Novos Métodos de Parametrização Aplicados à Assimilação de Dados para Reservatórios Carbonáticos

• Processo: 25/05377-2
• Modalidade de apoio: Bolsas no Brasil - Doutorado
• Data de Início da vigência: 01 de agosto de 2025
• Data de Término da vigência: 31 de julho de 2029
• Área de conhecimento: Engenharias - Engenharia Mecânica - Fenômenos de Transportes
• Pesquisador responsável: Marcio Augusto Sampaio Pinto
• Beneficiário: Jahanzeb Tariq
• Instituição Sede: Escola Politécnica (EP). Universidade de São Paulo (USP). São Paulo , 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): Assimilação de dados Parametrização
• Palavra(s)-Chave do Pesquisador: assimilação de dados | parametrização | reservatórios carbonáticos | engenharia de petróleo / engenharia de reservatórios

Resumo

Atualmente, métodos baseados em conjuntos (ensemble) tornaram-se a técnica mais avançada para realizar o ajuste de histórico em reservatórios de grande escala (Lorentzen et al., 2020). Entre as diferentes formulações baseadas em conjuntos, os métodos do tipo "ensemble smoother" tornaram-se a principal abordagem na literatura petrolífera, principalmente devido à sua facilidade de aplicação em comparação com outras técnicas (por exemplo, o "Ensemble Kalman Filter" sequencial). Um dos principais métodos "smoother" é o Ensemble Smoother with Multiple Data Assimilations - ESMDA (Emerick e Reynolds, 2013). Uma das principais limitações desse tipo de método ocorre devido à suposição gaussiana em sua formulação, tornando sua aplicação inviável quando os parâmetros incertos não seguem um comportamento gaussiano. Em relação aos muitos parâmetros não gaussianos encontrados em reservatórios de petróleo (por exemplo, variáveis categóricas), a principal técnica que possibilita a assimilação com métodos baseados em conjuntos é a classe de métodos chamada parametrização, que mapeia o campo de parâmetros original N^m para um domínio gaussiano N^z: N^m¿N^z. Apesar dos diversos métodos de parametrização disponíveis na literatura, a aplicação de Generative Adversarial Networks (GANs) tem ganhado atenção na comunidade de reservatórios (Canchumuni et al., 2021; Bao et al., 2022) como uma solução potencial para o problema de parametrização. No entanto, sua aplicação em reservatórios mais realistas/complexos ainda está em estágio inicial. Nesse contexto, este projeto visa preencher essa lacuna desenvolvendo um fluxo de trabalho robusto que incorpore técnicas atuais de ajuste histórico baseado em conjuntos. O objetivo desta proposta é criar uma nova metodologia utilizando técnicas de parametrização para reservatórios carbonáticos de grande escala. Uma aplicação promissora é o uso de técnicas avançadas de aumento de dados (data augmentation) especificamente projetadas para GANs (Karras et al., 2020; Zhao et al., 2020; Tran et al., 2021). Um dos principais desafios no uso de GANs para reservatórios de grande escala é o tamanho significativo do conjunto de dados necessário para treinar estruturas de rede maiores. Ao implementar técnicas eficazes de aumento de dados adaptadas a problemas de reservatórios, podemos superar essa limitação e tornar a aplicação de GANs 3D mais viável. Dessa forma, esta pesquisa avaliará a eficácia dessas técnicas inovadoras e desenvolverá um conjunto de algoritmos robustos como parte dos resultados. Além disso, este projeto também apresenta oportunidades para o desenvolvimento de técnicas adicionais de parametrização. Como parte do plano de pesquisa, aplicaremos essas metodologias e avaliaremos seu desempenho utilizando o modelo de referência UNISIM-III (Correia et al., 2020), que é um modelo de reservatório carbonático de grande escala contendo tendências cársticas. (AU)