Document details

Description

Orientadores: Anderson de Rezende Rocha, Denis José Schiozer, Célio Maschio

Tese (doutorado) - Universidade Estadual de Campinas, Instituto de Computação

Resumo: Ajuste de histórico é um importante processo de engenharia de reservatório no qual valores incertos de um modelo de reservatório são alterados com o objetivo de encontrar modelos que honrem dados históricos de produção. Trata-se de um típico problema inverso e mal posto, que admite múltiplas soluções e desempenha papel fundamental nas tarefas de gerenciamento de reservatórios: modelos de reservatório suportam decisões estratégicas no desenvolvimento do campo, e quanto melhor calibrados, maior a confiança em suas previsões sobre o real desempenho do reservatório. Embora a literatura sobre ajuste de histórico tenha registrado um progresso notável nas duas últimas décadas, dada a singularidade de cada problema, nenhuma estratégia é comprovadamente eficaz para todos os casos, e esforços de pesquisa para encontrar metodologias alternativas são sempre inestimáveis. Esta tese tem como objetivo investigar a adequação de abordagens de aprendizado a partir dos dados para o problema de ajuste de histórico, verificando se o uso de dados das soluções disponíveis pode guiar, de maneira eficiente e eficaz, o processo de ajuste em direção a soluções de melhor qualidade e com capacidade de previsão confiável. Foram propostos e implementados quatro métodos orientados a dados que, usando técnicas de aprendizado de máquina e/ou otimização, descobrem continuamente, entre as soluções disponíveis, os padrões de atributos de entrada que levam a boas respostas de saída, e que podem ser usados na geração de novas soluções. O design destes métodos envolveu a proposta de uma arquitetura de software baseada em componentes reutilizáveis para lidar com necessidades tipicamente presentes em processos de ajuste de histórico como consulta e análise das soluções disponíveis, particionamento da grade do modelo de reservatório em regiões de interesse e manipulação de atributos incertos petrofísicos ou globais. Em todos os métodos, informações aprendidas com a avaliação dinâmica das soluções disponíveis apoiam decisões estratégicas sobre o que precisa ser alterado, e onde e como as mudanças devem ocorrer, a fim de gerar novas (e esperançosamente melhores) soluções. As abordagens propostas foram validadas usando o benchmark UNISIM-I-H, caso sintético desafiador baseado no campo de Namorado, bacia de Campos, Brasil. Os resultados indicam o potencial de aprendizado a partir dos dados para gerar múltiplas soluções que não apenas honram os dados históricos mas, principalmente, têm desempenho aceitável ao prever a produção do reservatório. Comparadas a metodologias de ajuste de histórico anteriormente aplicadas ao mesmo benchmark, as abordagens propostas têm resultados competitivos em qualidade e/ou capacidade de previsão, e requerem um número substancialmente menor de simulações. Do ponto de vista de eScience, os resultados desta tese corroboram o fato de que Ciência da Computação pode promover e auxiliar desenvolvimentos em outras áreas de conhecimento: a combinação de técnicas de aprendizado de máquina e otimização, como as propostas nesta tese, certamente pode ajudar pesquisadores e profissionais da comunidade de Engenharia de Petróleo a resolver de maneira eficiente e eficaz problemas de ajuste de histórico

Abstract: History matching is an important reservoir engineering process whereby the values of uncertain attributes of a reservoir model are changed with the purpose of finding models that match existent reservoir production data. It is a typical inverse and ill-posed problem that admits multiple solutions, and plays a key role in reservoir management tasks: reservoir models support strategic field development decisions, and the better calibrated the models, the higher the confidence on their forecast for the actual reservoir performance. While the literature about history matching has registered a remarkable progress in the last two decades, given the uniqueness of each problem, no strategy is proven effective for all cases, and research efforts towards finding alternative history-matching methodologies are always invaluable. In this thesis, we aimed at investigating the suitability of learning-from-data approaches to the history-matching problem, verifying if the use of input data from available solutions can efficiently and effectively guide the history-matching process towards solutions with better matching quality and reliable forecast capacity. We proposed and implemented four data-driven methods that, using machine-learning and/or optimization techniques, continuously uncover, among available solutions, input patterns that lead to good output response, and that can be used in the generation of new solutions. The design of the learning-from-data methods involved the proposal of a component-based software architecture with reusable components to deal with needs such as analysis and active query of available solutions, partitioning of reservoir model grid into regions of interest, and manipulation of petrophysical or global uncertain attributes, typically present in history-matching processes. In all the proposed methods, the information learned from the dynamic evaluation of available solutions supports strategic decisions about what needs to be changed, where the changes shall take place, and how changes shall occur in order to generate new (and hopefully better history-matched) solutions. We validate our approaches using the UNISIM-I-H benchmark, a challenging synthetic case based on the Namorado field, Campos basin, Brazil. Results indicate the potential of our learning proposals towards generating multiple solutions that not only match history data, but most importantly, have acceptable performance while forecasting field production. Compared with history-matching methodologies previously applied to the same benchmark, our approaches have competitive results in terms of matching-quality and/or forecast capacity, using substantially fewer simulations. From eScience perspective, the findings of this thesis corroborate the fact that Computer Science can promote and assist developments in other areas of knowledge: the combination of machine learning and optimization techniques, as the ones adopted in our approaches, can certainly help researchers and professionals from Petroleum Engineering Community to efficiently and effectively solve history-matching problems

Doutorado

Ciência da Computação

Doutora em Ciência da Computação

CAPES

001