Incorporação de dados baseados em física (modelo de aprendizagem de máquina híbrida)

• Processo: 24/10606-8
• Modalidade de apoio: Bolsas no Brasil - Pós-Doutorado
• Data de Início da vigência: 01 de setembro de 2024
• Data de Término da vigência: 31 de agosto de 2026
• Área de conhecimento: Ciências Exatas e da Terra - Ciência da Computação - Metodologia e Técnicas da Computação
• Acordo de Cooperação: Equinor (antiga Statoil)
• Pesquisador responsável: Anderson de Rezende Rocha
• Beneficiário: Gabriel Cirac Mendes Souza
• Instituição Sede: Instituto de Computação (IC). Universidade Estadual de Campinas (UNICAMP). Campinas , SP, Brasil
• Empresa: Universidade Estadual de Campinas (UNICAMP). Faculdade de Engenharia Mecânica (FEM)
• Vinculado ao auxílio: 17/15736-3 - Centro de Pesquisa em Engenharia em Reservatórios e Gerenciamento de Produção de Petróleo, AP.PCPE
• Assunto(s): Aprendizado computacional
• Palavra(s)-Chave do Pesquisador: Aprendizado de Máquina | Aprendizado de Máquina Baseado em Física | Aprendizado em Profundidade | Modelos Híbridos | Machine Learning / Aprendizado de Máquina

Resumo

O objetivo principal será projetar um modelo híbrido que combine os dados de entrada do sistema injetor e dos poços produtores. As sequências de saída considerarão todas as variáveis nos poços produtores completos. O pesquisador trabalhará considerando o reservatório como um sistema completo. O desenvolvimento de modelos de Aprendizado de Máquina para gerenciamento de reservatórios inclui métodos típicos (base radial, floresta aleatória, regressão, etc.) e Redes Neurais Artificiais. A maior parte dos trabalhos relacionados à previsão de Petróleo e Gás tem se concentrado na previsão da taxa de petróleo, como variável de produção única, e são aplicados a apenas uma classe de reservatório. Na Fase 1 foi construído um modelo de previsão aplicado a diferentes classes de reservatórios.O modelo desenvolvido na Fase 1 é bem fundamentado, está bem focado em um alvo. Utiliza como insumos o registro histórico das taxas de produção (água, petróleo e gás) e a pressão do poço alvo. Recebe as sequências dos dados históricos de cada variável, o tamanho dessas sequências também é variável. O resultado do modelo é uma sequência do próximo intervalo em uma previsão de curto prazo para uma variável de produção. Os melhores resultados foram obtidos para 28 dias no intervalo histórico e 7 dias no intervalo de previsão. O intervalo de testes é de 20% do tempo completo de produção (cerca de um ano de produção), desliza a janela dos intervalos históricos e de previsão para completar o tempo de simulação no reservatório.O trabalho na Fase 2 continua com melhorias no modelo baseado em dados. O trabalho na Fase 2 se concentrará na previsão de longo prazo e considerará os desenvolvimentos das redes neurais baseadas na física. Primeiramente será incluído o sistema de injeção, selecionando como entrada um conjunto de poços injetores. Será discutido um critério de inclusão para seleção dos injetores a serem considerados insumos. Serão explorados processos de ajuste para melhorar a previsão de longo prazo; o modelo será treinado com dados dos diferentes poços do poço alvo, uma vez que o modelo treinado for testado no poço alvo, ele aplicará o processo de treinamento novamente com os dados do poço alvo. A pesquisa também incluirá algumas restrições físicas relacionadas com as condições do reservatório. Na Fase 2, o pesquisador também trabalhará em como otimizar a produção do reservatório e estudará métodos de aprendizagem profunda para encontrar a estratégia de injeção ideal para o reservatório.