Application of machine learning techniques for modeling of relative permeability in engineered water injection in carbonate reservoirs (2022)
- Authors:
- Autor USP: REGINATO, LEONARDO FONSECA - EP
- Unidade: EP
- Sigla do Departamento: PMI
- Subjects: CARBONATOS; RESERVATÓRIOS; APRENDIZADO COMPUTACIONAL; INJEÇÃO (ENGENHARIA)
- Agências de fomento:
- Language: Inglês
- Abstract: A modelagem numérica de métodos avançados de produção sempre é um desafio para ser desenvolvida e aplicada na simulação de reservatórios. Algumas abordagens como o uso de resultados laboratoriais surgem para tentar viabilizar essas modelagens. Porém, isso limita a velocidade da solução a obtenção do dado laboratorial e prejudica sua reprodutibilidade. Com o crescente uso de ferramentas de Aprendizado de Máquina (do inglês Machine Learning ML) para solução de problemas complexos e não lineares, nos conduzimos esses estudos para treinar essas ferramentas e acoplá-las a um software comercial de simulação. O treinamento baseava-se nos parâmetros relevantes para a injeção de água calibrada (do inglês Engineered Water Injection EWI). Esse método de injeção avançada busca utilizar o controle de salinidade na água de injeção para promover iterações entre seus íons e os minerais da rocha, para facilitar seu escoamento no meio poroso. Assim, estruturamos um conjunto de dados que contém dados de salinidade, mineralogia e permeabilidade relativa para a ferramenta ML guiada pelos dados aprender o comportamento desses dados. Assim, essa abordagem foi capaz de fazer previsões precisas, que foram utilizadas como dados de entrada durante a modelagem e simulação da injeção, validando seus resultados comparando com a simulação da produção pela modelagem geoquímica convencional. Por fim, realizamos otimizações com injeção de água comum e EWI, acoplando na otimização com o método avançado o pipeline de ML. Assim, testamos a eficiência da abordagem ML com simulações recursivas e comparamos a eficiência entre os métodos de injeção. Para isso, aplicamos essas otimizações no benchmark UNISIM-II, um modelo de reservatório com características baseadas em campos do Pré-Sal brasileiro. A função objetivo foi amaximização do Valor Presente Líquido, que para os testes realizados a EWI apresentou maior lucro, mesmo com uma margem de custo de até 300% superior ao custo da injeção de água comum.
- Imprenta:
- Data da defesa: 24.02.2022
-
ABNT
REGINATO, Leonardo Fonseca. Application of machine learning techniques for modeling of relative permeability in engineered water injection in carbonate reservoirs. 2022. Dissertação (Mestrado) – Universidade de São Paulo, São Paulo, 2022. Disponível em: https://www.teses.usp.br/teses/disponiveis/3/3134/tde-26082022-083727/. Acesso em: 12 fev. 2026. -
APA
Reginato, L. F. (2022). Application of machine learning techniques for modeling of relative permeability in engineered water injection in carbonate reservoirs (Dissertação (Mestrado). Universidade de São Paulo, São Paulo. Recuperado de https://www.teses.usp.br/teses/disponiveis/3/3134/tde-26082022-083727/ -
NLM
Reginato LF. Application of machine learning techniques for modeling of relative permeability in engineered water injection in carbonate reservoirs [Internet]. 2022 ;[citado 2026 fev. 12 ] Available from: https://www.teses.usp.br/teses/disponiveis/3/3134/tde-26082022-083727/ -
Vancouver
Reginato LF. Application of machine learning techniques for modeling of relative permeability in engineered water injection in carbonate reservoirs [Internet]. 2022 ;[citado 2026 fev. 12 ] Available from: https://www.teses.usp.br/teses/disponiveis/3/3134/tde-26082022-083727/
How to cite
A citação é gerada automaticamente e pode não estar totalmente de acordo com as normas
