APLICAÇÃO DE TÉCNICAS DE MACHINE LEARNING E DATA DRIVEN EM POÇOS INTELIGENTES DE PETRÓLEO [thesis]

TAISA DORNELAS ABBAS CALVETTE
Agradeço primeiramente à Deus e a São Francisco de Assis por me guiarem em todas as escolhas da minha vida. Ao meu esposo Luigi, pelo apoio nos momentos mais difíceis e cansativos e pelo amor incondicional todos os dias. À minha filha Olivia que me ensina a cada dia a ser uma pessoa melhor. À minha Golden retriever Tetê pelo companheirismo e amor incondicional. Aos meus pais, pela educação, amor e carinho. Vocês me proporcionaram não somente a oportunidade de obter mais este diploma, como todas
more » ... diploma, como todas as ferramentas necessárias para ser feliz na vida. Aos grandes professores da PUC-Rio, em especial ao meu orientador Marco Aurélio, por ser uma grande inspiração como professor, profissional e pessoa. Obrigada pelas importantes contribuições e ajuda sempre que precisei. À querida Prof. Ana Carolina que carinhosamente me orientou e ajudou com a dissertação. Você é uma fantástica pessoa e profissional. Ao amigo Marco Antonio Dias por todo apoio necessário durante todo o mestrado e pela amizade durante todos estes anos. Aos colegas do ICA que de alguma forma me estimularam e me ajudaram, em especial Leonardo, Manuela, Cristian, Allan e Juliana. O presente trabalho foi realizado com apoio da Coordenação de Aperfeiçoamento de Pessoal de Nível Superior -Brasil (CAPES) -Código de Financiamento 001. PUC-Rio -Certificação Digital Nº 1712515/CA PUC-Rio -Certificação Digital Nº 1712515/CA quanto nos testes que utilizaram dados de produção observados (caso real), proporcionando uma variação de até 75% no RMSE e 85% no MAE. O erro RMSE normalizado na rede GRUB foi de 0,53% nos dados observados e 0,65% nos dados sintéticos. Os modelos de deep smart proxy obtiveram desempenhos muito semelhantes, principalmente ao comparar o desempenho das redes do tipo LSTMB e GRUB. Estas redes foram aplicadas em ambos os casos sintético e real de produção e superaram, em todos os casos, os resultados obtidos com o modelo de smart proxy com MLP. Palavras-chave Machine learning; proxy; smart proxy; deep smart proxy; poços inteligentes; produção de petróleo. A reliable forecast for oil production represents one of the biggest challenges in the oil and gas industry and contributes to the planning and decision making of oil companies. Because of that, this work uses intelligent well valves settings and data driven methodology to explore the advantages and the performance of machine learning algorithms in the forecasting of oil, gas and water production. In order to do so, two database containing historical data series of oil, gas and water production were used. The first was generated synthetically (through reservoir simulation) and consisted of the average monthly production of an injection well over a period of 10 years, as well as the configuration of 3 of its valves. The second database used the production data provided by the state of South Dakota, located in the United States, and consisted of the daily production average and the overall well status (active or not producing) from several oil producing wells in a period ranging from 1950 to 2018. In order to test the methodology, several experiments were performed combining proxy with Artificial Neural Network Algorithms (Multilayer Perceptron) and deep learning recurrent neural networks (Simple Recurrent Neural Networks, long short-term memory, Gated Recurrent Units), which were named smart proxy and deep smart proxy, respectively. The results showed that the deep smart proxy model was very promising. Using the Gated Recurrent Units network with bi-directional layers (GRUB), a reduction of 66% in the RMSE error and 79% in the MAE error was obtained when compared to smart proxy models with Artificial Neural Networks. The deep smart proxy models with bidirectional layers generated a significant improvement in prediction and error reduction in both databases tests ( i.e. tests with simulated production data (synthetic case) and with the observed production data (real case), resulting in a variation of up to 75% in RMSE and 85% in MAE). The normalized RMSE error in the GRUB network was of 0.53% in the observed PUC-Rio -Certificação Digital Nº 1712515/CA database and 0.65% in the synthetic database. It is important to notice that the Deep smart proxy models achieved very similar performances when comparing the LSTMB and GRUB network in both databases (synthetic and real production), surpassing in all cases the results obtained with the MLP smart proxy model.
doi:10.17771/pucrio.acad.47237 fatcat:ido6l4yzsjaftmn7nvjbih7isq