PPGEC PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA CIVIL - CTG DEPARTAMENTO DE ENGENHARIA CIVIL E AMBIENTAL - CTG Téléphone/Extension: (81)9996-5225

Banca de QUALIFICAÇÃO: ALEXANDRE DE SOUZA JUNIOR

Uma banca de QUALIFICAÇÃO de DOUTORADO foi cadastrada pelo programa.
DISCENTE: ALEXANDRE DE SOUZA JUNIOR
DATA : 20/01/2025
LOCAL: Pós-Graduação Engenharia Civil
TÍTULO:

Implementação de Proxy e Plataforma Web para Simulação de Reservatórios de Petróleo Orientado a Técnicas de Aprendizado Profundo de Máquina para Previsão de Séries Temporais


PALAVRAS-CHAVES:
Engenharia de Reservatórios, Aprendizado Profundo, Proxy, Séries Temporais, Redes Neurais.

PÁGINAS: 112
RESUMO:
O gerenciamento de reservatórios de petróleo exige inúmeras simulações de alto custo computacional para subsidiar o processo de tomada de decisão. Este trabalho tem como objetivo desenvolver proxies rápidos baseados em aprendizado de máquina utilizando dados históricos de produção para substituir o simulador de reservatórios. O proxy deve prever com precisão as respostas do reservatório, analisando séries temporais de taxas de fluidos ou pressões de fundo de poço (BHP), definidas em função dos controles informados dos poços injetores e produtores. É importante destacar que este não é um problema convencional de previsão do futuro de séries temporais com base em tendências passadas, mas sim a previsão de séries temporais de respostas do reservatório em função de novos controles informados. A estratégia proposta utiliza redes neurais para aprender a dinâmica do reservatório exclusivamente a partir de amostras de dados históricos de produção. Arquiteturas multi-head baseadas em Redes Neurais Recorrentes (RNN), Redes Neurais Convolucionais (CNN) e suas configurações híbridas foram consideradas. Arquiteturas paralelas, envolvendo RNNs separadas, também foram testadas, utilizando redes com sub-redes concatenadas de Long Short-Term Memory (LSTM) e CNN. Oito diferentes arquiteturas foram avaliadas em dois modelos de reservatórios com diferentes tamanhos e níveis de complexidade heterogênea. Diversos conjuntos de amostras de treinamento foram gerados para avaliar seu impacto na precisão e na acurácia dos resultados. Para o exemplo menor, a arquitetura CNN apresentou os resultados mais precisos, com um menor número de parâmetros treináveis. Já para o reservatório maior e mais complexo, a arquitetura Parallel CNN-LSTM foi geralmente a mais bem-sucedida. Em todos os casos, as técnicas propostas demonstraram ser muito promissoras, com erro quadrático médio (RMSE) na ordem de 2,25%. Os modelos mais promissores foram disponibilizados no Proxy Software, uma ferramenta web, que pode ser hospesdada na nuvem, oferecendo análises rápidas e precisas para o gerenciamento de reservatórios de petróleo.

MEMBROS DA BANCA:
Interno - 2749584 - IGOR FERNANDES GOMES
Interno - 1031248 - JORDLLY REYDSON DE BARROS SILVA
Presidente - 1413233 - LEONARDO JOSE DO NASCIMENTO GUIMARAES
Notícia cadastrada em: 26/12/2024 12:48
SIGAA | Superintendência de Tecnologia da Informação (STI-UFPE) - (81) 2126-7777 | Copyright © 2006-2025 - UFRN - sigaa05.ufpe.br.sigaa05