Machine Learning, Convolutional Neural Networks, Shuffling, Well connectivity, Reservoir Simulations

Em reservatórios maduros existem centenas ou milhares de poços produtores e injetores operando simultaneamente por isso é importante conhecer o impacto dos poços injetores sobre os produtores para manter a pressão e controlar a produção de água. No caso dos reservatórios, esse mesmo impacto se dá com o intuito de evitar possíveis reativações ou fraturamento de falhas. Neste trabalho, foi proposto um workflow com duas estratégias, reduced-physics e data-driven modeling, para determinar a comunicação entre poços produtores e injetores. Ambas estratégias utilizaram dados do histórico de produção, vazões de injeção (inputs) e vazões de produção líquida (outputs). A estratégia reduced physics modeling foi baseada no modelo de capacitância e resistência baseado nos produtores (CRMP) que calcula a vazão líquida do poço produtor a partir da vazão injeção e das conectividades entre injetores e produtores. As conectividades foram obtidas após minimizar o erro entre a vazão líquida observada e calculada. O algoritmo de otimização utilizado foi o de programação quadrática sucessiva (SQP). A estratégia data-driven modeling está baseada nas redes neurais artificiais (ANNs) que utilizou apenas dados de entrada e saída. Os parâmetros da rede neural, pesos e viéses, foram ajustados durante o processo de treinamento. Três arquiteturas foram estudadas para conectar as entradas e saídas: aprendizado simples - uma camada, aprendizado profundo – múltiplas camadas e as redes convolucionais. O algoritmo backpropation foi utilizado para ajustar os pesos das arquiteturas no processo de treinamento. Propomos três alternativas para o cálculo das conectividades após treinamento. A primeira baseada nos pesos ótimos. A segunda a partir do erro médio após embaralhamento dos dados de entrada e a última baseada na importância do gradiente. Dois modelos sintéticos, Two-phases e Brush Canyon Outcrop, foram utilizados para validar o workflow proposto. Os resultados mostram que as conectividades calculadas pela importância do gradiente se tornaram mais próximo das conectividades obtidas pelo modelo de capacitância e resistência quando ambos são comparados onde o erro da conectividade entre o CRMP e as outras estratégias, Backpropagation, Shuffling and CNN1D, para o injetor I-1 são 25%, 16% e 11%, respectivamente. No caso da conectividade do injetor I-3, o erro de comparar o CRMP versus Backpropagation, Shuffling e CNN1D são de 12%, 12.5% e 6%, respectivamente. Analogamente, analisamos a conectividade do injetor I-5, obtendo os seguintes erros, 11%, 9% e 8.5%, respectivamente. Por fim, podemos concluir que a estratégia CNN1D mostra melhor aproximação no cálculo das conectividades.