Avaliação de Desempenho de Técnicas de Machine Learning e Simulação Fenomenológica aplicadas à Medição de Vazão Virtual em estudo de caso na província do pré-sal
Nome: HUGO VERGILIO CURTO NETTO
Tipo: Dissertação de mestrado acadêmico
Data de publicação: 18/03/2022
Orientador:
Nome | Papel![]() |
---|---|
ROGÉRIO RAMOS | Orientador |
Banca:
Nome | Papel![]() |
---|---|
MARIA HELENA FARIAS | Examinador Externo |
MOISÉS RENATO NUNES RIBEIRO | Examinador Externo |
MARCIO FERREIRA MARTINS | Examinador Interno |
ROGÉRIO RAMOS | Orientador |
Resumo: A produção de um poço de petróleo apresenta uma mistura multifásica de óleo, gás, água e sólidos [1]. Para a correta medição de volumes, exige-se que o poço esteja produzindo para separador de teste, onde é realizada separação das fases e medição de forma monofásica. Uma alternativa seria o uso de medidores multifásicos em linha, porém nem sempre é tecnicamente possível e economicamente viável [8]. Neste cenário, a medição de vazão virtual se apresenta como uma alternativa interessante para um sistema com muitos poços, pois aplica modelos numéricos para calcular as vazões das fases óleo, gás e água, a partir de simples dados de campo, como pressão e temperatura [1][2]. A medição de vazão virtual por simulação fenomenológica (princípios físicos) adotando um simulador de escoamentos multifásico [5], bem como a aplicação de redes neurais artificias (RNA) do tipo perceptron multi-camadas (Multilayer Perceptron ou MLP) [3] com uso da biblioteca Scikit-Learn para Machine Learning em Python [21], apresentaram resultados promissores quando aplicados a um conjunto de dados de um poço produtor de óleo do pré-sal. Os resultados simulados foram comparados com a medição em separador de teste, num período de até 325 dias de operação, obtendo erros máximos de aproximadamente 10%, porém com redução significativa quando aplicada gestão de ajuste da modelagem. Este resultado é aderente às referências bibliográficas, valendo ressaltar que é um tema em vigoroso avanço técnico.
Palavras chave: Medição de Vazão Virtual, Medição Multifásica, Escoamento Multifásico, Aprendizado de Máquina. Machine Learning.