[pt] AJUSTE DE HISTÓRICO EM MODELOS DE SIMULAÇÃO DE RESERVATÓRIOS POR ALGORITMOS GENÉTICOS CO-EVOLUTIVOS E GEOESTATÍSTICA DE MÚLTIPLOS PONTOS

• Autor(a) principal: RAFAEL LIMA DE OLIVEIRA
• Data de Publicação: 2018
• Tipo de documento: Tese
• Idioma: por
• Título da fonte: Repositório Institucional da PUC-RIO (Projeto Maxwell)
• Texto Completo: https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=35313&idi=1; https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=35313&idi=2; http://doi.org/10.17771/PUCRio.acad.35313
• topic: [pt] AJUSTE DE HISTORICO; [pt] GEOESTATISTICA DE MULTIPLOS PONTOS; [pt] ALGORITMO GENETICO CO-EVOLUTIVO; [en] HISTORY MATCHING; [en] MULTIPLE-POINT GEOSTATISTICS; [en] COEVOLUTIONARY GENETIC ALGORITHM

[pt] Na área de Exploração e Produção (EeP) de petróleo, uma das tarefas mais importantes é o estudo minucioso das características do reservatório para a criação de modelos de simulação que representem adequadamente as suas características. Durante a vida produtiva de um reservatório, o seu modelo de simulação correspondente precisa ser ajustado periodicamente, pois a disponibilidade de um modelo adequado é fundamental para a obtenção de previsões acertadas acerca da produção, e isto impacta diretamente a tomada de decisões gerenciais. O ajuste das propriedades do modelo se traduz em um problema de otimização complexo, onde a quantidade de variáveis envolvidas cresce com o aumento do número de blocos que compõem a malha do modelo de simulação, exigindo muito esforço por parte do especialista. A disponibilidade de uma ferramenta computacional, que possa auxiliar o especialista em parte deste processo, pode ser de grande utilidade tanto para a obtenção de respostas mais rápidas, quanto para a tomada de decisões mais acertadas. Diante disto, este trabalho combina inteligência computacional através de Algoritmo Genético Co-Evolutivo com Geoestatística de Múltiplos Pontos, propondo e implementando uma arquitetura de otimização aplicada ao ajuste de propriedades de modelos de reservatórios. Esta arquitetura diferencia-se das tradicionais abordagens por ser capaz de otimizar, simultaneamente, mais de uma propriedade do modelo de simulação de reservatório. Utilizou-se também, processamento distribuído para explorar o poder computacional paralelo dos algoritmos genéticos. A arquitetura mostrou-se capaz de gerar modelos que ajustam adequadamente as curvas de produção, preservando a consistência e a continuidade geológica do reservatório obtendo, respectivamente, 98 por cento e 97 por cento de redução no erro de ajuste aos dados históricos e de previsão. Para os mapas de porosidade e de permeabilidade, as reduções nos erros foram de 79 por cento e 84 por cento, respectivamente.