Aprendizado profundo supervisionado

Scientific Reports volume 13, Número do artigo: 4892 (2023) Citar este artigo

679 acessos

5 Citações

2 Altmétrica

Detalhes das métricas

Os altos preços do petróleo e a preocupação com as reservas limitadas de petróleo levam ao aumento do interesse na recuperação avançada de petróleo (EOR). Selecionar o plano de desenvolvimento mais eficiente é de grande interesse para otimizar o custo econômico. Portanto, o principal objetivo deste estudo é construir um novo classificador de aprendizado profundo para selecionar o melhor método EOR com base nas propriedades de rocha e fluido do reservatório (profundidade, porosidade, permeabilidade, gravidade, viscosidade) e temperatura. Nosso classificador baseado em aprendizado profundo consiste em uma rede neural convolucional unidimensional (1D), memória de longo prazo (LSTM) e camadas de rede neural densamente conectadas. O algoritmo genético foi aplicado para ajustar os hiperparâmetros deste classificador híbrido. O classificador proposto é desenvolvido e testado usando 735 projetos de EOR em reservatórios de arenito, arenito não consolidado, carbonato e conglomerados em mais de 17 países. As investigações numéricas e gráficas aprovam que o classificador de aprendizagem profunda com ajuste de estrutura é uma ferramenta confiável para rastrear os cenários EOR e selecionar o melhor. O modelo projetado classifica corretamente os exemplos de treinamento, validação e teste com uma precisão de 96,82%, 84,31% e 82,61%, respectivamente. Isso significa que apenas 30 dos 735 projetos EOR disponíveis são identificados incorretamente pelo classificador de aprendizado profundo proposto. O modelo também demonstra uma pequena entropia cruzada categórica de 0,1548 para a classificação das técnicas de recuperação avançada de petróleo envolvidas. Um classificador tão poderoso é necessário para selecionar o candidato EOR mais adequado para um determinado reservatório de óleo com informações de campo limitadas.

A recuperação aprimorada de petróleo (EOR) ajuda a otimizar o fator de recuperação para aumentar os retornos dos projetos de petróleo e gás1,2,3. O aumento dos preços do petróleo cria preocupação com os recursos energéticos futuros e aumenta o interesse na recuperação avançada do petróleo no mundo4,5. Os projetos de EOR costumam ser caros e têm custos iniciais mais elevados do que os projetos secundários tradicionais6. Um projeto de recuperação inadequado pode levar a danos permanentes nos reservatórios e aumentar as perdas financeiras. Essas análises compreendem testes de laboratório e passam pela caracterização e simulação de reservatórios, projeto e implementação de testes-piloto até o projeto final e implementação do projeto completo de campo. Além disso, todas as fases acima mencionadas envolvem investimentos que podem ser arriscados se não forem devidamente apoiados por uma fase preliminar de triagem econômica. Portanto, um elemento-chave da abordagem de tomada de decisão é, antes de mais nada, a avaliação do potencial de EOR para um reservatório alvo. Este é o objetivo crítico alcançado pela prática de triagem EOR, que se destina a fornecer a primeira métrica a ser empregada para redução de risco com investimento de capital modesto.

Portanto, um método confiável e preciso de triagem de recuperação avançada de petróleo é desejável para desenvolver reservatórios de esgotamento. Uma revisão da literatura indica que geralmente existem duas técnicas para triagem de EOR: (1) triagem de EOR convencional (CEORS) e (2) triagem de EOR avançada (AEORS)7,8,9. A técnica CEORS considera vários parâmetros de triagem predefinidos para indicar a probabilidade de implementação bem-sucedida de cada técnica EOR. Esses parâmetros geralmente cobrem o fluido do reservatório e as propriedades da rocha (como saturação de óleo, gravidade API, espessura da camada, tipo de formação, permeabilidade, viscosidade, salinidade, temperatura e profundidade) para métodos EOR bem-sucedidos10,11. Esses padrões propostos foram alcançados pela análise dos projetos de EOR bem-sucedidos realizados antes de 199710. Além disso, outros fatores, como reserva disponível e custos de implementação, têm um impacto tangível nos critérios propostos. Esses parâmetros têm sido amplamente utilizados na triagem de EOR por muitos anos e os pesquisadores quase não tentaram aprimorá-los/atualizá-los. Al-Adasani e Bai12 revisaram projetos de EOR conduzidos desde 1998 e aprimoraram o princípio proposto por Taber et al.10. Mashayekhizadeh et al. integrou vários critérios de triagem importantes e produziu um conjunto de critérios de realismo para cada técnica de EOR13. Zhang et ai. propôs um índice gráfico de triagem por análise dos muitos projetos de recuperação avançada de petróleo com base nos parâmetros estatísticos14. Jensen e outros. consideraram CEORS no campo Ekofisk e os resultados indicaram que os cenários de injeção alternada de gás (WAG) e injeção de ar são os métodos EOR mais adequados15. Alvarado e Manrique destacaram que a notável limitação dos métodos convencionais é que eles fornecem apenas uma resposta "vai/não vai", sem detalhes adicionais sobre as estratégias de EOR realizadas em campos semelhantes16. Por outro lado, os avanços na ciência da computação criaram uma boa chance para uma abordagem alternativa. Na última década, a tecnologia auxiliada por computador atualizou as abordagens de triagem EOR. As propriedades da rocha reservatório e do fluido e também a implementação bem-sucedida dos métodos EOR desempenham um papel importante nesta abordagem. Essa abordagem foi gentilmente estendida como AEORS. Semelhante a outros campos de pesquisa17, métodos de aprendizado de máquina também são aplicados para lidar com a triagem de EOR18,19. Estratégias de inteligência artificial, incluindo redes neurais artificiais (ANN)18,19, sistemas especialistas20,21, inferência fuzzy22 e redes Bayesianas23,24 já foram empregadas na tarefa de classificação EOR. Os primeiros estudos de AEORS foram realizados por Alvarado et al.25. Eles consideraram 290 projetos EOR em todo o mundo e aplicaram métodos de redução de dimensionalidade e agrupamento para criar um mapa especializado para a escolha de um método EOR adequado25. A pesquisa conduzida por Lee et al. inclui o treinamento de um modelo ANN usando 230 cenários bem-sucedidos de recuperação avançada de petróleo para identificar o cenário EOR mais adequado para reservatórios candidatos26. Além disso, Zerafat et al. integraram os critérios propostos por Taber et al. usando 1.098 cenários EOR e desenvolveu uma rede Bayesian Belief para prever os métodos EOR apropriados24. Parada e Ertekin usaram um simulador de reservatório comercial para coletar os dados necessários para realizar o trem ANN27. Eles propuseram uma nova abordagem para triagem de EOR e previsão do desempenho de cenários de recuperação avançada de petróleo27. Vários estudos semelhantes também foram realizados neste campo e muitas técnicas de aprendizado de máquina foram verificadas para encontrar uma ferramenta inteligente para a triagem de EOR. Khazali et ai. recentemente treinou um algoritmo de árvore de decisão fuzzy usando 548 projetos de EOR bem-sucedidos em todo o mundo para indicar as regras de triagem28. Babushkina et al. defina e investigue a analogia aplicando um método de agrupamento k-Means no espaço 6-dimensional da rocha reservatório e das propriedades do fluido29. O potencial de EOR de um campo alvo é estimado pela interpolação dos fatores de recuperação associados às (eventualmente diferentes) técnicas de EOR de projetos pertencentes ao mesmo cluster29. Além disso, Trujillo et al.30 combinaram abordagens convencionais e avançadas para classificar o banco de dados disponível de acordo com um escore de similaridade10,11. Esta abordagem permitiu identificar técnicas de EOR com alto potencial de aplicação nos campos petrolíferos da Colômbia.