Detalhes bibliográficos
Ano de defesa: |
2023 |
Autor(a) principal: |
Czarnobay, Vinícius |
Orientador(a): |
Não Informado pela instituição |
Banca de defesa: |
Não Informado pela instituição |
Tipo de documento: |
Dissertação
|
Tipo de acesso: |
Acesso aberto |
Idioma: |
por |
Instituição de defesa: |
Não Informado pela instituição
|
Programa de Pós-Graduação: |
Não Informado pela instituição
|
Departamento: |
Não Informado pela instituição
|
País: |
Não Informado pela instituição
|
Palavras-chave em Português: |
|
Link de acesso: |
https://repositorio.udesc.br/handle/UDESC/17969
|
Resumo: |
Modelos de rede neural artificial (ANN) são aqui propostos para estimar novas curvas de per meabilidade relativa (k,) água-óleo, dadas as curvas iniciais, salinidade inicial e uma salinidade projetada de interesse para a água de injeção. Busca-se assim a obtenção de uma ferramenta prática para triagem de reservatórios de petróleo candidatos à injeção de água projetada/calibrada (EWI). Em uma primeira etapa, uma correlação semiempirica para rochas carbonáticas foi utilizada na criação do banco de dados de treinamento. A ANN consistiu em uma estrutura multicamadas, do tipo feedforward e com retropropagação. As suas entradas foram os pontos k, normalizados da curva inicial, seus pontos terminais e as salinidades (inicial e projetada) normalizadas; e, como saída, os pontos k, normalizados e pontos terminais da nova curva. A influência da dispersão dos dados foi analisada em modelos com inserção de ruído. Para a etapa final, um levantamento de curvas k, de ensaios reais reportados na literatura foi realizado para produzir o banco de dados, para rochas areníticas e carbonáticas. Uma análise exploratória sobre os dados foi realizada antes de sua aplicação. A rede foi então refinada por meio da otimização de hiperparâmetros (utilizando busca em grade e validação cruzada) para cada modelo. Como resultados, os modelos da etapa inicial foram capazes de reproduzir a correlação de origem de forma consistente, com erro quadrático médio (MSE) na ordem de 10-6. No modelo treinado sob ruído, o erro obtido foi menor que o erro analítico esperado pela distribuição da dispersão aleatória. Sobre os ensaios levantados da literatura, a análise exploratória permitiu caracterizar o banco de dados e confirmar efeitos da salinidade nos casos já reportados, como a redução na saturação de óleo residual. O cálculo de um índice de molhabilidade confirmou a tendência de alteração para uma condição mais molhável à água ou intermediária. Nos modelos finais, treinados com os dados reais, a estratégia adotada mostrou-se eficiente, levando a um MSE de treino final na ordem de 103, com melhor desempenho em redes de duas camadas ocultas. Os modelos treinados foram aplicados em um programa de interface de usuário, capaz de generalizar a novos casos os efeitos nas curvas k, aprendidos. Melhorias são recomendadas, como a separação de redes para os pontos terminais e a adição de mais atributos à rede. Ademais, o uso de ANN mostrou-se como ferramenta útil na predição de curvas k, em função da salinidade; o estudo é pioneiro em criar e utilizar uma base de dados com as informações reais já disponíveis, gerando modelos representativos dos efeitos observados na prática. Os treinamentos podem ser atualizados continuamente a novos dados e a metodologia apresentada pode ser replicada a outras propriedades, ou mesmo a outros problemas de regressão multivariada |