EVENTO
Redes Neurais Aplicadas a Modelagem Computacional de Reservatórios de Petróleo
Tipo de evento: Exame de Qualificação
A modelagem e simulação dos processos de extração de fluidos em formações geológicas são ferramentas importantes para a previsão de produção de petróleo egerenciamento do reservatório. Entretanto, simulações na escala onde ocorrem as heterogeneidades requerem alto custo computacional para obter uma predição acuradadas curvas de produção. Neste contexto, as técnicas de aprendizado de máquina podem ser exploradas como alternativa para reduzir o tempo de execução das simulações,aprimorando a acurácia de parâmetros relevantes em tempo real, tais como o índice de produtividade de poços.Uma propriedade importante no estudo de meios porosos naturais, tais como reservatórios de petróleo, é a permeabilidade, a qual exibe forte grau de anisotropia evariabilidade espacial influenciando os regimes hidrodinâmicos. Portanto, os efeitos da heterogeneidade da permeabilidade devem ser incorporados aos modelos quedescrevem os detalhes geológicos em escala fina, a fim de obter uma predição mais acurada da produção.Os modelos geológicos são compostos por dezenas de milhões de células, que contribuem para o aumento do custo computacional, tornando impraticável em temporeal a obtenção dos regimes de escoamento. Uma possibilidade para contornar esse problema, é efetuar o procedimento de transferência de escala (upscaling) em quemodelos em escala fina são convertidos para escalas mais grosseiras, de forma que informações importantes da escala fina sejam preservadas.Em cenários de acoplamento hidromecânico, os efeitos da plasticidade originam leis constitutivas para a permeabilidade com dependência das tensões aplicadascaracterizadas por efeitos de histerese, os quais consistem de diferentes respostas da deformação do meio em situações de carregamento e descarregamento.Assim, neste trabalho, um procedimento de upscaling é proposto para calcular valores da permeabilidade equivalente dependentes do estado de tensão por meio deConvolutional Neural Networks (CNN). Para otimização de hiperparâmetros que compõem uma CNN é desenvolvido um Algoritmo Genético (AG) que utiliza o conceitode Transfer Learning a partir de parâmetros pré-treinados (pesos e bias). Além disso, será computado o índice de produtividade de poço injetor e produtor na presença doefeito de histerese via rede MultiLayer Perceptron (MLP) otimizada pelo AG proposto.Para assistir acesse: https://us02web.zoom.us/j/81545565517?pwd=UEpxaE9LbXZRTUdIZ1hRZ0NtbEdlQT09
Data Início: 10/11/2021 Hora: 09:00 Data Fim: 10/11/2021 Hora: 12:00
Local: LNCC - Laboratório Nacional de Computação Ciêntifica - Webinar
Aluno: Eliaquim Monteiro Ramos - - LNCC
Orientador: Gilson Antônio Giraldi - Laboratório Nacional de Computação Científica - LNCC Marcio Arab Murad - Laboratório Nacional de Computação Científica - LNCC Marcio Rentes Borges - Laboratório Nacional de Computação Científica - LNCC
Participante Banca Examinadora: André da Motta Salles Barreto - GOOGLE - Fabio André Machado Porto - Laboratório Nacional de Computação Científica - LNCC Flavia Falcão - CENPES/Petrobras - Helio José Corrêa Barbosa - Laboratório Nacional de Computação Científica - LNCC/MCTI João Nisan Correia Guerreiro - Laboratório Nacional de Computação Científica - LNCC
