Use este identificador para citar ou linkar para este item:
https://repositorio.ufpb.br/jspui/handle/123456789/21393
Tipo: | Tese |
Título: | Aplicação de algoritmos de deep learning como modelos substitutos de simuladores de reservatórios de hidrocarbonetos |
Autor(es): | Magalhães, Rafael Marrocos |
Primeiro Orientador: | Santos, Moisés Dantas dos |
Resumo: | Um grande desafio da engenharia de reservatórios de óleo e gás e na gestão de produ- ção dos mesmos está relacionado à capacidade de realizar processos de otimização devido ao alto custo computacional exigido pelas simulações numéricas. Apesar de já existirem soluções científicas apresentadas, ainda não foi avaliado o uso de Deep Le- arning no escopo de predição em baixa granularidade, a nível de célula por exemplo. Neste trabalho são apresentados o procedimento de análise e seleção de descritores, bem como a definição e treinamento de modelos inteligentes com o uso de técnicas de Deep Learning (DNN e CNN), Planejamento Experimental, e toda a avaliação por métricas estatísticas e visuais como solução para criação de modelos substitutos (proxy models) para os simuladores. São apresentados experimentos e resultados para quatro diferentes cenários típicos da indústria, incluindo poços produtores e injetores, e também com diferentes momentos do processo produtivo (poços verdes, em desen- volvimento e maduros). Os resultados indicam taxas de precisão sempre maiores que 80% e chegando em vários casos a 99,9% de acurácia. |
Abstract: | A significant challenge on Oil and Gas Industry, especially in reservoir engineering and its management context, is related to the capacity of run optimization strategies. It occurs because the current computational time costs are prohibitive and demand too many resources, even for a medium-size simulation. Perhaps the currently scientific solutions, none of them used Deep Learning techniques in low-level granularity for pre-dictions, especially the grid-cell level size approach. This thesis proposes, analyzes, and states a feature selection, a model design, and a training strategy with the applica- tion of Deep Learning techniques (DNN and CNN), the Design of Experiment, and all statistical evaluation-based metrics and its graphic tools. This defined process intends to work as a solution to create a proxy model for reservoir numerical software simula- tion. Four different classical industrial scenarios, including production and injection wells, are conducted in a diversified temporal sampling to generate proxy models. The achieved results are promising, with accuracy always bigger than 80%, and at specific scenario conditions, it reaches even 99,9% as evaluation criteria. |
Palavras-chave: | Deep learning Proxy models Surrogate models Simulação de reservatórios Redes neurais artificiais Reservoir simulator Reservoir Simulator Artificial Neural Networks |
CNPq: | CNPQ::ENGENHARIAS::ENGENHARIA MECANICA |
Idioma: | por |
País: | Brasil |
Editor: | Universidade Federal da Paraíba |
Sigla da Instituição: | UFPB |
Departamento: | Engenharia Mecânica |
Programa: | Programa de Pós-Graduação em Engenharia Mecânica |
Tipo de Acesso: | Acesso aberto |
URI: | http://creativecommons.org/licenses/by-nd/3.0/br/ |
URI: | https://repositorio.ufpb.br/jspui/handle/123456789/21393 |
Data do documento: | 31-Mar-2021 |
Aparece nas coleções: | Centro de Tecnologia (CT) - Programa de Pós-Graduação em Engenharia Mecânica |
Arquivos associados a este item:
Arquivo | Descrição | Tamanho | Formato | |
---|---|---|---|---|
RafaelMarrocosMagalhães_Tese.pdf | 9,55 MB | Adobe PDF | Visualizar/Abrir |
Este item está licenciada sob uma
Licença Creative Commons