Otimizando o Controle de Poços na Indústria de Petróleo

Modelos de computador são uma ferramenta comum usada para estudar sistemas físicos complexos. Mas eles têm limitações significativas. Isso inclui estruturas complicadas, muitos insumos e resultados, e longos tempos de processamento. Por causa disso, cientistas e engenheiros frequentemente precisam de métodos mais rápidos para aproximar os resultados dos modelos. É aí que entram os emuladores Bayesianos. Eles fornecem estimativas estatísticas rápidas do que a saída de um modelo de computador poderia ser, sem a necessidade de executar o modelo toda vez.

Normalmente, os modelos de computador são tratados como "caixas pretas", ou seja, os usuários não têm ideia de como o modelo se comportará antes de rodá-lo. Embora essa abordagem geral permita flexibilidade, pode não proporcionar as previsões mais precisas. Se os usuários têm alguma compreensão de como certas saídas funcionam com diferentes insumos, eles podem desenvolver melhores modelos. Em vez de tratá-lo como uma caixa preta, uma nova abordagem é pensar no modelo de computador como uma "caixa cinza", onde algum conhecimento sobre o comportamento do modelo pode ser integrado em suas previsões.

O foco dessa pesquisa é um desafio específico na indústria de petróleo. Isso envolve otimizar o controle de poços para maximizar os retornos financeiros ao longo da vida de um campo, levando em conta a incerteza nas formações geológicas. Para alcançar isso, um framework de emulação hierárquica é estabelecido para fornecer melhores previsões e suporte à decisão.

#Modelos de Computador e Seus Desafios

Modelos de computador são amplamente usados em diferentes áreas, incluindo ciência, indústria e governo. Eles servem a diversos propósitos, como entender a dinâmica de sistemas, calibrar dados reais e orientar decisões. No entanto, esses modelos muitas vezes têm estruturas complexas e inúmeros insumos e saídas, o que pode ser difícil de gerenciar.

O custo computacional de rodar esses modelos também pode ser bem alto, o que pode limitar estudos e análises. Para lidar com esses problemas, métodos de análise de incerteza bayesiana foram desenvolvidos. Esses métodos oferecem maneiras de realizar inferências sobre sistemas do mundo real com custos potencialmente mais baixos.

Um componente chave dessa metodologia é o emulador bayesiano. Emuladores podem rapidamente aproximar as saídas de modelos de computador para diferentes conjuntos de insumos. Eles são significativamente mais rápidos do que rodar o modelo completo toda vez.

#Modelos de Caixa Cinza e Emulação Hierárquica

Tradicionalmente, a emulação é baseada na ideia de um modelo de caixa preta. Isso significa que a saída é desconhecida até que o modelo seja executado, e os usuários não têm insights sobre como processos individuais funcionam dentro do modelo. Embora essa abordagem tenha seus benefícios, pode restringir a precisão do emulador quando informações anteriores estão disponíveis.

Nesta pesquisa, uma abordagem de "caixa cinza" é adotada, permitindo a incorporação de comportamentos conhecidos do modelo de computador. O objetivo é desenvolver um framework de emulação hierárquica. Esse framework usa conhecimento sobre os comportamentos de certas saídas para criar previsões mais precisas e interpretáveis.

A motivação para essa pesquisa vem de um desafio bem conhecido na indústria de petróleo, que envolve otimizar o controle de poços. O objetivo é maximizar o valor presente líquido esperado (VPL) ao longo da vida de um campo, considerando fatores como taxas de produção e incerteza geológica representada por vários modelos.

#O Desafio da Indústria de Petróleo

Na indústria de petróleo, um grande desafio é desenvolver campos de petróleo com condições geológicas incertas. Por exemplo, o Desafio de Otimização de Controle de Poços TNO OLYMPUS visa incentivar a pesquisa para resolver o problema de otimização sob incerteza. O desafio foca particularmente nos aspectos desconhecidos da geologia que afetam as decisões de controle de poços.

O modelo OLYMPUS é uma versão simplificada de um campo de petróleo real, projetado para incluir várias características geológicas comuns. Esse modelo ajuda os pesquisadores a entender como tomar melhores decisões em relação à extração de petróleo enquanto gerencia incertezas geológicas.

O desafio é dividido em três tarefas principais:

1. Otimização do controle de poços
2. Otimização do desenvolvimento do campo
3. Otimização conjunta da localização e controle de poços

Essa pesquisa se concentra na primeira tarefa: desenvolver uma estratégia para maximizar o VPL esperado, que abrange receita da produção de petróleo e custos relacionados à injeção e produção de água.

#Compreendendo a Emulação Bayesiana

A emulação bayesiana serve como uma maneira de fornecer aproximações rápidas do que um modelo de computador pode gerar para várias condições de entrada. Esses emuladores podem ajudar a realizar tarefas como calibração, quantificação de incerteza e suporte à decisão de maneira computacionalmente eficiente.

Para construir um emulador bayesiano, é necessário um conjunto de parâmetros e as saídas correspondentes do modelo de computador. O emulador então constrói uma função estatística com base nesses dados, permitindo previsões rápidas. Isso resulta em uma redução significativa do tempo computacional em comparação com a execução direta dos modelos.

#Estrutura do Emulador

O emulador consiste em um componente de função global, que modela o comportamento geral das saídas com base nos parâmetros de entrada ativos. Um processo local captura variações menores em torno desse comportamento, influenciadas pelo ruído nos dados.

Seguindo princípios bayesianos, o emulador combina crenças anteriores e dados observados para alcançar melhores previsões. Essa abordagem é útil porque evita a complexidade de especificar distribuições de probabilidade detalhadas, enquanto ainda fornece inferências robustas.

#Emulação Hierárquica para Otimização do VPL

Nesta pesquisa, uma abordagem de emulação hierárquica é desenvolvida, que visa explorar comportamentos conhecidos das saídas do modelo de computador relacionadas ao VPL. O objetivo é capturar como parâmetros de decisão específicos afetam a produção de petróleo e água de maneira estruturada.

As saídas são categorizadas com base nas interações entre diferentes parâmetros. Por exemplo, as taxas de produção de petróleo e as taxas de injeção de água exibem relacionamentos conhecidos com seus parâmetros de controle de entrada. Ao entender essas relações, emuladores mais precisos podem ser construídos.

O trabalho também inclui a estimação de pontos de mudança no comportamento do modelo. Esses pontos de mudança são cruciais para entender quando a saída de um modelo muda de um tipo de comportamento para outro, como de uma inclinação para um platô.

#Subamostragem de Conjuntos de Modelos Múltiplos

Em muitos casos, é necessário avaliar vários modelos para capturar a incerteza nas formações geológicas. No entanto, isso pode ser exigente em termos computacionais. Portanto, métodos precisam ser desenvolvidos para identificar um subconjunto representativo de modelos que melhor captura a média do conjunto.

O processo começa com um design exploratório de simulações usando o conjunto completo de modelos. Gráficos fornecem insights sobre como as saídas de modelos individuais se relacionam com a média do conjunto. A partir dessa análise preliminar, um subconjunto menor de modelos representativos pode ser selecionado para exploração mais aprofundada.

Modelos lineares podem ser aplicados para prever a saída média do conjunto com base nas saídas de modelos individuais. Identificar o subconjunto certo de modelos pode reduzir bastante os custos computacionais enquanto mantém a precisão.

#Emuladores Estruturados para Componentes do VPL

A metodologia de emulação foca em componentes específicos que contribuem para o VPL, como produção de petróleo e injeção de água. Esses componentes muitas vezes seguem comportamentos conhecidos que podem ser modelados para melhores previsões.

Ao reconhecer os diferentes modos de comportamento dessas saídas, um emulador estruturado pode levar em conta as restrições sobre como as taxas de produção podem mudar. Isso torna as previsões mais confiáveis e úteis para a tomada de decisão.

Diferentes regiões de comportamento são identificadas, como a região de inclinação e a região de platô. Cada parte do comportamento requer técnicas de modelagem diferentes, permitindo que o emulador seja mais preciso ao capturar toda a gama de comportamentos.

#Combinando Emuladores para Previsões Gerais

Uma vez que emuladores estruturados para cada componente são desenvolvidos, eles podem ser combinados para fornecer um emulador geral para o VPL. Isso requer uma abordagem cuidadosa para garantir que as relações entre os componentes sejam respeitadas.

A metodologia permite uma maneira eficiente de prever o VPL geral, levando em conta a incerteza e a variabilidade nas saídas. Esse processo de combinação fornece insights essenciais para os tomadores de decisão na indústria de petróleo.

#Ligando ao VPL Esperado

O passo final no processo de emulação hierárquica conecta as previsões gerais de volta ao VPL esperado. Isso é feito usando técnicas de regressão para criar um link estatístico entre as saídas emuladas e os valores esperados.

Focando no VPL médio do conjunto, os tomadores de decisão podem usar essas previsões como um guia confiável para otimizar as estratégias de controle de poços enquanto consideram incertezas geológicas. Isso torna o framework de emulação hierárquica uma ferramenta valiosa para a indústria de petróleo.

#Conclusão

Essa pesquisa apresenta um modelo de emulação hierárquica novo, projetado para aproveitar comportamentos conhecidos das saídas para previsões mais precisas. O foco na indústria de petróleo, particularmente na otimização do controle de poços, serve como uma aplicação do mundo real da metodologia.

A integração de emuladores estruturados com princípios bayesianos permite uma abordagem abrangente para lidar com incerteza em simulações. Trabalhos futuros se concentrarão em refinar esse framework e explorar aplicações em várias áreas onde desafios semelhantes de modelagem existem.

Ao desenvolver emuladores melhores, os tomadores de decisão podem obter insights valiosos, levando a escolhas mais informadas e melhores resultados em sistemas complexos. Os esforços para adaptar modelos dessa forma oferecem um avanço significativo nas capacidades de modelagem computacional para aplicações do mundo real.