e gás), mesmo que impliquem em uma leve queda no VME, pode proporcionar benefícios substanciais, incluindo redução das emissões de gases de efeito estufa, menores custos de tratamento de água e maior vida útil do reservatório. O estudo mostra que confiar exclusivamente no VME na otimização do desenvolvimento de campos traz riscos inerentes, pois nem todos os modelos representativos (MRs) apresentam aumento no valor presente líquido (VPL). Em particular, no caso mais pessimista, o VPL não demonstra melhoria quando o VME é maximizado por meio de uma otimização de objetivo único. A terceira etapa foi iniciada após a identificação dos objetivos conflitantes na segunda etapa para abordar e equilibrar sistematicamente esses conflitos no planejamento do desenvolvimento do campo. Nesta etapa, a Otimização Multiobjetivo (MOO) foi realizada utilizando o algoritmo genético de classificação não dominada II (NSGA-II) para equilibrar simultaneamente o EMV com o VPL sob incerteza econômica (VPLeco) para o RM pessimista, gerando assim um conjunto diversificado de soluções Pareto-ótimas que ilustram efetivamente as compensações entre diferentes estratégias de produção possíveis, considerando incertezas geológicas e econômicas. Essa abordagem não apenas identifica um conjunto mais amplo de estratégias ótimas, mas também oferece uma compreensão mais refinada dos compromissos, melhorando o desempenho geral ao capturar sinergias entre os objetivos. Com o framework proposto, foi alcançada uma melhoria de 3% no VME e um aumento de 28% no VPLeco do MR pessimista em comparação com a otimização de objetivo único do VME. Esses resultados destacam a força e a robustez do framework em proporcionar decisões informadas e equilibradas que guiem o desenvolvimento de reservatórios rumo a melhores resultados econômicos e geológicos