[pt] APLICAÇÃO DE APRENDIZADO DE MÁQUINA A DADOS DE PRESSÃO E TEMPERATURA DE SENSORES DE POÇOS DE PETRÓLEO

• Ano de defesa: 2026
• Autor(a) principal: BRUNO COSTA PONTES
• Tipo de documento: Tese
• Tipo de acesso: Acesso aberto
• Idioma: eng
• Instituição de defesa: MAXWELL
• Palavras-chave em Português: [pt] APRENDIZADO DE MAQUINA; [pt] APRENDIZADO SUPERVISIONADO; [pt] APRENDIZADO NAO SUPERVISIONADO; [en] MACHINE LEARNING; [en] SUPERVISED LEARNING; [en] UNSUPERVISED LEARNING
• Link de acesso: https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=74790&idi=1; https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=74790&idi=2; http://doi.org/10.17771/PUCRio.acad.74790

[pt] Esta dissertação de mestrado investiga a aplicação de técnicas de aprendizado de máquina em dados de pressão e temperatura coletados por sensores permanentes em poços multi-zona dos reservatórios carbonáticos do Pré-Sal brasileiro. Esses reservatórios possuem arquitetura complexa e são equipados com completação inteligente que permite o controle e monitoramento independentes das zonas de produção. Essa configuração apresenta desafios para modelagem física tradicional devido à heterogeneidade do reservatório e à dinâmica de fluxo interdependente das zonas. A pesquisa aborda uma lacuna existente, uma vez que a maioria dos estudos foca em poços de zona única, aplicando métodos supervisionados e não supervisionados a um conjunto de dados obtidos em testes seletivos de produção de dois poços situados no mesmo reservatório e com completação similar. Algoritmos de clusterização foram utilizados para identificar padrões relacionados às configurações das válvulas, o que apoiou o desenvolvimento de modelos de classificação capazes de prever o status das válvulas a partir dos dados dos sensores. Modelos de regressão, aprimorados pela segmentação dos dados usando a classificação das combinações de zonas, estimaram efetivamente a vazão total de produção de óleo. Avaliação dos modelos em diferentes poços permitiu discutir a robustez e capacidade de generalização, ressaltando a importância da incorporação de características dependentes da pressão e do tempo, normalização adequada dos dados e técnicas de validação temporal. Os resultados confirmam que o aprendizado de máquina pode extrair informação útil a partir de dados complexos de sensores, automatizar o monitoramento dos poços e aprimorar os processos de tomada de decisão em ambientes desafiadores de reservatórios complexos. Este trabalho contribui para o avanço da abordagem orientada a dados na gestão de reservatórios, demonstrando potencial para complementar e fortalecer a modelagem física tradicional na produção de óleo e gás.