Análise comparativa de correlações e redes neurais para predição de propriedades de fluidos de petróleo

Registro completo de metadados
MetadadosDescriçãoIdioma
Autor(es): dc.contributorAhón, Víctor Rolando Ruiz-
Autor(es): dc.contributorQueiroz Neto, João Crisósthomo de-
Autor(es): dc.contributorVallejos Carrasco, Alfredo Moisés-
Autor(es): dc.contributorYoung, André Ferreira-
Autor(es): dc.creatorZúñiga Pavón, Andrés Rafael-
Data de aceite: dc.date.accessioned2024-07-11T17:39:53Z-
Data de disponibilização: dc.date.available2024-07-11T17:39:53Z-
Data de envio: dc.date.issued2020-01-07-
Data de envio: dc.date.issued2020-01-07-
Data de envio: dc.date.issued2019-
Fonte completa do material: dc.identifierhttps://app.uff.br/riuff/handle/1/12599-
Fonte: dc.identifier.urihttp://educapes.capes.gov.br/handle/capes/754943-
Descrição: dc.descriptionA estimação de propriedades PVT (Pressão, Volume, Temperatura) é essencial para realizar qualquer cálculo na indústria do petróleo. Essas propriedades são derivadas de medições laboratoriais e/ou correlações. Erros na inferência de propriedades PVT podem levar a estimativas de reservas erradas, predição imprecisa de vazões de produção, desenhos de sistemas de elevação artificial com desempenho inferior, e estimativas incorretas de parâmetros para testes de poços. Na ausência de medição laboratorial das propriedades PVT, é primordial o uso de técnicas apropriadas para calculá-las com a maior acurácia possível. A obtenção das propriedades é tão importante que são vastas as pesquisas realizadas na literatura sobre esse assunto. Numerosas correlações PVT têm sido desenvolvidas ao longo dos anos, o que mostra a relevância deste tópico. Diversos autores avançaram em criar as suas próprias correlações e, dada a complexidade de caracterização dos fluidos de petróleo, seja pelo grau API, composição química ou localização geográfica, essas correlações podem sofrer alterações nos seus parâmetros e estrutura funcional. No atual cenário em que a aplicação de técnicas de inteligência artificial vem crescendo na indústria de petróleo para enfrentar os muitos desafios de atividades operacionais diárias, as redes neurais cumprem um papel vistoso e simultaneamente poderoso na predição de muitas das variáveis usadas, e, por conseguinte, na predição de propriedades PVT. Este trabalho visa analisar comparativamente a previsibilidade de cinco propriedades de fluidos de petróleo: pressão de bolha, viscosidade de óleo insaturado, viscosidade de óleo morto, razão gás-óleo e compressibilidade isotérmica, mediante: 1) correlações de Ghetto et al. (1994) baseadas em 195 amostras de petróleo da literatura versus reestimação dos parâmetros dessas correlações usando grupo de amostras para treinamento e validação via minimização do relative absolute error e 2) uso de redes neurais artificiais aplicadas sobre o mesmo grupo usado no item 1 versus a reestimação dos parâmetros das correlações via minimização da soma dos desvios quadrados. Dentre as duas abordagens, as redes neurais apresentaram erro absoluto relativo médio abaixo de 15% para algumas propriedades e, para outras, imitaram o desempenho das correlações-
Descrição: dc.descriptionEstimation of PVT (Pressure, Volume, Temperature) properties is essential to perform any calculation in the petroleum industry. These properties are derived from laboratory measurements and/or PVT mathematical correlations. Errors in PVT data inference can lead to erroneous reserve estimates, inaccurate prediction of production flows, poorly performing artificial lift system designs, and incorrect parameter estimates for well testing. In the absence of laboratory measurement of PVT properties, the use of appropriate techniques to calculate them as accurately as possible is paramount. Obtaining properties is so important that there is a vast amount of research in the literature in this sense. Numerous PVT correlations have been developed over the years, what shows the relevance of this topic. Several authors have advanced in creating their own correlations and given the complexity of the characterization of petroleum fluids, either by API grade, chemical composition or geographical location, these correlations may change in their parameters and functional structure. In the current scenario where the application of artificial intelligence techniques is growing in the oil industry to meet the many challenges of our daily operating activities, neural networks play a flashy yet powerful role in predicting many of the variables used in the oil industry, and therefore the prediction of PVT properties. This work aims to comparatively analyse the predictability of five petroleum fluid properties: bubble pressure, unsaturated oil viscosity, dead oil viscosity, gas-oil ratio and isothermal compressibility by: 1) Ghetto et al. (1994) correlations based on 195 samples of oil from literature versus parameters reestimation of those correlations using sample groups for training and validation through minimization of relative absolute average error and 2) use of neural networks applied to the same used group in item 1 versus the parameters reestimation of those correlations through minimization of sum of least squares. Among the two approaches, neural networks showed absolute average error below 15% for some properties, while for the rest of them, they imitated approximately the performance of the correlations-
Formato: dc.formatapplication/pdf-
Idioma: dc.languagept_BR-
Direitos: dc.rightsopenAccess-
Direitos: dc.rightsCC-BY-SA-
Palavras-chave: dc.subjectPropriedades de fluidos de petróleo-
Palavras-chave: dc.subjectCorrelações-
Palavras-chave: dc.subjectEstimação de parâmetros-
Palavras-chave: dc.subjectRedes neurais artificiais-
Palavras-chave: dc.subjectInteligência artificial-
Palavras-chave: dc.subjectPetróleo-
Palavras-chave: dc.subjectRede neural artificial-
Palavras-chave: dc.subjectInteligência artificial-
Palavras-chave: dc.subjectPetroleum fluid properties-
Palavras-chave: dc.subjectPVT property-
Palavras-chave: dc.subjectParameter estimation-
Palavras-chave: dc.subjectArtificial neural networks-
Palavras-chave: dc.subjectArtificial intelligence-
Título: dc.titleAnálise comparativa de correlações e redes neurais para predição de propriedades de fluidos de petróleo-
Tipo de arquivo: dc.typeTrabalho de conclusão de curso-
Aparece nas coleções:Repositório Institucional da Universidade Federal Fluminense - RiUFF

Não existem arquivos associados a este item.