Aplicação de modelos deep learning na estimação de vazão de petróleo em poços offshore com sistema de bombeio centrífugo submerso

• Autor(a) principal: Araújo, Josenilson Gomes de
• 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
• topic: Medição de vazão dos fluidos; Medição de fluxo virtual; Bombeio centrífugo submerso; Aprendizagem profunda; Redes neurais LSTM; Indústria 4.0.

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.