Otimização da taxa de penetração na perfuração de poços de petróleo utilizando sistemas inteligentes

Detalhes bibliográficos
Autor(a) principal: Fonseca, Guilherme Moraes da
Data de Publicação: 2019
Tipo de documento: Trabalho de conclusão de curso
Idioma: por
Título da fonte: Repositório Institucional da Universidade Federal Fluminense (RIUFF)
Texto Completo: https://app.uff.br/riuff/handle/1/12475
Resumo: A Taxa de Penetração (ROP) se refere à velocidade em que a broca de perfuração está perfurando as formações rochosas para construir o poço de petróleo. Grande parte do orçamento de um poço pertence à fase de perfuração, o que torna crucial buscar minimizar o seu tempo. Para isso, é necessário manipular os diversos parâmetros de perfuração para maximizar a ROP. No entanto, é muito desafiador saber o efeito que cada parâmetro individual tem na ROP, visto que os parâmetros dependem um dos outros e, por consequência, a alteração de um parâmetro individual terá impacto sobre os outros. Outra barreira é a incerteza do que está acontecendo em tempo real no fundo do poço. Devido à tamanha complexidade das operações de perfuração, até o presente momento não existe um modelo confiável que possa estimar precisamente a ROP. Entretanto, por causa da constante evolução da tecnologia, o uso de sistemas inteligentes na perfuração está se tornando cada vez mais aplicável, pois se consegue considerar todos os parâmetros na construção de um modelo. O presente trabalho abordará sobre estas tecnologias e suas aplicações na perfuração que buscam torná-la cada vez mais automatizada. Este trabalho tem como objetivo utilizar um modelo computacional de Rede Neural Artificial para fazer a previsão da ROP durante a perfuração. Para este procedimento ser realizado, foi utilizado o software Interactive Petrophysics (IP) com dados de perfuração, registros Logging While Drilling (LWD) e acompanhamento geológico de um poço real do Pré-Sal brasileiro
id UFF-2_ab895bac7c8b78b8da9cf9eb7fff4d06
oai_identifier_str oai:app.uff.br:1/12475
network_acronym_str UFF-2
network_name_str Repositório Institucional da Universidade Federal Fluminense (RIUFF)
repository_id_str 2120
spelling Otimização da taxa de penetração na perfuração de poços de petróleo utilizando sistemas inteligentesTaxa de penetraçãoROPPerfuraçãoParâmetrosSistemas inteligentesRede neural artificialPré-salPerfuração de poçoInteligência artificialRede neural artificialRate of penetrationROPDrillingParametersIntelligent systemsArtificial neural networkPre-saltA Taxa de Penetração (ROP) se refere à velocidade em que a broca de perfuração está perfurando as formações rochosas para construir o poço de petróleo. Grande parte do orçamento de um poço pertence à fase de perfuração, o que torna crucial buscar minimizar o seu tempo. Para isso, é necessário manipular os diversos parâmetros de perfuração para maximizar a ROP. No entanto, é muito desafiador saber o efeito que cada parâmetro individual tem na ROP, visto que os parâmetros dependem um dos outros e, por consequência, a alteração de um parâmetro individual terá impacto sobre os outros. Outra barreira é a incerteza do que está acontecendo em tempo real no fundo do poço. Devido à tamanha complexidade das operações de perfuração, até o presente momento não existe um modelo confiável que possa estimar precisamente a ROP. Entretanto, por causa da constante evolução da tecnologia, o uso de sistemas inteligentes na perfuração está se tornando cada vez mais aplicável, pois se consegue considerar todos os parâmetros na construção de um modelo. O presente trabalho abordará sobre estas tecnologias e suas aplicações na perfuração que buscam torná-la cada vez mais automatizada. Este trabalho tem como objetivo utilizar um modelo computacional de Rede Neural Artificial para fazer a previsão da ROP durante a perfuração. Para este procedimento ser realizado, foi utilizado o software Interactive Petrophysics (IP) com dados de perfuração, registros Logging While Drilling (LWD) e acompanhamento geológico de um poço real do Pré-Sal brasileiroThe Rate of Penetration (ROP) refers to the speed at which the drill bit is drilling the rock formations to build the oil well. Much of a well's budget is in the drilling phase, making it crucial to minimize its time. This requires manipulating the various drilling parameters to maximize ROP. However, it is very challenging to know the effect that each individual parameter has on ROP, as the parameters depend on each other and consequently changing one individual parameter will impact on the others. Another barrier is the uncertainty of what is happening in real time at the bottom hole. Due to the complexity of drilling operations, there is as yet no reliable model that can accurately estimate ROP. However, because of the constant evolution of the technology, the use of intelligent systems in drilling is becoming more and more applicable duo to the possibility to consider all the parameters in the construction of a model. This work will focus on these technologies and their applications in drilling that seek to make it increasingly automated. This work aims to use an Artificial Neural Network computational model to predict ROP during drilling. For this procedure to be performed, the Interactive Petrophysics (IP) software was used with drilling data, Logging While Drilling (LWD) records and geological monitoring of a real well of the Brazilian Pre-SaltVallejos Carrasco, Alfredo MoisésPernambuco, Tarcísio Arantes de MoraesQueiroz Neto, João Crisósthomo deFonseca, Guilherme Moraes da2019-12-11T12:56:39Z2019-12-11T12:56:39Z2019info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/bachelorThesisapplication/pdfFONSECA, Guilherme Moraes da. Otimização da taxa de penetração na perfuração de poços de petróleo utilizando sistemas inteligentes. 2019. 69 f. Trabalho de Conclusão de Curso (Graduação em Engenharia de Petróleo) - Universidade Federal Fluminense, Niterói, 2019.https://app.uff.br/riuff/handle/1/12475CC-BY-SAinfo:eu-repo/semantics/openAccessporreponame:Repositório Institucional da Universidade Federal Fluminense (RIUFF)instname:Universidade Federal Fluminense (UFF)instacron:UFF2022-05-18T17:09:59Zoai:app.uff.br:1/12475Repositório InstitucionalPUBhttps://app.uff.br/oai/requestriuff@id.uff.bropendoar:21202022-05-18T17:09:59Repositório Institucional da Universidade Federal Fluminense (RIUFF) - Universidade Federal Fluminense (UFF)false
dc.title.none.fl_str_mv Otimização da taxa de penetração na perfuração de poços de petróleo utilizando sistemas inteligentes
title Otimização da taxa de penetração na perfuração de poços de petróleo utilizando sistemas inteligentes
spellingShingle Otimização da taxa de penetração na perfuração de poços de petróleo utilizando sistemas inteligentes
Fonseca, Guilherme Moraes da
Taxa de penetração
ROP
Perfuração
Parâmetros
Sistemas inteligentes
Rede neural artificial
Pré-sal
Perfuração de poço
Inteligência artificial
Rede neural artificial
Rate of penetration
ROP
Drilling
Parameters
Intelligent systems
Artificial neural network
Pre-salt
title_short Otimização da taxa de penetração na perfuração de poços de petróleo utilizando sistemas inteligentes
title_full Otimização da taxa de penetração na perfuração de poços de petróleo utilizando sistemas inteligentes
title_fullStr Otimização da taxa de penetração na perfuração de poços de petróleo utilizando sistemas inteligentes
title_full_unstemmed Otimização da taxa de penetração na perfuração de poços de petróleo utilizando sistemas inteligentes
title_sort Otimização da taxa de penetração na perfuração de poços de petróleo utilizando sistemas inteligentes
author Fonseca, Guilherme Moraes da
author_facet Fonseca, Guilherme Moraes da
author_role author
dc.contributor.none.fl_str_mv Vallejos Carrasco, Alfredo Moisés
Pernambuco, Tarcísio Arantes de Moraes
Queiroz Neto, João Crisósthomo de
dc.contributor.author.fl_str_mv Fonseca, Guilherme Moraes da
dc.subject.por.fl_str_mv Taxa de penetração
ROP
Perfuração
Parâmetros
Sistemas inteligentes
Rede neural artificial
Pré-sal
Perfuração de poço
Inteligência artificial
Rede neural artificial
Rate of penetration
ROP
Drilling
Parameters
Intelligent systems
Artificial neural network
Pre-salt
topic Taxa de penetração
ROP
Perfuração
Parâmetros
Sistemas inteligentes
Rede neural artificial
Pré-sal
Perfuração de poço
Inteligência artificial
Rede neural artificial
Rate of penetration
ROP
Drilling
Parameters
Intelligent systems
Artificial neural network
Pre-salt
description A Taxa de Penetração (ROP) se refere à velocidade em que a broca de perfuração está perfurando as formações rochosas para construir o poço de petróleo. Grande parte do orçamento de um poço pertence à fase de perfuração, o que torna crucial buscar minimizar o seu tempo. Para isso, é necessário manipular os diversos parâmetros de perfuração para maximizar a ROP. No entanto, é muito desafiador saber o efeito que cada parâmetro individual tem na ROP, visto que os parâmetros dependem um dos outros e, por consequência, a alteração de um parâmetro individual terá impacto sobre os outros. Outra barreira é a incerteza do que está acontecendo em tempo real no fundo do poço. Devido à tamanha complexidade das operações de perfuração, até o presente momento não existe um modelo confiável que possa estimar precisamente a ROP. Entretanto, por causa da constante evolução da tecnologia, o uso de sistemas inteligentes na perfuração está se tornando cada vez mais aplicável, pois se consegue considerar todos os parâmetros na construção de um modelo. O presente trabalho abordará sobre estas tecnologias e suas aplicações na perfuração que buscam torná-la cada vez mais automatizada. Este trabalho tem como objetivo utilizar um modelo computacional de Rede Neural Artificial para fazer a previsão da ROP durante a perfuração. Para este procedimento ser realizado, foi utilizado o software Interactive Petrophysics (IP) com dados de perfuração, registros Logging While Drilling (LWD) e acompanhamento geológico de um poço real do Pré-Sal brasileiro
publishDate 2019
dc.date.none.fl_str_mv 2019-12-11T12:56:39Z
2019-12-11T12:56:39Z
2019
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/bachelorThesis
format bachelorThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv FONSECA, Guilherme Moraes da. Otimização da taxa de penetração na perfuração de poços de petróleo utilizando sistemas inteligentes. 2019. 69 f. Trabalho de Conclusão de Curso (Graduação em Engenharia de Petróleo) - Universidade Federal Fluminense, Niterói, 2019.
https://app.uff.br/riuff/handle/1/12475
identifier_str_mv FONSECA, Guilherme Moraes da. Otimização da taxa de penetração na perfuração de poços de petróleo utilizando sistemas inteligentes. 2019. 69 f. Trabalho de Conclusão de Curso (Graduação em Engenharia de Petróleo) - Universidade Federal Fluminense, Niterói, 2019.
url https://app.uff.br/riuff/handle/1/12475
dc.language.iso.fl_str_mv por
language por
dc.rights.driver.fl_str_mv CC-BY-SA
info:eu-repo/semantics/openAccess
rights_invalid_str_mv CC-BY-SA
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
dc.source.none.fl_str_mv reponame:Repositório Institucional da Universidade Federal Fluminense (RIUFF)
instname:Universidade Federal Fluminense (UFF)
instacron:UFF
instname_str Universidade Federal Fluminense (UFF)
instacron_str UFF
institution UFF
reponame_str Repositório Institucional da Universidade Federal Fluminense (RIUFF)
collection Repositório Institucional da Universidade Federal Fluminense (RIUFF)
repository.name.fl_str_mv Repositório Institucional da Universidade Federal Fluminense (RIUFF) - Universidade Federal Fluminense (UFF)
repository.mail.fl_str_mv riuff@id.uff.br
_version_ 1802135440434659328