Otimização da produção diária orientada a dados de poços de petróleo assistidos por gas-lift

• Ano de defesa: 2023
• Autor(a) principal: Matos, Ezequias Santos
• Orientador(a): Martins, Márcio André Fernandes
• Banca de defesa: Martins, Márcio André Fernandes , Sotomayor, Oscar Alberto Zanabria , Gonçalves, Guilherme Augusto de Almeida
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Federal da Bahia
• Programa de Pós-Graduação: Programa de Pós-Graduação em Mecatrônica da UFBA (PPGM)
• Departamento: Instituto de Computação - IC
• País: Brasil
• Palavras-chave em Português: Gas Lift; Otimização em Tempo Real; Inteligência Artificial; Estimação não Linear.
• Área do conhecimento CNPq: CNPQ::OUTROS::ENGENHARIA MECATRONICA
• Link de acesso: https://repositorio.ufba.br/handle/ri/39340

No presente estudo, aborda-se um problema de otimização dinâmica para produção diária de petróleo e gás por meio de uma abordagem orientada a dados. Para isso, propõe-se a utilização de uma arquitetura de rede neural artificial (RNA) como substituto do modelo fenomenológico que representa um sistema de poços produtores assistidos por injeção contínua de gás (Gas Lift). Para realizar o treinamento da RNA, é imprescindível possuir dados relevantes, principalmente no que se refere à otimização econômica. Portanto, é crucial incluir as informações sobre as vazões de óleo e gás de cada poço e também do topo do riser. No entanto, as medições das vazões não estão disponíveis em tempo real e o que se tem à disposição é apenas a vazão total do campo, medido nas instalações de topside (após a separador trifásico), o que não permite entender o comportamento de cada poço individualmente. Devido à indisponibilidade de medição individualizada da vazão de poços, a utilização de um estimador de horizonte móvel (MHE), suportado por um modelo fenomenológico, mostrou-se como uma solução apropriada para estimar essas variáveis, permitindo disponibilizar dados para treinamento e obter de um modelo substituto a ser utilizado na etapa de otimização dinâmica. Desta maneira, foi possível viabilizar o treinamento de uma RNA com arquitetura \textit{ Nonlinear Autoregressive with Exogenous Input} empregada neste trabalho. Esta escolha foi feita com base na constatação de que a rede foi capaz de fazer predição de um passo à frente (um dia) de forma conveniente. Os resultados de aplicação em um poço e em campo composto por três poços e um riser apontaram um bom desempenho da rede neural artificial em termos de previsão temporal, além de apresentar um tempo computacional mais eficiente na solução do problema de otimização, quando comparado ao modelo fenomenológico padrão. A solução proposta por esta abordagem abre possibilidades para implementação em problemas de grande escala, como por exemplo, na otimização da produção diária de um campo de petróleo composto por vários poços integrados por diferentes reservatórios e manifolds.