Aplicação de modelos deep learning na estimação de vazão de petróleo em poços offshore com sistema de bombeio centrífugo submerso
Autor(a) principal: | |
---|---|
Data de Publicação: | 2022 |
Tipo de documento: | Dissertação |
Idioma: | por |
Título da fonte: | Repositório Institucional da UFRN |
Texto Completo: | https://repositorio.ufrn.br/handle/123456789/47590 |
Resumo: | A medição de vazão de fluidos é uma atividade fundamental para a indústria de óleo e gás. A correta mensuração dos volumes produzidos proporciona uma boa gestão dos reservatórios, reduzindo as perdas de produção, orientando os planos de otimização do sistema de produção e dos métodos de levantamento e escoamento da produção. A utilização de técnicas de estimativa de fluxo em tempo real por meio de Medição de Fluxo Virtual (Virtual Flow Metering ou VFM na sigla em inglês) tem se mostrado um campo promissor devido à precisão dos resultados fornecidos e ao seu baixo custo de implementação. Os modelos deep learning têm sido aplicados com sucesso na indústria de petróleo e gás. Considerando os avanços tecnológicos e a grande importância da medição de fluidos para a indústria do petróleo, o estudo visa desenvolver um modelo para estimar a vazão de fluidos aplicando uma abordagem combinada com modelos Long short-term memory (LSTM) e modelagem hidrodinâmica. Os dados utilizados frequência, potência e pressão foram coletados em dois poços offshore equipados com bombeio centrífugo submerso (BCS), localizados na região Nordeste do Brasil. Os resultados obtidos com a abordagem combinada tornam o modelo mais robusto, preenchendo lacunas do modelo hidrodinâmico isolado; podem ser úteis para estimar com maior precisão o comportamento da vazão em tempo real em regimes permanentes e transientes e estimar a vazão para uma sequência de instantes de tempo futuros, apoiando uma melhor gestão da produção. Por fim, os resultados obtidos com os modelos LSTM podem ser integrados com outras tecnologias da Indústria 4.0 e contribuir para a transformação digital da indústria de óleo e gás. |
id |
UFRN_a4ca15db535a21f2084e9afe84d22a01 |
---|---|
oai_identifier_str |
oai:https://repositorio.ufrn.br:123456789/47590 |
network_acronym_str |
UFRN |
network_name_str |
Repositório Institucional da UFRN |
repository_id_str |
|
spelling |
Araújo, Josenilson Gomes dehttp://lattes.cnpq.br/3373459185660853https://orcid.org/0000-0002-3893-6010http://lattes.cnpq.br/2441911467149645Doria Neto, Adrião Duartehttps://orcid.org/0000-0002-5445-7327http://lattes.cnpq.br/1987295209521433Escovedo, TatianaLima, Fábio Soares deMaitelli, Carla Wilza Souza de Paula2022-06-07T22:44:53Z2022-06-07T22:44:53Z2022-02-24ARAÚJO, Josenilson Gomes de. Aplicação de modelos deep learning na estimação de vazão de petróleo em poços offshore com sistema de bombeio centrífugo submerso. 2022. 87f. Dissertação (Mestrado em Ciência e Engenharia de Petróleo) - Centro de Ciências Exatas e da Terra, Universidade Federal do Rio Grande do Norte, Natal, 2022.https://repositorio.ufrn.br/handle/123456789/47590A medição de vazão de fluidos é uma atividade fundamental para a indústria de óleo e gás. A correta mensuração dos volumes produzidos proporciona uma boa gestão dos reservatórios, reduzindo as perdas de produção, orientando os planos de otimização do sistema de produção e dos métodos de levantamento e escoamento da produção. A utilização de técnicas de estimativa de fluxo em tempo real por meio de Medição de Fluxo Virtual (Virtual Flow Metering ou VFM na sigla em inglês) tem se mostrado um campo promissor devido à precisão dos resultados fornecidos e ao seu baixo custo de implementação. Os modelos deep learning têm sido aplicados com sucesso na indústria de petróleo e gás. Considerando os avanços tecnológicos e a grande importância da medição de fluidos para a indústria do petróleo, o estudo visa desenvolver um modelo para estimar a vazão de fluidos aplicando uma abordagem combinada com modelos Long short-term memory (LSTM) e modelagem hidrodinâmica. Os dados utilizados frequência, potência e pressão foram coletados em dois poços offshore equipados com bombeio centrífugo submerso (BCS), localizados na região Nordeste do Brasil. Os resultados obtidos com a abordagem combinada tornam o modelo mais robusto, preenchendo lacunas do modelo hidrodinâmico isolado; podem ser úteis para estimar com maior precisão o comportamento da vazão em tempo real em regimes permanentes e transientes e estimar a vazão para uma sequência de instantes de tempo futuros, apoiando uma melhor gestão da produção. Por fim, os resultados obtidos com os modelos LSTM podem ser integrados com outras tecnologias da Indústria 4.0 e contribuir para a transformação digital da indústria de óleo e gás.The fluid flow measurement is a fundamental activity for the oil and gas industry. The correct produced volumes mensuration provides a good reservoirs management, reducing production losses, guiding plans of the production system optimization and production flow methods. The use of flow estimation techniques in real time using Virtual Flow Metering (VFM) has shown to be a promising field due to the provided results precision and their low-cost implementation. Deep learning models have been applied successful in the oil and gas industry. Combining technological advances and the great importance of fluid measurement, the study aims to develop a model for the flowrate of liquid applying an approach combined of Long Short-Term Memory (LSTM) models and hydrodynamical modelling. The data used were power, frequency, pressure and were collected from two offshore wells with electric submersible pumps (ESP) in Northeast region of Brazil. The LSTM results compare favorably with the results of hydrodynamical modeling and increases its powerful, they can be useful joint to accurately estimate the flowrate behavior in real time in transient and steady states and to forecast the flowrate for a sequence of future time instants, supporting better production management. It is expected that the results obtained with the LSTM neural networks can be integrated with other technologies of Industry 4.0 and contribute to the digital transformation of the oil and gas industry.Universidade Federal do Rio Grande do NortePROGRAMA DE PÓS-GRADUAÇÃO EM CIÊNCIA E ENGENHARIA DE PETRÓLEOUFRNBrasilMedição de vazão dos fluidosMedição de fluxo virtualBombeio centrífugo submersoAprendizagem profundaRedes neurais LSTMIndústria 4.0.Aplicação de modelos deep learning na estimação de vazão de petróleo em poços offshore com sistema de bombeio centrífugo submersoinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisinfo:eu-repo/semantics/openAccessporreponame:Repositório Institucional da UFRNinstname:Universidade Federal do Rio Grande do Norte (UFRN)instacron:UFRNORIGINALAplicacaomodelosdeep_Araujo_2022.pdfapplication/pdf2406847https://repositorio.ufrn.br/bitstream/123456789/47590/1/Aplicacaomodelosdeep_Araujo_2022.pdfc0ef2031ee8dd8d3a7d03ba9417ac942MD51123456789/475902022-06-07 19:45:36.934oai:https://repositorio.ufrn.br:123456789/47590Repositório de PublicaçõesPUBhttp://repositorio.ufrn.br/oai/opendoar:2022-06-07T22:45:36Repositório Institucional da UFRN - Universidade Federal do Rio Grande do Norte (UFRN)false |
dc.title.pt_BR.fl_str_mv |
Aplicação de modelos deep learning na estimação de vazão de petróleo em poços offshore com sistema de bombeio centrífugo submerso |
title |
Aplicação de modelos deep learning na estimação de vazão de petróleo em poços offshore com sistema de bombeio centrífugo submerso |
spellingShingle |
Aplicação de modelos deep learning na estimação de vazão de petróleo em poços offshore com sistema de bombeio centrífugo submerso Araújo, Josenilson Gomes de Medição de vazão dos fluidos Medição de fluxo virtual Bombeio centrífugo submerso Aprendizagem profunda Redes neurais LSTM Indústria 4.0. |
title_short |
Aplicação de modelos deep learning na estimação de vazão de petróleo em poços offshore com sistema de bombeio centrífugo submerso |
title_full |
Aplicação de modelos deep learning na estimação de vazão de petróleo em poços offshore com sistema de bombeio centrífugo submerso |
title_fullStr |
Aplicação de modelos deep learning na estimação de vazão de petróleo em poços offshore com sistema de bombeio centrífugo submerso |
title_full_unstemmed |
Aplicação de modelos deep learning na estimação de vazão de petróleo em poços offshore com sistema de bombeio centrífugo submerso |
title_sort |
Aplicação de modelos deep learning na estimação de vazão de petróleo em poços offshore com sistema de bombeio centrífugo submerso |
author |
Araújo, Josenilson Gomes de |
author_facet |
Araújo, Josenilson Gomes de |
author_role |
author |
dc.contributor.authorLattes.pt_BR.fl_str_mv |
http://lattes.cnpq.br/3373459185660853 |
dc.contributor.advisorID.pt_BR.fl_str_mv |
https://orcid.org/0000-0002-3893-6010 |
dc.contributor.advisorLattes.pt_BR.fl_str_mv |
http://lattes.cnpq.br/2441911467149645 |
dc.contributor.referees1.none.fl_str_mv |
Doria Neto, Adrião Duarte |
dc.contributor.referees1ID.pt_BR.fl_str_mv |
https://orcid.org/0000-0002-5445-7327 |
dc.contributor.referees1Lattes.pt_BR.fl_str_mv |
http://lattes.cnpq.br/1987295209521433 |
dc.contributor.referees2.none.fl_str_mv |
Escovedo, Tatiana |
dc.contributor.referees3.none.fl_str_mv |
Lima, Fábio Soares de |
dc.contributor.author.fl_str_mv |
Araújo, Josenilson Gomes de |
dc.contributor.advisor1.fl_str_mv |
Maitelli, Carla Wilza Souza de Paula |
contributor_str_mv |
Maitelli, Carla Wilza Souza de Paula |
dc.subject.por.fl_str_mv |
Medição de vazão dos fluidos Medição de fluxo virtual Bombeio centrífugo submerso Aprendizagem profunda Redes neurais LSTM Indústria 4.0. |
topic |
Medição de vazão dos fluidos Medição de fluxo virtual Bombeio centrífugo submerso Aprendizagem profunda Redes neurais LSTM Indústria 4.0. |
description |
A medição de vazão de fluidos é uma atividade fundamental para a indústria de óleo e gás. A correta mensuração dos volumes produzidos proporciona uma boa gestão dos reservatórios, reduzindo as perdas de produção, orientando os planos de otimização do sistema de produção e dos métodos de levantamento e escoamento da produção. A utilização de técnicas de estimativa de fluxo em tempo real por meio de Medição de Fluxo Virtual (Virtual Flow Metering ou VFM na sigla em inglês) tem se mostrado um campo promissor devido à precisão dos resultados fornecidos e ao seu baixo custo de implementação. Os modelos deep learning têm sido aplicados com sucesso na indústria de petróleo e gás. Considerando os avanços tecnológicos e a grande importância da medição de fluidos para a indústria do petróleo, o estudo visa desenvolver um modelo para estimar a vazão de fluidos aplicando uma abordagem combinada com modelos Long short-term memory (LSTM) e modelagem hidrodinâmica. Os dados utilizados frequência, potência e pressão foram coletados em dois poços offshore equipados com bombeio centrífugo submerso (BCS), localizados na região Nordeste do Brasil. Os resultados obtidos com a abordagem combinada tornam o modelo mais robusto, preenchendo lacunas do modelo hidrodinâmico isolado; podem ser úteis para estimar com maior precisão o comportamento da vazão em tempo real em regimes permanentes e transientes e estimar a vazão para uma sequência de instantes de tempo futuros, apoiando uma melhor gestão da produção. Por fim, os resultados obtidos com os modelos LSTM podem ser integrados com outras tecnologias da Indústria 4.0 e contribuir para a transformação digital da indústria de óleo e gás. |
publishDate |
2022 |
dc.date.accessioned.fl_str_mv |
2022-06-07T22:44:53Z |
dc.date.available.fl_str_mv |
2022-06-07T22:44:53Z |
dc.date.issued.fl_str_mv |
2022-02-24 |
dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/masterThesis |
format |
masterThesis |
status_str |
publishedVersion |
dc.identifier.citation.fl_str_mv |
ARAÚJO, Josenilson Gomes de. Aplicação de modelos deep learning na estimação de vazão de petróleo em poços offshore com sistema de bombeio centrífugo submerso. 2022. 87f. Dissertação (Mestrado em Ciência e Engenharia de Petróleo) - Centro de Ciências Exatas e da Terra, Universidade Federal do Rio Grande do Norte, Natal, 2022. |
dc.identifier.uri.fl_str_mv |
https://repositorio.ufrn.br/handle/123456789/47590 |
identifier_str_mv |
ARAÚJO, Josenilson Gomes de. Aplicação de modelos deep learning na estimação de vazão de petróleo em poços offshore com sistema de bombeio centrífugo submerso. 2022. 87f. Dissertação (Mestrado em Ciência e Engenharia de Petróleo) - Centro de Ciências Exatas e da Terra, Universidade Federal do Rio Grande do Norte, Natal, 2022. |
url |
https://repositorio.ufrn.br/handle/123456789/47590 |
dc.language.iso.fl_str_mv |
por |
language |
por |
dc.rights.driver.fl_str_mv |
info:eu-repo/semantics/openAccess |
eu_rights_str_mv |
openAccess |
dc.publisher.none.fl_str_mv |
Universidade Federal do Rio Grande do Norte |
dc.publisher.program.fl_str_mv |
PROGRAMA DE PÓS-GRADUAÇÃO EM CIÊNCIA E ENGENHARIA DE PETRÓLEO |
dc.publisher.initials.fl_str_mv |
UFRN |
dc.publisher.country.fl_str_mv |
Brasil |
publisher.none.fl_str_mv |
Universidade Federal do Rio Grande do Norte |
dc.source.none.fl_str_mv |
reponame:Repositório Institucional da UFRN instname:Universidade Federal do Rio Grande do Norte (UFRN) instacron:UFRN |
instname_str |
Universidade Federal do Rio Grande do Norte (UFRN) |
instacron_str |
UFRN |
institution |
UFRN |
reponame_str |
Repositório Institucional da UFRN |
collection |
Repositório Institucional da UFRN |
bitstream.url.fl_str_mv |
https://repositorio.ufrn.br/bitstream/123456789/47590/1/Aplicacaomodelosdeep_Araujo_2022.pdf |
bitstream.checksum.fl_str_mv |
c0ef2031ee8dd8d3a7d03ba9417ac942 |
bitstream.checksumAlgorithm.fl_str_mv |
MD5 |
repository.name.fl_str_mv |
Repositório Institucional da UFRN - Universidade Federal do Rio Grande do Norte (UFRN) |
repository.mail.fl_str_mv |
|
_version_ |
1802117778299158528 |