Dados da Submissão

Título

Impulsionando a eficiência das atividades operacionais de perfuração de poços exploratórios de hidrocarbonetos com uso de inteligência artificial

Texto do resumo

Mecanismos de Inteligência Artificial (IA) na indústria de óleo e gás tem sido utilizados por técnicos e gestores para extrair resultados de forma mais proveitosa dos seus conhecimentos a partir de ferramentas computacionais desenvolvidas. A aplicação de tais ferramentas pode melhorar a capacidade coletiva e influenciar as tomadas de decisão, conferindo maior assertividade, precisão e segurança nas atividades operacionais.
Neste contexto, o Machine Learning (ML), parte integrante da IA, é o campo de estudo que fornece aos computadores a capacidade de aprender determinada tarefa a partir de treinamento, classificação de dados e sua posterior aplicação, sem a necessidade de uma programação explícita.
Como parte das atribuições do processo exploratório, compreender as características físico-químicas dos fluidos de reservatório é fundamental para o desenvolvimento dos projetos e esta tarefa envolve a aquisição, processamento e interpretação de uma grande quantidade de dados.
A primeira fase deste trabalho está relacionada às rotinas de pré-processamento, denominado CQ (controle de qualidade), que avaliou, validou e organizou todos os dados coletados e considerados importantes para o trabalho, foram selecionados 104 poços para compor a base de dados.
Na segunda fase, foi incluído um processo de retroanálise explorando estatisticamente estes dados a partir da “Análise por Similaridade” entre as assinaturas cromatográficas das anomalias de Gás Avançado (GAV) e as amostras PVT’s mais próximas. Esta etapa possibilitou mensurar a aderência entre estas duas fontes de informação distintas na base de dados histórica. Os dados de análise PVT são aqueles considerados mais representativos do fluido de reservatório.
Na terceira fase do projeto, foi desenvolvido um raciocínio inverso. Após obter os resultados da análise por similaridade da fase anterior, foram utilizados alguns algoritmos de Machine Learning para reconhecer os padrões de todas as curvas disponíveis no mesmo intervalo das anomalias de gás. Os dados utilizados nessa fase foram: parâmetros de perfuração, gás convencional, gás avançado, análises químicas dos fluidos de perfuração (boletim do químico), dados de broca, entre outros. Ou seja, procurou-se demonstrar quais eram os padrões de curvas nos intervalos onde se teve alta ou baixa similaridade entre as assinaturas cromatográficas do Gás e da PVT.
Com isso, foi possível criar uma curva contínua denominada “Curva de aderência do gás”. Essa curva probabilística representa o quanto a assinatura de gás avançado, que está sendo adquirida no momento da perfuração, é aderente às amostras de PVT’s. Cabe destacar que estas amostras PVT’s serão coletadas apenas na perfilagem, alguns dias após a perfuração.
O processo de avaliação de gases durante a perfuração é extremamente importante nos projetos exploratórios, pois é a primeira informação disponível sobre os fluidos presentes no reservatório. Desta maneira, metodologias que possibilitam quantificar incertezas são fundamentais em toda a linha de serviços das Operações Geológicas, pois permitem avaliações e interpretações mais precisas e seguras para suportar as tomadas de decisões.

Palavras Chave

Operações Geológicas; Análise de Gases; Sistemas petrolíferos; Inteligência Artificial; Machine Learning