30abr2020
14:00 Defesa de Doutorado Integralmente a distância
Tema
Learning-from-Data Approaches to the History-Matching Problem
Aluno
Cristina Célia Barros Cavalcante
Orientador / Docente
Anderson de Rezende Rocha (orientador), Denis José Schiozer (coorientador) e Célio Maschio (coorientador)
Breve 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.
Banca examinadora
Titulares:
| Anderson de Rezende Rocha | IC/UNICAMP |
| João Paulo Papa | FC/UNESP/BAURU |
| André Carlos Ponce de Leon Ferreira de Carvalho | ICMC/USP |
| André Ricardo Fioravanti | FEM/UNICAMP |
| Alessandra Davólio Gomes | CEPETRO/UNICAMP |
Suplentes:
| Sandra Eliza Fontes de Avila | IC/UNICAMP |
| Hélio Pedrini | IC/UNICAMP |
| Jefersson Alex Dos Santos | DCC/UFMG |