Redes ReLU como modelos inteiros-mistos aplicadas à sintonia de simuladores de poços de petróleo

Abstract

Nas operações diárias da produção de petróleo são empregadas ferramentas computacionais no auxílio à tomada de decisão, as quais dependem de modelos estáticos representativos de poços, reservatórios e processos. Esses modelos possuem parâmetros-chave que devem ser sintonizados para melhor representação da realidade. Na prática, manter os modelos de poços atualizados é uma tarefa desafiadora, pois estes parâmetros só são revisados quando um poço está sujeito a um teste de separação. Deste modo, os modelos vigentes podem não refletir as condições reais devido à desatualização dos parâmetros-chave, acarretando em consideráveis perdas de produção. Neste contexto, este trabalho apresenta uma metodologia que objetiva encontrar parâmetros-chave atualizados (razão gás-óleo, razão água-óleo e índice de produtividade), de modelos estáticos representativos de poços, encontrados em plataformas reais de petróleo. Para tanto, foram empregadas redes ReLU no aprendizado do comportamento dos poços para diversas condições físicas; a seguir, tais redes foram descritas como modelos inteiros-mistos e empregadas em problemas de otimização visando a sintonia dos parâmetros-chave. Resultados simulados do emprego da metodologia em cenários sintéticos, demonstraram que os parâmetros-chave encontrados foram responsáveis por gerar maiores ganhos de produção de petróleo em comparação ao uso de parâmetros puramente históricos. Além disto, a metodologia proposta auxilia na predição da vazão de petróleo de cada poço individualmente, medições tipicamente não disponíveis quando o poço não se encontra em teste de separação. Por fim, a metodologia apresentada permite a sintonia simultânea de mais parâmetros (maior dimensionalidade) fazendo um uso de menos variáveis binárias, em relação a outras metodologias clássicas de aproximação como, por exemplo, a linearização por partes de funções não-lineares.

Abstract: In daily operations of oil production, computational tools are used to aid decision making, which depend on static models representing wells, reservoirs, and processes. These models have key parameters that must be tuned for a better representation of reality. In practice, keeping well models up to date is a challenging task, as these parameters are only revised when a well undergoes a separation test. Thus, current models may not reflect real conditions due to outdated key parameters, resulting in considerable production losses. In this context, this work presents a methodology that aims to update key parameters (gas-oil ratio, water-oil ratio, and productivity index) of representative static models of wells found in real oil platforms. Therefore, ReLU networks were used to learn the behavior of wells for different physical conditions; then, such networks were described as mixed-integer models and used in optimization problems aiming at tuning the key parameters. Simulated results of using the methodology in synthetic scenarios showed that the key parameters found were responsible for generating greater gains in oil production compared to the use of purely historical parameters. In addition, the proposed methodology helps to predict the oil flow from each well individually, measurements typically not available when the well is not undergoing a separation test. Finally, the presented methodology allows the simultaneous tuning of more parameters (greater dimensionality) making use of fewer binary variables, in relation to other classical approximation methodologies, such as piecewise-linearization of nonlinear functions.