Redes Neurais Aplicadas à Modelagem Computacional de Reservatórios de Petróleo

• Ano de defesa: 2024
• Autor(a) principal: Ramos, Eliaquim Monteiro
• Tipo de documento: Tese
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Laboratório Nacional de Computação Científica; Coordenação de Pós-Graduação e Aperfeiçoamento (COPGA); Brasil; LNCC; Programa de pós-graduação em Modelagem Computacional
• Palavras-chave em Português: Permeabilidade; Upscaling; Algoritmo Genético; Aprendizado de Máquina.; CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO
• Link de acesso: https://tede.lncc.br/handle/tede/396

Modelos de alta resolução representando a heterogeneidade de reservatórios de petróleo raramente podem ser usados diretamente em simulações de reservatórios devido ao alto custo computacional envolvido. Para viabilizar essas simulações, procedimentos de transferência de escalas (upscaling) são utilizados para obtenção de modelos em escalas mais grosseiras e, consequentemente, mais baratos do ponto de vista computacional. Tradicionalmente, as técnicas de upscaling variam de abordagens analíticas a procedimentos numéricos sofisticados. No entanto, o método de transferência de escalas, usado para calcular as propriedades das rochas em escala grossa, deve capturar com fidelidade os efeitos da heterogeneidade na escala fina sobre os escoamentos. Neste trabalho, propomos uma metodologia que incorpora uma rede neural convolucional (CNN) para predizer a permeabilidade absoluta equivalente. A rede CNN foi projetada automaticamente usando um algoritmo genético (AG) desenvolvido nesta tese. Este método baseado em CNN obteve sucesso em relação à raiz quadrada do erro quadrático médio (RMSE) e demanda computacional quando comparado com a técnica local, em cenários 2D e 3D. Em seguida, realizamos um estudo comparativo entre os procedimentos numéricos de upscaling, tais como local, local estendido, local-global e analíticos, como por exemplo, as médias aritméticas e harmônica usadas na indústria, com o objetivo de selecionar a melhor técnica para melhor posicionar nosso trabalho no estado-da-arte atual. Em termos do erro relativo sobre a curva de produção, breakthrough (tempo de chegada da água do poço injetor ao produtor) e custo computacional, o método local teve o melhor desempenho. Com essa técnica, geramos conjuntos de treinamento e validação para selecionar as melhores arquiteturas de CNN via AG. Tais arquiteturas forneceram resultados que convergem para a solução de referência na malha fina. Para demonstrar a eficiência do AG desenvolvido comparamos as arquiteturas obtidas com este com redes tradicionais, como VGGNet e ResNet adaptadas para o problema de upscaling. Desenvolvemos também um autoencoder baseado em CNN, projetado para computar a permeabilidade na escala grossa no espaço reduzido a partir do encoder cuja estrutura é gerada pelo AG. O autoencoder desenvolvido fornece uma abordagem alternativa para treinamento da CNN projetada pelo AG a qual, nos testes realizados, obteve resultados de upscaling melhores do que a mesma CNN treinada fora do autoencoder. A fim de melhorar a performance do AG foram incorporados operadores mais eficientes e testadas novas formas de gerar novos descendentes, além de incorporar uma metodologia de inicialização dos parâmetros internos das arquiteturas, computada a partir da distribuição de probabilidade dos pesos ajustados nas gerações anteriores, com o objetivo de projetar arquiteturas mais eficientes. Com a inicialização introduzida a partir da segunda geração, o AG apresentou desempenho superior que a proposta com uso de procedimentos tradicionais de inicialização. Fizemos também comparação entre o AG desenvolvido e o método de evolução diferencial, obtendo resultados mais favoráveis com o AG proposto para a geração automática de CNNs.