Integrating indicators in petroleum well placement optimization : a multi-objective decision-making approach
Resumo
A indústria de petróleo é indiscutivelmente uma das maiores do mundo e continua a crescer. No entanto, as operações de petróleo são responsáveis por aproximadamente 15% das emissões de gás carbônico relacionadas à energia em nível global. Devido ao Acordo de Paris de 2015, tanto empresas de petróleo privadas quanto públicas estão pressionadas a atender à demanda global por petróleo enquanto implementam simultaneamente tecnologias para reduzir os impactos ambientais. Isso é uma tarefa desafiadora, uma vez que há um conflito inerente entre objetivos econômicos e ambientais. No entanto, ao considerar indicadores conflitantes, os tomadores de decisão podem obter uma compreensão melhor das compensações entre objetivos econômicos e ambientais e selecionar a solução que melhor se alinha com os interesses da empresa. Isso representa um cenário de tomada de decisão mais realista e é a motivação fundamental por trás deste trabalho. Nosso principal objetivo é integrar diferentes indicadores no processo de tomada de decisão para análise de decisão baseada em modelo de problemas do mundo real da indústria de petróleo. Mais especificamente, esta pesquisa aborda o problema da otimização do posicionamento de poços com múltiplos objetivos conflitantes, onde o objetivo é determinar o número e as posições ideais de poços injetores e produtores na superfície do reservatório. Foram propostos dois algoritmos evolutivos baseados em decomposição. O primeiro utiliza mecanismos de preservação da diversidade para lidar com a natureza custosa da simulação de reservatórios. O segundo utiliza Random Forests como técnica de modelo de substituição para prever os valores das funções objetivo de estratégias não avaliadas. Esses métodos foram avaliados em extensas comparações de desempenho em funções de benchmark ou problemas de posicionamento de poços. Dada a ausência de uma única solução ótima global em problemas de múltiplos objetivos, mas sim um conjunto de soluções ótimas que representam compensações entre funções objetivo conflitantes, os tomadores de decisão ainda são obrigados a selecionar uma única estratégia de posicionamento de poços que possa ser traduzida de forma eficaz em um plano de desenvolvimento de campo de petróleo do mundo real. Para isso, este estudo também explora a possibilidade de combinar a tomada de decisão multicritério com aprendizado de máquina para facilitar uma tomada de decisão assistida nas etapas de pós-otimização. Como contribuições adicionais, este estudo também investiga os efeitos da variação dos valores de hiperparâmetros em Random Forests ao usá-los para aproximar os valores das funções objetivo de soluções não avaliadas em problemas de otimização discreta. Finalmente, esta tese também introduz um gerador de problemas de benchmark projetado para criar instâncias de teste que replicam as características de problemas de otimização baseados em cenários, particularmente aqueles com um espaço de decisão discreto.
Autor(a)
Matheus Bernardelli de Moraes
