Banca de DEFESA: ANTONIO PAULO AMANCIO FERRO

Uma banca de DEFESA de MESTRADO foi cadastrada pelo programa.
DISCENTE : ANTONIO PAULO AMANCIO FERRO
DATA : 21/03/2024
HORA: 09:00
LOCAL: Defesa de mestrado - Antonio Ferro Quinta-feira, 21 de março · 09:00 até 12:00 Fuso horário: America
TÍTULO:

MODELOS PREDITIVOS PARA ROP COMO SUPORTE À OTIMIZAÇÃO EM TEMPO REAL DE PARÂMETROS OPERACIONAIS NA PERFURAÇÃO DE POÇOS DE PETRÓLEO

 

 

 

PALAVRAS-CHAVES:

Perfuração. Taxa de Penetração. Aprendizagem de Máquina. Tempo Real.

PÁGINAS: 150
RESUMO:

A taxa de penetração (Rate of Penetration - ROP), é um parâmetro de grande interesse na
otimização em tempo real da perfuração. Uma ROP maior diminui o tempo de perfuração e pode
levar a reduções significativas de custo na construção do poço. Modelos preditivos para ROP
são aplicados para prever a ROP resultante baseado em dados medidos durante a perfuração e
viabilizam a determinação de parâmetros operacionais ótimos, como RPM, WOB e a vazão do
fluido, quando aliados a técnicas de otimização. Obter modelos de ROP mais precisos é uma tarefa
difícil, dado a grande quantidade de fatores interagindo de forma não linear entre si. O presente
trabalho envolve o estudo de diferentes modelos de ROP. Modelos tradicionais: Bourgoyne
& Young e Energia Mecânica Específica, e suas adaptações, são comparados com modelos
de aprendizagem de máquina: Redes Neurais Artificiais (Artifical Neural Networks - ANN) e
Florestas Aleatórias (Random Forest - RF). Dados públicos de 7 poços foram estruturados em um
dataset com dados relevantes para avaliação da performance de diferentes modelos na estimativa
da ROP, como parâmetros operacionais, dados de brocas, litologia, perfis geofísicos, gradiente
de poro pressão e resistência não confinada. Nas análises comparativas, métricas de erro, como
o erro médio absoluto (Mean Absolute Error - MAE) e a raiz do erro médio quadrático (Root
Mean Square Root - RMSE), são comparadas entre os diferentes modelos considerando cada um
dos 7 poços. É feito análise de significância estatística com modelo de Bourgoyne & Young, para
compreender efeitos mais significativos na ROP. A interpretabilidade dos modelos tradicionais
em conjunto com o refino de hiperparametros são abordagens adotadas para empregar modelos
de aprendizagem de máquina com inputs mais significativos e com maior capacidade preditiva.
Em seguida, duas estratégias encontradas na literatura para utilização de modelos preditivos para
ROP, aplicados na otimização em tempo real, são comparadas: modelos treinados com dados
de poços de correlação, ou com os dados do próprio poço, simulando processo de aquisição
gradual dos dados (aprendizagem contínua). Os resultados obtidos neste trabalho, indicam melhor
performance de modelos de aprendizagem de máquina em relação aos modelos tradicionais.
O modelo RF apresenta melhor performance geral nas análises comparativas, apresentando
erros menores e menor custo computacional. Foi possível identificar a relevância do torque e
da inclusão de dados da formação (Delta-T compressional) nos modelos de aprendizagem de
máquina. Identifica-se que a estratégia de aprendizagem contínua é capaz de alcançar menores
erros, ainda que se verifica que ambas estratégias são capazes de gerar predições adequadas.

MEMBROS DA BANCA:
Presidente - 1121075 - ALINE DA SILVA RAMOS BARBOZA
Interno(a) - 1121260 - EDUARDO NOBRE LAGES
Externo(a) à Instituição - CHARLTON OKAMA DE SOUZA - PETROBRAS