Optimization and control of reservoir models using system identification and machine learning tools
Ano de defesa: | 2019 |
---|---|
Autor(a) principal: | |
Orientador(a): | |
Banca de defesa: | , , |
Tipo de documento: | Dissertação |
Tipo de acesso: | Acesso aberto |
Idioma: | eng |
Instituição de defesa: |
Universidade Federal do Rio de Janeiro
|
Programa de Pós-Graduação: |
Programa de Pós-Graduação em Engenharia Elétrica
|
Departamento: |
Instituto Alberto Luiz Coimbra de Pós-Graduação e Pesquisa de Engenharia
|
País: |
Brasil
|
Palavras-chave em Português: | |
Área do conhecimento CNPq: | |
Link de acesso: | http://hdl.handle.net/11422/14026 |
Resumo: | Este trabalho desenvolve uma metodologia, usando conceitos de identificação de sistemas dinâmicos, para criar modelos substitutos (conhecidos como proxy) de reservatórios de óleo e gás considerando-se variáveis controladas, tais como vazões de líquido e injetadas. Os principais objetivos são previsão e otimização da produção. Os métodos clássicos de ajuste de histórico consideram o ajuste de parâmetros de um modelo de simulação de fluxo em meios porosos. Em contraste, essa dissertação propõe avaliar o uso de modelos do tipo proxy, com dois enfoques diferentes: o primeiro é baseado puramente em entrada e saída, ao passo que o segundo leva em conta o espaço de estados de uma simulação numérica, ambos usando dados provenientes da simulação numérica de um modelo de reservatórios. Seguindo o princípio da parcimônia, representações mais simples, tais como ARX e ARMAX, são avaliadas inicialmente para os modelos entrada-saída. Para modelos baseados em estados, realiza-se redução de dimensionalidade, através do método conhecido como POD (proper orthogonal decomposition). As matrizes de um modelo proxy linear são identificadas nos estados de dimensão reduzida, o que nos permite formular um problema de otimização, cuja função objetivo é maximizar uma função econômica VPL (valor presente líquido), como uma sequência de problemas do tipo programação linear, dentro de um arcabouço de um método de otimização baseado em região de confiança. Algumas contribuições, mostradas ao longo dessa dissertação, incluem um método expedito para avaliação de incertezas, análise da adaptação dos coeficientes do filtro RLS (mínimos quadrados recursivos) em termos físicos para o problema, bem como insights sobre seleção de modelos e incorporação de conhecimento a priori. |
id |
UFRJ_4d96483d7b74db5500814a9c103f7c63 |
---|---|
oai_identifier_str |
oai:pantheon.ufrj.br:11422/14026 |
network_acronym_str |
UFRJ |
network_name_str |
Repositório Institucional da UFRJ |
repository_id_str |
|
spelling |
Miyatake, Luis Kinhttp://lattes.cnpq.br/5078353361131903http://lattes.cnpq.br/7085218927514528Aguirre, Luis AntonioCosta, Ramon RomankeviciusEmerick, Alexandre AnozéBhaya, Amit2021-04-05T01:51:25Z2021-04-06T03:00:08Z2019-07http://hdl.handle.net/11422/14026Este trabalho desenvolve uma metodologia, usando conceitos de identificação de sistemas dinâmicos, para criar modelos substitutos (conhecidos como proxy) de reservatórios de óleo e gás considerando-se variáveis controladas, tais como vazões de líquido e injetadas. Os principais objetivos são previsão e otimização da produção. Os métodos clássicos de ajuste de histórico consideram o ajuste de parâmetros de um modelo de simulação de fluxo em meios porosos. Em contraste, essa dissertação propõe avaliar o uso de modelos do tipo proxy, com dois enfoques diferentes: o primeiro é baseado puramente em entrada e saída, ao passo que o segundo leva em conta o espaço de estados de uma simulação numérica, ambos usando dados provenientes da simulação numérica de um modelo de reservatórios. Seguindo o princípio da parcimônia, representações mais simples, tais como ARX e ARMAX, são avaliadas inicialmente para os modelos entrada-saída. Para modelos baseados em estados, realiza-se redução de dimensionalidade, através do método conhecido como POD (proper orthogonal decomposition). As matrizes de um modelo proxy linear são identificadas nos estados de dimensão reduzida, o que nos permite formular um problema de otimização, cuja função objetivo é maximizar uma função econômica VPL (valor presente líquido), como uma sequência de problemas do tipo programação linear, dentro de um arcabouço de um método de otimização baseado em região de confiança. Algumas contribuições, mostradas ao longo dessa dissertação, incluem um método expedito para avaliação de incertezas, análise da adaptação dos coeficientes do filtro RLS (mínimos quadrados recursivos) em termos físicos para o problema, bem como insights sobre seleção de modelos e incorporação de conhecimento a priori.This dissertation develops a methodology to identify a dynamical system modeling an oil and gas reservoir, subject to production controls such as water injection rate and liquid production rate. The overall objectives are to improve production forecasts and decision making processes regarding the development of the field, such as future control strategies and “what-if” analyses considering different scenarios. The classical history matching approach uses numerical simulation and tuning of geological parameters. In contrast, this dissertation proposes the use of a system identification approach to build two proxy models, one based on the input-output approach and the other on a state-space approach, both utilizing data that comes from a simulator used in industry. In accordance with the parsimony principle, simpler polynomial model structures such as ARX and ARMAX are used for the input-output model. The linear state space model uses states coming from model simulation as its data for identification, and is subjected to model reduction using the proper orthogonal decomposition (POD) method. This linear state space reduced order proxy model is then used to formulate an optimal control problem, solved by transcription into a sequence of linear programs using a trust region algorithm, maximizing Net Present Value, which is an objective function representing the overall economic performance of the production process. Additional significant contributions, developed in the course of this dissertation, include a fast method for uncertainty estimation, analysis of RLS coefficient adaptation to get physical insights into the correlation between producer and injector wells, as well as insights into model selection and incorporation of prior knowledge.Submitted by Paloma Arruda (palomaoliiveira75@gmail.com) on 2021-02-15T03:02:09Z No. of bitstreams: 1 LuisKinMiyatake.pdf: 1683274 bytes, checksum: e9072b29f7824b3e5388cfca0ebece63 (MD5)Approved for entry into archive by Moreno Barros (moreno@ct.ufrj.br) on 2021-04-05T01:51:25Z (GMT) No. of bitstreams: 1 LuisKinMiyatake.pdf: 1683274 bytes, checksum: e9072b29f7824b3e5388cfca0ebece63 (MD5)Made available in DSpace on 2021-04-05T01:51:25Z (GMT). No. of bitstreams: 1 LuisKinMiyatake.pdf: 1683274 bytes, checksum: e9072b29f7824b3e5388cfca0ebece63 (MD5) Previous issue date: 2019-07engUniversidade Federal do Rio de JaneiroPrograma de Pós-Graduação em Engenharia ElétricaUFRJBrasilInstituto Alberto Luiz Coimbra de Pós-Graduação e Pesquisa de EngenhariaCNPQ::ENGENHARIAS::ENGENHARIA ELETRICASystem IdentificationOptimizationMachine LearningOptimization and control of reservoir models using system identification and machine learning toolsOtimização e controle de modelos de reservatórios usando técnicas de identificação de sistemas e aprendizado de máquinainfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisabertoinfo:eu-repo/semantics/openAccessreponame:Repositório Institucional da UFRJinstname:Universidade Federal do Rio de Janeiro (UFRJ)instacron:UFRJLICENSElicense.txtlicense.txttext/plain; charset=utf-81853http://pantheon.ufrj.br:80/bitstream/11422/14026/2/license.txtdd32849f2bfb22da963c3aac6e26e255MD52ORIGINALLuisKinMiyatake.pdfLuisKinMiyatake.pdfapplication/pdf1683274http://pantheon.ufrj.br:80/bitstream/11422/14026/1/LuisKinMiyatake.pdfe9072b29f7824b3e5388cfca0ebece63MD5111422/140262021-04-06 00:00:08.708oai:pantheon.ufrj.br:11422/14026TElDRU7Dh0EgTsODTy1FWENMVVNJVkEgREUgRElTVFJJQlVJw4fDg08KCkFvIGFzc2luYXIgZSBlbnRyZWdhciBlc3RhIGxpY2Vuw6dhLCB2b2PDqihzKSBvKHMpIGF1dG9yKGVzKSBvdSBwcm9wcmlldMOhcmlvKHMpIGRvcyBkaXJlaXRvcyBhdXRvcmFpcyBjb25jZWRlKG0pIGFvIFJlcG9zaXTDs3JpbyBQYW50aGVvbiBkYSBVbml2ZXJzaWRhZGUgRmVkZXJhbCBkbyBSaW8gZGUgSmFuZWlybyAoVUZSSikgbyBkaXJlaXRvIG7Do28gLSBleGNsdXNpdm8gZGUgcmVwcm9kdXppciwgY29udmVydGVyIChjb21vIGRlZmluaWRvIGFiYWl4byksIGUvb3UgZGlzdHJpYnVpciBvIGRvY3VtZW50byBlbnRyZWd1ZSAoaW5jbHVpbmRvIG8gcmVzdW1vKSBlbSB0b2RvIG8gbXVuZG8sIGVtIGZvcm1hdG8gZWxldHLDtG5pY28gZSBlbSBxdWFscXVlciBtZWlvLCBpbmNsdWluZG8sIG1hcyBuw6NvIGxpbWl0YWRvIGEgw6F1ZGlvIGUvb3UgdsOtZGVvLgoKVm9jw6ogY29uY29yZGEgcXVlIGEgVUZSSiBwb2RlLCBzZW0gYWx0ZXJhciBvIGNvbnRlw7pkbywgdHJhZHV6aXIgYSBhcHJlc2VudGHDp8OjbyBkZSBxdWFscXVlciBtZWlvIG91IGZvcm1hdG8gY29tIGEgZmluYWxpZGFkZSBkZSBwcmVzZXJ2YcOnw6NvLgoKVm9jw6ogdGFtYsOpbSBjb25jb3JkYSBxdWUgYSBVRlJKIHBvZGUgbWFudGVyIG1haXMgZGUgdW1hIGPDs3BpYSBkZXNzYSBzdWJtaXNzw6NvIHBhcmEgZmlucyBkZSBzZWd1cmFuw6dhLCBiYWNrLXVwIGUgcHJlc2VydmHDp8OjbyBkaWdpdGFsLgoKRGVjbGFyYSBxdWUgbyBkb2N1bWVudG8gZW50cmVndWUgw6kgc2V1IHRyYWJhbGhvIG9yaWdpbmFsLCBlIHF1ZSB2b2PDqiB0ZW0gbyBkaXJlaXRvIGRlIGNvbmNlZGVyIG9zIGRpcmVpdG9zIGNvbnRpZG9zIG5lc3RhIGxpY2Vuw6dhLiBWb2PDqiB0YW1iw6ltIGRlY2xhcmEgcXVlIGEgc3VhIGFwcmVzZW50YcOnw6NvLCBjb20gbyBtZWxob3IgZGUgc2V1cyBjb25oZWNpbWVudG9zLCBuw6NvIGluZnJpbmdpIGRpcmVpdG9zIGF1dG9yYWlzIGRlIHRlcmNlaXJvcy4KClNlIG8gZG9jdW1lbnRvIGVudHJlZ3VlIGNvbnTDqW0gbWF0ZXJpYWwgZG8gcXVhbCB2b2PDqiBuw6NvIHRlbSBkaXJlaXRvcyBkZSBhdXRvciwgZGVjbGFyYSBxdWUgb2J0ZXZlIGEgcGVybWlzc8OjbyBpcnJlc3RyaXRhIGRvIGRldGVudG9yIGRvcyBkaXJlaXRvcyBhdXRvcmFpcyBlIGNvbmNlZGUgYSBVRlJKIG9zIGRpcmVpdG9zIHJlcXVlcmlkb3MgcG9yIGVzdGEgbGljZW7Dp2EsIGUgcXVlIGVzc2UgbWF0ZXJpYWwgZGUgcHJvcHJpZWRhZGUgZGUgdGVyY2Vpcm9zIGVzdMOhIGNsYXJhbWVudGUgaWRlbnRpZmljYWRvIGUgcmVjb25oZWNpZG8gbm8gdGV4dG8gb3UgY29udGXDumRvIGRhIHN1Ym1pc3PDo28uCgpTZSBvIGRvY3VtZW50byBlbnRyZWd1ZSDDqSBiYXNlYWRvIGVtIHRyYWJhbGhvIHF1ZSBmb2ksIG91IHRlbSBzaWRvIHBhdHJvY2luYWRvIG91IGFwb2lhZG8gcG9yIHVtYSBhZ8OqbmNpYSBvdSBvdXRybyhzKSBvcmdhbmlzbW8ocykgcXVlIG7Do28gYSBVRlJKLCB2b2PDqiBkZWNsYXJhIHF1ZSBjdW1wcml1IHF1YWxxdWVyIGRpcmVpdG8gZGUgUkVWSVPDg08gb3UgZGUgb3V0cmFzIG9icmlnYcOnw7VlcyByZXF1ZXJpZGFzIHBvciBjb250cmF0byBvdSBhY29yZG8uCgpBIFVGUkogaXLDoSBpZGVudGlmaWNhciBjbGFyYW1lbnRlIG8ocykgc2V1KHMpIG5vbWUocykgY29tbyBhdXRvcihlcykgb3UgcHJvcHJpZXTDoXJpbyhzKSBkYSBzdWJtaXNzw6NvLCBlIG7Do28gZmFyw6EgcXVhbHF1ZXIgYWx0ZXJhw6fDo28sIHBhcmEgYWzDqW0gZGFzIHBlcm1pdGlkYXMgcG9yIGVzdGEgbGljZW7Dp2EsIG5vIGF0byBkZSBzdWJtaXNzw6NvLgo=Repositório de PublicaçõesPUBhttp://www.pantheon.ufrj.br/oai/requestopendoar:2021-04-06T03:00:08Repositório Institucional da UFRJ - Universidade Federal do Rio de Janeiro (UFRJ)false |
dc.title.pt_BR.fl_str_mv |
Optimization and control of reservoir models using system identification and machine learning tools |
dc.title.alternative.pt_BR.fl_str_mv |
Otimização e controle de modelos de reservatórios usando técnicas de identificação de sistemas e aprendizado de máquina |
title |
Optimization and control of reservoir models using system identification and machine learning tools |
spellingShingle |
Optimization and control of reservoir models using system identification and machine learning tools Miyatake, Luis Kin CNPQ::ENGENHARIAS::ENGENHARIA ELETRICA System Identification Optimization Machine Learning |
title_short |
Optimization and control of reservoir models using system identification and machine learning tools |
title_full |
Optimization and control of reservoir models using system identification and machine learning tools |
title_fullStr |
Optimization and control of reservoir models using system identification and machine learning tools |
title_full_unstemmed |
Optimization and control of reservoir models using system identification and machine learning tools |
title_sort |
Optimization and control of reservoir models using system identification and machine learning tools |
author |
Miyatake, Luis Kin |
author_facet |
Miyatake, Luis Kin |
author_role |
author |
dc.contributor.advisorLattes.pt_BR.fl_str_mv |
http://lattes.cnpq.br/5078353361131903 |
dc.contributor.authorLattes.pt_BR.fl_str_mv |
http://lattes.cnpq.br/7085218927514528 |
dc.contributor.author.fl_str_mv |
Miyatake, Luis Kin |
dc.contributor.referee1.fl_str_mv |
Aguirre, Luis Antonio |
dc.contributor.referee2.fl_str_mv |
Costa, Ramon Romankevicius |
dc.contributor.referee3.fl_str_mv |
Emerick, Alexandre Anozé |
dc.contributor.advisor1.fl_str_mv |
Bhaya, Amit |
contributor_str_mv |
Aguirre, Luis Antonio Costa, Ramon Romankevicius Emerick, Alexandre Anozé Bhaya, Amit |
dc.subject.cnpq.fl_str_mv |
CNPQ::ENGENHARIAS::ENGENHARIA ELETRICA |
topic |
CNPQ::ENGENHARIAS::ENGENHARIA ELETRICA System Identification Optimization Machine Learning |
dc.subject.por.fl_str_mv |
System Identification Optimization Machine Learning |
description |
Este trabalho desenvolve uma metodologia, usando conceitos de identificação de sistemas dinâmicos, para criar modelos substitutos (conhecidos como proxy) de reservatórios de óleo e gás considerando-se variáveis controladas, tais como vazões de líquido e injetadas. Os principais objetivos são previsão e otimização da produção. Os métodos clássicos de ajuste de histórico consideram o ajuste de parâmetros de um modelo de simulação de fluxo em meios porosos. Em contraste, essa dissertação propõe avaliar o uso de modelos do tipo proxy, com dois enfoques diferentes: o primeiro é baseado puramente em entrada e saída, ao passo que o segundo leva em conta o espaço de estados de uma simulação numérica, ambos usando dados provenientes da simulação numérica de um modelo de reservatórios. Seguindo o princípio da parcimônia, representações mais simples, tais como ARX e ARMAX, são avaliadas inicialmente para os modelos entrada-saída. Para modelos baseados em estados, realiza-se redução de dimensionalidade, através do método conhecido como POD (proper orthogonal decomposition). As matrizes de um modelo proxy linear são identificadas nos estados de dimensão reduzida, o que nos permite formular um problema de otimização, cuja função objetivo é maximizar uma função econômica VPL (valor presente líquido), como uma sequência de problemas do tipo programação linear, dentro de um arcabouço de um método de otimização baseado em região de confiança. Algumas contribuições, mostradas ao longo dessa dissertação, incluem um método expedito para avaliação de incertezas, análise da adaptação dos coeficientes do filtro RLS (mínimos quadrados recursivos) em termos físicos para o problema, bem como insights sobre seleção de modelos e incorporação de conhecimento a priori. |
publishDate |
2019 |
dc.date.issued.fl_str_mv |
2019-07 |
dc.date.accessioned.fl_str_mv |
2021-04-05T01:51:25Z |
dc.date.available.fl_str_mv |
2021-04-06T03:00:08Z |
dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/masterThesis |
format |
masterThesis |
status_str |
publishedVersion |
dc.identifier.uri.fl_str_mv |
http://hdl.handle.net/11422/14026 |
url |
http://hdl.handle.net/11422/14026 |
dc.language.iso.fl_str_mv |
eng |
language |
eng |
dc.rights.driver.fl_str_mv |
info:eu-repo/semantics/openAccess |
eu_rights_str_mv |
openAccess |
dc.publisher.none.fl_str_mv |
Universidade Federal do Rio de Janeiro |
dc.publisher.program.fl_str_mv |
Programa de Pós-Graduação em Engenharia Elétrica |
dc.publisher.initials.fl_str_mv |
UFRJ |
dc.publisher.country.fl_str_mv |
Brasil |
dc.publisher.department.fl_str_mv |
Instituto Alberto Luiz Coimbra de Pós-Graduação e Pesquisa de Engenharia |
publisher.none.fl_str_mv |
Universidade Federal do Rio de Janeiro |
dc.source.none.fl_str_mv |
reponame:Repositório Institucional da UFRJ instname:Universidade Federal do Rio de Janeiro (UFRJ) instacron:UFRJ |
instname_str |
Universidade Federal do Rio de Janeiro (UFRJ) |
instacron_str |
UFRJ |
institution |
UFRJ |
reponame_str |
Repositório Institucional da UFRJ |
collection |
Repositório Institucional da UFRJ |
bitstream.url.fl_str_mv |
http://pantheon.ufrj.br:80/bitstream/11422/14026/2/license.txt http://pantheon.ufrj.br:80/bitstream/11422/14026/1/LuisKinMiyatake.pdf |
bitstream.checksum.fl_str_mv |
dd32849f2bfb22da963c3aac6e26e255 e9072b29f7824b3e5388cfca0ebece63 |
bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 |
repository.name.fl_str_mv |
Repositório Institucional da UFRJ - Universidade Federal do Rio de Janeiro (UFRJ) |
repository.mail.fl_str_mv |
|
_version_ |
1766886503975223296 |