Machine learning aplicado a análise de curvas de declínio

Registro completo de metadados
MetadadosDescriçãoIdioma
Autor(es): dc.contributorPardo, Arturo Rodrigo Ferreira-
Autor(es): dc.contributorMoreira, Roger Matsumoto-
Autor(es): dc.contributorLeitão Junior, Ivan Landim Frota-
Autor(es): dc.creatorCantuaria, Marco Aurélio Gemaque-
Data de aceite: dc.date.accessioned2024-07-11T17:41:08Z-
Data de disponibilização: dc.date.available2024-07-11T17:41:08Z-
Data de envio: dc.date.issued2019-07-15-
Data de envio: dc.date.issued2019-07-15-
Data de envio: dc.date.issued2019-
Fonte completa do material: dc.identifierhttps://app.uff.br/riuff/handle/1/10422-
Fonte: dc.identifier.urihttp://educapes.capes.gov.br/handle/capes/755364-
Descrição: dc.descriptionAs curvas de declínio são até hoje uma maneira muito eficaz de poupar importantes recursos para obtenção de resultados, sem, entretanto, dispensar a qualidade dos resultados. Apesar de que existem outras ferramentas mais modernas, o fato de que as curvas de declínio utilizam a experiência adquirida ao longo da fase de produção do campo para poder representar a tendência de produção, tornam o seu uso uma eficaz alternativa para diversos tópicos na indústria do petróleo, como estimativa de reservas, ajuste de histórico e previsão de produção. O presente trabalho busca utilizar Long Short-Term Memory (LSTM) para realizar a previsão da produção de um poço real de um campo no Mar do Norte. Em seguida, foi realizado a análise por curva de declínios, a fim de criar um modelo de comparação com o algoritmo desenvolvido inicialmente. No final, parametrizou-se o modelo LSTM para observar até que ponto seria possível diminuir a informação utilizada para alimentar o modelo e ainda assim obter bons resultados, e finalmente conclui-se que é possível realizar a predição acurada da produção de um poço de petróleo, e usá-la como base de complementação para os outros métodos de declínio apresentados para melhor entendimento do comportamento da produção-
Descrição: dc.descriptionDecline Curves are still today a very efficient way of sparing important resources to obtain results, without, that is, dismissing their quality. Even though there are several modern tools, because of the fact that decline curves utilize the experience acquired throughout the production phase of the oil field to represent the tendency which is expected in the near to medium term future, the process is a very feasible alternative to solve diverse topics in the petroleum industry, such as reserves estimation, history matching and production preview. The present work seeks to utilize Long Short-Term Memory (LSTM) to carry-out the prediction of production from a real well at the North Sea. Following, a Decline Curve Analysis was performed with the goal of creating a comparison model for the algorithm developed initially. Finally, the LSTM was parametrized to observe up to which point it would be possible to decrease the utilized information to feed the model and still obtain good results, and then it was concluded that it’s possible to accurately predict the production from a well and utilize it as a complement with other decline methods for better understanding of the production’s behaviour-
Formato: dc.formatapplication/pdf-
Idioma: dc.languagept_BR-
Direitos: dc.rightsopenAccess-
Direitos: dc.rightshttp://creativecommons.org/licenses/by/3.0/br/-
Direitos: dc.rightsCC-BY-SA-
Palavras-chave: dc.subjectMachine learning-
Palavras-chave: dc.subjectAnálise da curva de declínio-
Palavras-chave: dc.subjectPerfil de produção-
Palavras-chave: dc.subjectAprendizado de máquina-
Palavras-chave: dc.subjectIndústria petroquímica-
Palavras-chave: dc.subjectPoço de petróleo-
Palavras-chave: dc.subjectMachine learning-
Palavras-chave: dc.subjectDecline curve analysis-
Palavras-chave: dc.subjectProduction profile-
Título: dc.titleMachine learning aplicado a análise de curvas de declínio-
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.