EVENTO
Redes Neurais Aplicadas à Modelagem Computacional de Reservatórios de Petróleo
Tipo de evento: Seminário de Avaliação - Série A
Modelos de alta resolução representando a heterogeneidade de reservatórios de petróleo raramente podem ser usados diretamente em simulações de reservatórios devido ao alto custo computacional envolvido. Para viabilizar essas simulações, procedimentos de upscaling (transferência de escalas) são utilizados para obtenção de modelos postos em escalas mais grosseiras, mas baratos do ponto de vista computacional. Tradicionalmente, as técnicas de upscaling variam de abordagens analíticas a procedimentos numéricos sofisticados. No entanto, o método de transferência de escalas, usado para calcular as propriedades das rochas em escala grossa, deve capturar com precisão os efeitos da heterogeneidade na escala fina sobre os escoamentos. Recentemente, propomos uma metodologia que incorpora uma rede neural convolucional (CNN) para predizer a permeabilidade equivalente. A rede CNN foi projetada automaticamente usando um algoritmo genético desenvolvido nesta tese. Este método baseado em CNN obteve sucesso em relação à raiz quadrada do erro quadrático médio (RMSE) e demanda computacional quando comparado com a técnica local, em cenários 2D e 3D [1]. Em seguida, realizamos um estudo comparativo entre os procedimentos numéricos de upscaling, tais como local, local estendido, local-global e aritmético, com o objetivo de selecionar a melhor técnica para construir o conjunto de treinamento da rede neural. Em termos do erro relativo sobre a curva de produção, breakthrough (tempo de chegada da água ao poço de produção) e custo computacional, o método local teve o melhor desempenho. Com essa técnica, geramos conjuntos de treinamento e validação para selecionar as melhores arquiteturas de CNN via algoritmo genético. Tais arquiteturas forneceram resultados que convergem para a solução de referência na malha fina. Para demonstrar a superioridade de nossa abordagem baseada em CNN, comparamos com arquiteturas tradicionais como VGGNet e ResNet adaptadas para o problema de upscaling. Desenvolvemos também um autoencoder, projetado para computar a permeabilidade na escala grossa no espaço reduzido. A fim de melhorar a performance do algoritmo genético foram incorporados operadores mais eficientes e testadas novas formas de gerar novos descendentes. O próximo passo será incorporar uma metodologia de inicialização, computada a partir da distribuição de probabilidade dos pesos e bias ajustados nas gerações anteriores, com o objetivo de projetar arquitetura mais eficiente. Posteriormente, pretendemos efetuar uma comparação entre o algoritmo genético e o método de evolução diferencial apresentado em [2] para a geração automática de CNNs. Serão também realizados testes com o autoencoder para comparar sua eficiência com a metodologia baseada em CNN. Em seguida, será feita a finalização do texto da tese e posterior defesa. [1] Ramos, E.M. Borges, M.R. Giraldi, G.A. Schulze, B.R. et al. Prediction of permeability of porous media using optimized convolutional neural networks, Computational Geosciences, 2022 [2] Wang, B. et al. A hybrid differential evolution approach to designing deep convolutional neural networks for image classification, In: Australasian Conference on Artificial Intelligence, 2018.Para assistir acesse:meet.google.com/twh-pcjf-ktt
Data Início: 03/08/2023 Hora: 09:00 Data Fim: 03/08/2023 Hora: 12:00
Local: LNCC - Laboratório Nacional de Computação Ciêntifica - Virtual
Aluno: Eliaquim Monteiro Ramos - - LNCC
Orientador: Gilson Antônio Giraldi - 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 Andre Machado Porto - Laboratório Nacional de Computação Científica - LNCC Flávia de Oliveira Lima Falcão - Centro de Pesquisas, Desenvolvimento e Inovação da Petrobras - CENPES Gilson Antônio Giraldi - Laboratório Nacional de Computação Científica - LNCC Helio José Corrêa Barbosa - Laboratório Nacional de Computação Científica - LNCC/MCTI
Suplente Banca Examinadora: Antônio Tadeu Azevedo Gomes - Laboratório Nacional de Computação Científica - LNCC
