Revista de Gestão da Zona Costeira

Abstrato

Caracterização de reservatórios prevendo o petróleo inicial num reservatório usando aprendizagem profunda e aplicação de análise de sensibilidade para uma melhor recuperação de petróleo

Júlia Mbamarah

O problema da produção hoje é a incapacidade de recuperar uma quantidade ideal do recurso descoberto. Da análise estatística, apenas cerca de 60% do petróleo é recuperável e a maior quantidade registada até ao momento é de apenas 80% do petróleo descoberto. Isto significa que cerca de 25% do petróleo ainda existe em poços petrolíferos que foram abandonados.

Obtendo dados de vários campos petrolíferos na Nigéria, a quantidade de petróleo detetável foi calculada através de Deep Learning. A rede foi treinada para prever com precisão o volume estimado de petróleo inicialmente existente. Uma análise de sensibilidade do modelo de rede neural gerado revelou quais os parâmetros de entrada que contribuíram principalmente para estimar o IOIP

A partir da informação deduzida, um poço ideal para melhorar a recuperação seria aquele cujos fatores determinantes sejam minimizados ou maximizados de acordo com a viabilidade de alteração dos parâmetros. O Protótipo Neural foi otimizado melhorando as propriedades determinantes de interesse. Uma atualização de dados leva posteriormente a um treino adicional e, geralmente, a uma melhoria do grau de recuperação alcançável.

Na medida em que outras fontes de energia estão a ser identificadas, o petróleo e o gás continuam a ser uma parte integrante da indústria energética e os passos para garantir que a recuperação desta fonte de energia seja optimizada para a maior percentagem não devem ser negligenciados.