aplicación de técnicas computacionales en ingeniería de petróleo

Aplicación de técnicas computacionales enIngeniería de Petróleo: Casos en Petrobras

D.Sc. Yván Jesús Túpac Valdivia

Universidad San Pablo

17 de Noviembre de 2012

Dr. Yván Túpac (UCSP) Aplicación de técnicas computacionales en Ingeniería de Petróleo: Casos en Petrobras17 de Noviembre de 2012 1 / 70

Contenido

1 Ingeniería de PetróleoDefiniciónÁreas de actuaciónEmpresa PETROBRAS

2 Proyectos en Ingeniería de PetróleoProyecto ANEPIProyecto ANEPI-CIProyecto SMART-E&PProyecto CONFPETRO

3 Producción académica obtenida

4 Bibliografía


Ingeniería de Petróleo Definición

Ingeniería de PetróleoDefinición

Área de estudio interdisciplinar que combina métodos científicos yprácticos orientándolos al desarrollo y aplicación de técnicas paradescubrir, explotar, desarrollar, transportar, procesar y tratar loshidrocarburos desde su estado natural (en el yacimiento), hasta losproductos finales o derivados.Están involucradas entre otras, las siguientes áreas de conocimiento:

Ingeniería MecánicaIngeniería CivilGeología e Ing. GeológicaIngeniería Eléctrica, electrónicaComputaciónIngeniería Industrial


Ingeniería de Petróleo Áreas de actuación

Ingeniería de PetróleoÁreas de actuación

Se tienen las siguientes áreas de actuación:1 Ingeniería de Yacimientos2 Ingeniería de pozos3 Proceso de producción4 Análisis económico



Ingeniería de PetróleoIngeniería de Yacimientos

El desafío principal es poder desplazar los fluidos desde el interior de lasrocas tal que puedan llevarse hacia la superficie.Algunas de sus áreas de estudio son:

Caracterización de los yacimientosPropiedades geológicas de rocasPropiedades de fluidosModelamiento y simulación de yacimientosHistory Matching



Ingeniería de PetróleoIngeniería de Pozos

Todo lo relacionado a la construcción de pozos petrolerosSondas de perforaciónCementacionesEstructurasEstabilidad de pozosPerforación off-shoreCompletaciones (conexión entre pozo y yacimiento)Pozos sensoriados (inteligentes)



Ingeniería de PetróleoProceso de Producción

Garantizar que el óleo fluya hasta la superficie. Existe elevación natural(suficiente presión) y elevación artificial:

Gas liftBombeo centrífugo inversoBombeo mecánicoInyección de aguaInyección de gas.Recuperación mejorada: uso de polímeros, agentes biológicos,solventes, vapor



Ingeniería de PetróleoAnálisis Económico

Analizar la factibilidad económica de un proyecto petrolífero, auxiliando enla toma de decisión de explorar un yacimiento petrolífero o expandir elproyecto:

Modelos de precios de commoditiesAnálisis de incertidumbre y riesgoOptimización de alternativas de E&POpciones de expansiónInversión en informaciónOptimización de producción y operación de pozos


Ingeniería de Petróleo Empresa PETROBRAS

Empresa PETROBRAS

Sociedad Anónima de Capital Abierto, cuyo accionista mayoritario esel Gobierno Brasileño1.Actuación como empresa de Energía con los siguientes rubros:

Exploración y Produción (E&P)RefineríaComercialización y transporte de óleo y gas naturalPetroquímicaDistribuición de derivadosElectricidadBiocombustibles y outras fontes renováveis de energia.

1www.petrobras.com.brDr. Yván Túpac (UCSP) Aplicación de técnicas computacionales en Ingeniería de Petróleo: Casos en Petrobras17 de Noviembre de 2012 9 / 70

www.petrobras.com.br

Proyectos en Ingeniería de Petróleo

Sistema de Producción




1 ANEPI: Análise Econômica de Projetos de Exploração e ProduçãoE&P de Petróleo sob Incerteza (F1, F2, F3)

2 ANEPI-CI: Análise Econômica de Projetos de Exploração e ProduçãoE&P de Petróleo em Campos Inteligentes

3 CONFPETRO: Sistema de Caracterização da ConfiabilidadeHumana para a Área de Petróleo

4 SMART-E&P: Sistemas e Modelos Inteligentes Aplicados aReservatórios com Tecnologia de Malha Fechada para a Exploração eProdução de Petróleo e Gás


Proyectos en Ingeniería de Petróleo Proyecto ANEPI

Proyecto ANEPIANEPI: Análise Econômica de Projetos de E&P de Petróleo sob Incerteza

Objetivo:Desarrollo de tecnologías para el Análisis de Alternativas de Desarrollode Campos de Petróleo bajo Incertidumbre Técnica y de Mercado

Optimizacion(Algoritmo Evolutivo)

EvaluacionEconomica Simulacion de

Reservorio Petrolıfero Alternativa de Desarrollo

(VPN) Reservorio



Proyecto ANEPIANEPI: Análise Econômica de Projetos de E&P de Petróleo sob Incerteza

Este proyecto constó de los siguientes módulos:

1 Optimización de alternativas en condiciones de certeza2 Análisis de Alternativas de Desarrollo de Campos Petrolíferos bajo

incertidumbres técnicas y de mercado3 Cálculo del Valor de Opción considerando incertidumbre técnica y de

Mercado



Proyecto ANEPIOptimización de alternativas en condiciones de certeza

Encontrar una o más alternativas iniciales de desarrollo óptimas: número,localización, tipo, orden de perforación y dimensión de pozos petroliferos.

Aplicación de Computación Evolutiva [1, 2, 3, 4].

NPV = V −D

NPVcompute

Productioncurve

Reservoirsimulator

AlternativeWells

layout

Objective

function

ExpertReservoirmodel

CapEx

OpEx

EvolutionaryModel

knowledge




Modelo evolutivo:1 Representación: uso de un modelo de cromosoma con tamaño

variable (para soportar alternativas con cantidades diferentes depozos) y usando las estrategias de cromosoma creciente y cromosomaoscilante [5]

i, j i, j i, ji, ji, j,k i, j,k i, j,k i, j,kdir, l dir, l dir, l dir, l

0 1 0 1 1 10 0

Verticales Horizontales

Inyectores Productores Inyectores Productores

Mascara de activacion mi

Genotipo gi




Modelo evolutivo:2 Evaluación: que consta de dos etapas:

i Simulación de la producción para la alternativa de pozos de cromosoma:para obtener las curvas de producción de óleo, gas y agua. Uso de unsimulador de fluidos para modelo blackoil.

ii Cálculo del Valor Presente Neto de la alternativa del cromosoma a partirde la producción, información geométrica y datos de mercado. Uso deecuaciones para el flujo de caja descontado.

Se hace uso de la arquitectura master-slave para evaluaciones enparalelo [3, 6]




Modelo evolutivo: Simulación de producción

Evaluacion dela alternativa

AE Script de pozos

VPN

Alternativa(Cromosoma)

Datos de produccion:oleo, gas, agua y pasosde simulacion

Parametros demercado,inversiony operacion

Informacion de lageologıa de rocasparametros PVT, ,

info de pozos

Archivos desalida (.OUT.MRF .IRF)Simulador

blackoil

(CMG/IMEX)

Informacion demalla y pozos

Geometrıa dela malla

Filtro desalida

INCLUDE




Modelo evolutivo: Cálculo del VPN

NPV = PV −D

D = ( fhwa+ r)nw +b+nw

∑j=1|p j− pplat |cPV = (PVInc−PVOp)(1− I)

PVInc =T

∑i=1

Inc(ti)e−ρti PVOp =T

∑i=1

Op(ti)e−ρti

Inc(t) =(

Q(t)+G(t)1000

)Poil(t) Op(ti) = mnw +VcQ(ti)+RyInc(ti)+Fc +WcW (ti)




Ejemplo de Aplicación:Se usó un modelo de campo petrolífero homogéneo que consiste en unamalla de 30 × 30 × 1 con los siguientes parámetros geológicos:

Parámetro Valor UnidadPermeabilidad 1000.00 mdPorosidad 0.20Presión inicial 100.00 kg

cm2

Saturación agua 0.2




Ejemplo de Aplicación – Experimento 01 (Aleatorio):Respuesta ante una inicialización totalmente aleatoria.La respuesta encontrada es la siguiente:

Parámetro Valor UnidadVPN 1699.122 (MUS$)Petróleo 364.075 (Barriles)

HINJ

HINJ

HPRO1

VINJ

VINJ

VINJ

VINJ

VINJ

VINJ

VPRO

VPRO

VPRO

VPRO

VPRO

VPRO

VPRO

VPRO

VPRO




Ejemplo de Aplicación – Experimento 02 (S. Inicial):Alternativa “five-spot” original

HINJ1 HINJ2

HINJ3

HINJ4 HINJ5 HINJ6

HINJ7

HINJ8

HINJ9

HPRO1 HPRO2

HPRO3 HPRO4


Alternativa optimizada:

HINJ10 HINJ11

HINJ12

HINJ13

HINJ14

HINJ7 HINJ8

HINJ9

HPRO1 HPRO2

HPRO3 HPRO4

VINJ1

VINJ2

VINJ3

VINJ4

VINJ5 VINJ6




Proyecto ANEPIAnálisis de Alternativas de desarrollo de campos petrolíferos bajo incertidumbres

Análisis de Alternativas de Desarrollo de Campos Petrolíferos bajoincertidumbres técnicas y de mercado. Regla de Decisión Óptima

Uso de Algoritmos Genéticos [7]

GENETIC ALGORITHM

Evaluation

Decision Rule(Threshold Curve)

Option ValueSim. Monte Carlo(Oil Price)

Generator and sampler of random numbers

Pseudo RandomLatin Hypercubic Sampling

Stochastic Processfor a Commodity

Geometric Brownian Motion Mean Reversion Process

HandlingLinear

Constraints

GENETIC ALGORITHM

Evaluation

Decision Rule(Threshold Curve)

Option ValueSim. Monte Carlo(Oil Price)


Pseudo RandomLatin Hypercubic Sampling

Stochastic Processfor a Commodity

Geometric Brownian Motion Mean Reversion Process

HandlingLinear

Constraints

Decisi on Rule by Genetic Algorithm

0

2

4

6

8

10

12

14

16

18

20

22

24

26

28

30

32

34

0.0 00

0.0 82

0.16

4

0.24

7

0.32

9

0.41

1

0.4 93

0.5 75

0.65

8 0.

7 4

0.82

2

0.90

4

0.9 86

1.0 68

1.15

1

1.23

3

1.31

5

1.39

7

1.4 79

1.5 62

1.64

4

1.72

6

1.80

8 1.

89

1.9 73

Ti me (ye ars )

Oil

Pric

e (U

S$)

Alter native 1 Waiting 1 Alte rna tive 2 Wait in g 2 Alter native 3

Waiting Region

Waiting Region

Reg ion of Alt er na tiv e 2

Re gio n of Al te rna t ive 3

Re gi on of

Alt ernat iv e 1




Modelo evolutivo:Para decidir qué alternativa será aplicada se usa una “curva de disparo”por cada alternativa, que suele aproximarse mediante una curvalogarítmica más un punto libre

a + b log(τ)

y para periodos de espera (sin tomar decisión), se definen curvas de esperade la forma

aW + bW log(τ)

donde los parámetros (a, b, aW , bW ) y los puntos libres son obtenidos porel modelo evolutivo por cada alternativa




Modelo evolutivo:Representación: cada gen del cromosoma almacena los parámetros deuna curva logarítmica más su punto libre

Gen1 Gen2 Gen3 GenN

b1

a1

b2

a2

PuntoLibre1

PuntoLibre2

PuntoLibre3

PuntoLibreN

b3

a3

bN

aN

. . .




Modelo evolutivo:Evaluación: Simular con Montecarlo varios caminos de precio de petróleoy calcular el valor de opción de las alternativas ejercidas

Tiempo

TExpiracion

PrecioCommodity

Esperar

t1

Ejercer

Curva dedisparoo

Luego, calcular el valor medio de todas las simulaciones




Modelo evolutivo: ExperimentoDadas las siguientes alternativas:

Alternativa Alternativa 2 Alternativa 3Tamaño estimado dereserva (B)

400 M(bbl) 400 M(bbl) 400 M(bbl)

Calidad de reserva (q) 8% 16% 22%Inversión de desarrollo(D)

400 (MUS$) 1000 (MUS$) 1700 (MUS$)

Considerar dos funciones estocásticas de precio de petróleo:Movimiento Genométrico BrownianoRegresión a la media

Comparar con la metodología “clásica” con Ecuaciones DiferencialesParciales y evaluar el VPN de la alternativa escogida




Modelo evolutivo: resultados

Modelo Evolutivo E.D.P.MGB 325.063 323.340MRM 305.840 313.860

Curvas de disparo para precio con MGBDecision Rule by D.P.E.

0

2

4

6

8

10

12

14

16

18

20

22

24

26

28

30

32

34

36

0.00

0.10

0.20

0.30

0.40

0.50

0.60

0.70

0.80

0.90

1.00

1.10

1.20

1.30

1.40

1.50

1.60

1.70

1.80

1.90

2.00

Time (years)

Oil

Pri

ce

(US

$)

Alternative 1 Waiting 1 Alternative 2 Waiting 2 Alternative 3

Region of

Alternative 1

Region of Alternative 2


Waiting Region

Waiting Region

Decision Rule by Genetic Algorithm

0

2

4

6

8

10

12

14

16

18

20

22

24

26

28

30

32

34

0.0

00

0.0

82

0.1

64

0.24

7

0.3

29

0.4

11

0.4

93

0.57

5

0.6

58 0

.74

0.82

2

0.9

04

0.9

86

1.0

68

1.15

1

1.2

33

1.3

15

1.3

97

1.47

9

1.5

62

1.6

44

1.7

26

1.80

8 1

.89

1.9

73

Time (years)

Oil

Pri

ce

(U

S$

)

Alternative 1 Waiting 1 Alternative 2 Waiting 2 Alternative 3

Waiting Region

Waiting Region



Region of

Alternative 1



Proyecto ANEPICálculo del Valor de Opción considerando incertidumbre

Cálculo del Valor de Opción bajo incertidumbre técnica y de mercadoUso de Opciones Reales y Números Fuzzy [8, 9, 10]


Pseudo-randomQuasi Monte Carlo

Stochactic Process for a Commodity

Geometric Brownian MotionMean Reversion ProcessMean Reversion Process with jumps

Fuzzy Numbers

Calculation of the Threshold Curve:

Algorithm ofGrant, Vora and

Weeks Modified for Fuzzy Numbers

Monte Carlo Simulation

to Determine theReal Option Value

(Fuzzy Number)

Real Option Value

(Fuzzy Mean)

Market Uncertainty

Technical Uncertainty


Pseudo-randomQuasi Monte Carlo





Fuzzy Numbers

Calculation of the Threshold Curve:

Algorithm ofGrant, Vora and

Weeks Modified for Fuzzy Numbers

Monte Carlo Simulation

to Determine theReal Option Value

(Fuzzy Number)

Real Option Value

(Fuzzy Mean)

Market Uncertainty




Proyecto ANEPICálculo del Valor de Opción considerando incertidumbre

Sea un campo, no desarrollado con intertidumbre en el tamano de reservaB y calidad económica q (vistas como una distribución triangular).

Se puede reducir el riesgo invirtiendo en obtener nueva información dela reservaSe debe evaluar cuál es la mejor opción de invertir en información y sivale la pena esta inversión si el precio del petróleo sigue un procesoestocástico (MRM o MGB).Para k alternativas concosto de desarrollo D(Bk), el VPN se calcula:

NPV(P)k = V (P)k − D(B)k

= qkPBk − D(Bk) (1)



Proyecto ANEPIIntegración [11, 12]

Evolution ar y Alg orithm

Genet ic operators

NPV Computing

Alternative

DVNPV −=

Objective Function

Wells Layout

Reservoir Simulator (or Proxy)

Experts’ knowledge

CAPEX Parameters

OPEX Parameters

Produ ction Curve

Reservoir Model

GENETIC ALGORITHM

Evaluation

Decision Rule(Thresho ldCurve)

Option ValueSim. Monte Car lo( Oil Pri ce )

Gene ra to r an d sa mple r

o f ra ndom numbers

Pse udo RandomLati nHypercubic Samp ling

Stochas ti c Proces sfo r a Commo di ty

Geometri c Brownia n Mot ion Mean Rev ersion Process

Ha nd li ngL ine ar

Const ra in ts

GENETIC ALGORITHM

Evaluation

Decision Rule(Thresho ldCurve)

Option ValueSim. Monte Car lo( Oil Pri ce )

Gene ra to r an d sa mple r

o f ra ndom numbers

Pse udo RandomLati nHypercubic Samp ling

Stochas ti c Proces sfo r a Commo di ty

Geometri c Brownia n Mot ion Mean Rev ersion Process

Ha nd li ngL ine ar

Const ra in ts

D e c is i o n R u le b y G e n e ti c A lg o r it h m

0

2

4

6

8

1 0

1 2

1 4

1 6

1 8

2 0

2 2

2 4

2 6

2 8

3 0

3 2

3 4

0.0

00

0.0

82

0

.164

0.2

47

0.

329

0.4

11

0.

493

0.5

75

0.6

58

0 .74

0.8

22

0.

904

0.9

86

1.0

68

1

.151

1.2

33

1.

315

1.3

97

1.

479

1.5

62

1.6

44

1.

726

1.8

08

1 .89

1.9

73

Ti me (y e a rs )

Oi

l Pr

ice

(US

$)

A lt er n at iv e 1 W a itin g 1 A lt er na ti ve 2 W ai tin g 2 A lte r na ti ve 3

W a iti n g R e g io n

W a iti n g R e g io n

R e g io n o f A lt e rn a ti v e 2

R e g io n o f A lt er n a ti ve 3

R eg i o n o f

A lte r n at iv e 1

Generator and samp ler of r an dom numbers

Pse udo- ra ndom

Q ua si Mon te Ca r lo

Stochactic Process for a Commodi ty

Ge om et ric Bro wnia n M o tion

Me an Re ve rsio n Pr oc essMe an Re ve rsio n Pr oc ess with jum p s

Fu zzy Numbers

Calculati on of th e Thresho ld Cu rve:

Algo rithm ofGrant, Vo ra and

Weeks Modi fied for F uzzy Numbers

M onte Carlo S imulatio n

to Deter mine theReal Op tion Value

(Fuzzy Numbe r )

Real Op tion Valu e

( Fuz zy Me an )

M arket Uncertaint y


Generator and samp ler of r an dom numbers

Pse udo- ra ndom

Q ua si Mon te Ca r lo







Fu zzy Numbers

Calculati on of th e Thresho ld Cu rve:

Algo rithm ofGrant, Vo ra and

Weeks Modi fied for F uzzy Numbers

M onte Carlo S imulatio n

to Deter mine theReal Op tion Value

(Fuzzy Numbe r )

Real Op tion Valu e

( Fuz zy Me an )

M arket Uncertaint y


Optimized alternatives

Decision Rule

Option value considering the value of the expansion option or investment in information



Proyecto ANEPIOtros productos

Se implementó una herramienta de evaluaciones en paralelo usandoCORBA para la evaluación de individuos del modelo evolutivo [6, 4]

Estrutura Dados

Cenário de Avaliação

Motor Simulador

Módulo de Dados Módulo de Serviços Módulo Avaliador

Envia Arquivo .DAT e .INC Parâmetros para o VPL: Parâmetros do campo e poços Requisição de inicialização Requisição de status Retorna ACK da inicialização

Envia Requisição de simulação Requisição de status Retorna VPL (Avaliação), Custo de Desenvolvimento, Óleo Acumulado, ACK da avaliação

Retorna Status atual do cenário

Retorna Status atual do avaliador



Proyecto ANEPIOtros productos

Esta estructura también fue utilizada por otros modelos de búsquedadesarrollados por el Centro de Pesquisas de Petrobras [13]

Estrutura Dados

Cenário de Avaliação

Motor de Simulação

Módulo de Dados Módulo de Serviços Módulo Simulador

Envia Parâmetros para o VPL: Requisição de status Retorna ACK da inicialização

Envia Requisição de simulação Requisição de status Requisição para Arquivos de Simulador Retorna VPL (Avaliação), Custo de Desenvolvimento, Óleo Acumulado, ACK da avaliação

Retorna Status atual do módulo simulador

Envia Arquivos para Simulação (.DAT, .INC) compactados Retorna Arquivos com respostas da simulação (.RWO)

TFTP


Proyectos en Ingeniería de Petróleo Proyecto ANEPI-CI

Proyecto ANEPI-CIANEPI-CI: Análise Econômica de Projetos de Exploração e Produção E&P dePetróleo em Campos Inteligentes

Desarrollo de tecnologías para el Análisis de Alternativas de Desarrollode Campos de Petróleo Inteligentes



Proyecto ANEPI-CIObjetivos

Objetivo 1: Investigar y proponer un sistema de optimización bajoincertidumbre geológica y de confiabilidad a emplear en el desarrolloy gestión de un reservorio inteligente de petróleo.

Determinar estrategias óptimas de producción y apoyar en la decisiónde usar o no pozos inteligentesUso de Computación Evolutiva y Simulación Monte Carlo [14, 15]

Objetivo 2: Perfeccionamiento de las herramientas desarrolladas enel proyecto ANEPI (F1,F2,F3)

STarWeb: Sistema de Distribuição de Tarefas em RedesHerramienta ANEPI



Proyecto ANEPI-CICampos Inteligentes

Apoyo a la decisión de uso de pozos inteligentesEstrategias óptimas de producción y apoyo a la decisión de usar pozosinteligentes.Este sistema debe ser capaz de:

Evaluar el uso de completaciones inteligentes en presencia de falla enválvulasOptimizar una configuración de operación de válvulas (de tipo on/offo continuas) cuando se usa pozos inteligentes.Determinar la mejor estrategia de operación de válvulas cuando existeincertidumbre geológica.



Proyecto ANEPI-CICampos Inteligentes

Se modeló e implementó el siguiente sistema [14, 16, 17, 15]:

Sistema de Otimização do Controle de Válvulas de Po ços Inteligentes sob Incertezas

Módulo Função Objetivo

Módulo Otimização do Controle de Válvulas

On/Off ou Abertura Contínua

(Algoritmos Genéticos)

IMEX (Simulador de Reservatório)

Módulo Tratamento de Incerteza de Falha

(MC,QMC)

Módulo Tratamento de Incerteza Geológica

Cálculo do VPL

Cenário de falha das válvulas

Condição das

Válvulas

Curva de Produção

Valor

do VPL

Cenários Geológicos

Cenário Financeiro para Cálculo do VPL

VPL Otimizado



Proyecto ANEPI-CIStarWeb: Sistema de distribución de Tareas en Red

Simulación paralelizada de alternativas de producción (usandosimulador de flujos)Uso de una arquitectura en estrella y recursiva para distribuir lastareas a lo largo de ejecutores y otros distribuidoresUso de WEB Services que aplican comunicación en http:// yfacilidad de distribución inter-redesUso de XML para especificación de tareasMultiplataformaPuede ser usado con otros sistemas



Proyecto ANEPI-CIStarWeb y Herramienta ANEPI

StarWeb: Sistema de distribución de Tareas en Red

Executor

Aplicação Cliente

Rede 1Rede 2

Distribuidor

��

Facilidade de transposição de

firewalls

Executor

Executor

Executor

Distribuidor

Aplicativo Web de Comando e Administração



Proyecto ANEPI-CIStarWeb y Herramienta ANEPI

Herramienta ANEPI [18]

BD localGACom

Executor(WebService)

Rede 1Rede 2

Distribuidor(WebService)

Distribuidor(WebService)

��

Facilidade de transposição de firewalls


STarWeb

ANEPI





Visión Integrada del Proceso E&P

Extraído de [19, 20]

Caracterização no subsolo

Atualização de modelo

Controle

Monitoração

Perfurações, construção e

operação

Otimização da produção

Sistema injetor

Sistema produtor

Área de drenagem

Planta de tratamento e compressão



Visión Integrada de la Gestión E&P

Modelo do Sistema

OpçõesReais

Novas TecnologiasEOR

Sensoriamento, monitoração

real-time

Novos materiais

Nanotecnologia

Alternativa de desenvolvimento

Modelo de reservatório

InversãoSísmica

Controle e Otimização

(Campo Inteligente)

Análise Econômica e de Risco eOtimização

Análise Integradade Dados

BD

AjusteHistórico


Proyectos en Ingeniería de Petróleo Proyecto SMART-E&P

Visión Integrada de la Gestión E&P

Modelo do Sistema

OpçõesReais

Novas TecnologiasEOR

Sensoriamento, monitoração

real-time

Novos materiais

Nanotecnologia

Alternativa de desenvolvimento

Modelo de reservatório

InversãoSísmica

Controle e Otimização

(Campo Inteligente)• Módulo 2 – Controle Pró-Ativo:

Otimização de Posicionamento e Controle de Válvulas

• Módulo 3 – Controle Reativo

• Módulo 5 – Proxy de Reservatório Usando Caos Polinomial

• Módulo 6 – Estimação dinâmica do modelo de reservatório

Análise Econômica e de Risco eOtimização

• Módulo 1 – Otimização de Alternativas com Poços Multilaterais

Análise Integradade Dados

BD

Módulo 4 – Ajuste Histórico Inteligente

AjusteHistórico



Proyecto SMART E&PSMART E&P: Sistemas e Modelos Inteligentes Aplicados a Reservatórios comTecnologia de Malha Fechada para a Exploração e Produção de Petróleo e Gás

Proyecto que integra varios frentes de investigación en el área de E&Porganizados como módulos de acuerdo a su área de aplicación:

1 Otimização de Alternativas com Poços Multilaterais2 Controle Pró-Ativo: Otimização de Posicionamento e Controle de

Válvulas3 Controle Reativo da produção4 Estimação dinâmica do modelo de reservatório sob incertezas5 Inversão Sísmica 3D



Proyecto SMART E&POptimización de Alternativas con pozos Multilaterales

Comp. Evolutiva para optimizar alternativas con pozos multilaterales [21]



Proyecto SMART E&POptimización de localización y operación de válvulas

Se optimiza:Cantidad y localización de las válvulasConsidera incertidumbre técnica y geológica usando simulación MonteCarloEstudio de expansiones para modelar las incertidumbres



Proyecto SMART E&PControl reactivo de la producción

Modelo de control lazo cerrado de producción a corto y medio plazoIdentificación del modelo de reservorio: Neuronal, Lineal, no linealOptimización: Reinf. Learning, MPC, Algoritmos Evolutivos [22, 23]Tratamiento de incertidumbre del modelo de reservorio: QIEA-R.

Reservatório

��

Modelo proxy do Reservatório

��

Otimização da estratégia de Controle

)1(

)1(

)1(

+++

tW

tG

tO

)1( +tP

)1(ˆ)1(ˆ)1(ˆ

+++

tW

tG

tO

)(* ta

)(ˆ ta

SP

SP

SP

W

G

O

Nova informação

Modelo de Incertezas




Control de waterflooding usando Reinforcement LearningIncrementar factor de recuperación controlando el watercut porpresión de fondo (BHP) o water injection rate (STW)

AGENTE

AMBIENTE

ti+1

ai = STWa,i

Acaoti

VPLi

- Matriz Q(a,s)

- Q-learning

- Polıtica

- Rotina de RESTART

- Simulador IMEX

- Results Report

Premio

VPLi+1

- CAPEX/OPEX

- Mercado

- Calculo VPL

Oi+1

Gi+1

Wi+1




Control de waterflooding usando Reinforcement LearningIncrementar factor de recuperación controlando el watercut porpresión de fondo (BHP) o water injection rate (STW)



Proyecto SMART E&PProxy de reservorio con característica recursiva

Modelo de Reservorio cuyas saidas pueden ser reaprovechadas para unpróximo paso de previsión (multistep forecasting) [22].

Estimación de modelo clásica y neuronalAplicabilidad en el control de producción

MODELO DE

RESERVORIO

(Recursivo)

Av.Pressuret−1

Oilt−1

Watert−1

Gast−1

Watercutt−1

BHPINJt−1

BHPPRODt−1

Entrad

asRecursivas

Con

trol

Reservorio

Av.Pressuret

Oilt

Watert

Gast

Watercutt



Proyecto SMART E&PEstimación dinámica del modelo de reservorio bajo incertidumbre

Estimación de los Parámetros geológicos del modelo de reservorio bajoincertidumbre usando [24]

Expansión de PCA Karhunen-Loève para actualizar los parámetrosInversión bayesiana para auxiliar en la actualización.

SistemaReal

Algoritmo de Controle

Modelo aproximado do

reservatório

Algoritmo de Atualização

(Expansão K-L)

Entrada SaídaRuído Ruído

Otimização Sensores



Proyecto SMART E&PInversión Sísmica 3D – Estimación dinámica del modelo de reservorio bajoincertidumbre

Desarrollo de un método de estimación de parámetros sísmicos para unmodelo de capas en 3D con baja inclinación a partir de datos de reflexiónsísmica usando Computación Evolutiva Híbrida [25]

Fuentes

V1

Receptores

V2

V3

x

z

y

Malla



Proyecto SMART E&PGestión Integrada y Soporte a la Decisión E&P

Sistema de Controle de Produção

Sistema ANEPI

Módulo de Análise de Decisão do Uso de Poços

Inteligentes• Otimização de Localização e

Controle de Válvulas sob Incertezas

Módulo deAnálise de Decisão de Alternativas por Opções Reais sob

Incertezas

Sistema Real

Módulo deControle Reativo de Válvulas

Módulo deOtimização Waterflood

Gerador de Modelo de

Reservatório

Módulo deOtimização de Alternativas

de Exploração

Poços Multilaterais

Sistema de Modelagem Dinâmica de Reservatórios

Módulo deEstimação dos

parâmetros sob Incerteza

Sistema de Gerência de Arquivos

Módulo deDados

Sísmicos

Módulo deModelos de Reservatórios

CamposAlternativas

Poços

Servidor BD

Simuladores

IMEX Proxy

Simulador com Incertezas


Proyectos en Ingeniería de Petróleo Proyecto CONFPETRO

Proyecto CONFPETROSistema de Caracterização da Confiabilidade Humana para a Área de Petróleo

Crear un sistema basado en lógica Fuzzy para reduir las posibilidades deerror humano en el Area de Petróleo [26, 27].

Para las actividades de operación, mantenimiento e inspección detrasferencia y almacenamiento en la REDUC (Refinaria Duque deCaxias – RJ)Unidad de Producción de Gas en Pólo Cacimbas – (Unidade deNegócios – ES)



Proyecto CONFPETRO1. Caracterização da Confiabilidade Humana em um Processo

Caracterizada por el grado de cumplimiento de un conjunto de atributos:Performance Shaping Factors (PSFs) humanos técnico o ambientales

Se requiere la opinion de expertos sobre la influencia de cada factoren la confiabilidad humana.Determinando un grado de importancia de cada especialista seobtiene el grado de influencia ajustado de cada PSF.Se conoce la opinión de cada operador y con esto se obtiene opinionesnormalizadas al máximo.Se obtiene un grado de atencion consensual por cada PSF.Se puede determinar un grado de atención global.



Proyecto CONFPETROCaracterización de Confiabilidad Humana: Proceso

Proceso con k PSFs, M expertos y N operadores.

Caracterização da

Confiabilidade

Humana em um

Processo

Para um procedimento com K PSFs, e contando com M especialistas e N operadores

Opiniões sobre graus de

influência (M x K)

PSFs (K)

Questionários (M)


atendimento (N x K)

graus de influência

padrão (K)

graus de atendimento

consensual (K)

graus de atendimento por

operador (N)

grau de atendimento global



Proyecto CONFPETROCaracterización de Confiabilidad Humana: Procedimiento

Procedimiento con A acciones, k factores cognitivos, M expertos y Noperadores.Para um procedimento com A ações, considerando K fatores cognitivos, contando com M especialistas e N operadores

possibilidades de falha nas ações e

incertezas associadas (A x 2)

graus de influência de fatores

cognitivos (K)

graus de atendimento dos

operadores (N x K)

Caracterização da

Confiabilidade

Humana em um

Procedimento

Testes Cognitivos (N x K)

Opiniões sobre graus de influência

de fatores cognitivos (M x K)

Opiniões sobre possibilidades de

falha (M x A)


dependência (M x A)


transtorno(M x A x A)


incerteza(M x A)



Proyecto CONFPETROPSF (Performance Shaping Factors)

Conjunto de atributos que caracterizan confiabilidad humana para unprocedimiento dentro de un proceso. Son 64 factores agrupados en:

Factores Internos: entrenamiento, experiencia del trabajador,prácticas, patrones de desempeño, stress, personalidad, estado físico,cultura del trabajador.Características Situacionales: Arquitectura, ambiente de trabajo,horarios, turnos, equipos, personas, organización, reglamentos,políticas.Procedimientos: Procedimientos escritos, no escritos, comunicación,cuidados advertencias, métodos de trabajo, equipo de trabajo,necesidades de: previsión, toma de decisiones, complejidad, memoria,cálculos y físicas, feedback, interfaz del hardware, repetitividad





Factores Internos: entrenamiento, experiencia del trabajador,prácticas, patrones de desempeño, stress, personalidad, estado físico,cultura del trabajador.

Características Situacionales: Arquitectura, ambiente de trabajo,horarios, turnos, equipos, personas, organización, reglamentos,políticas.Procedimientos: Procedimientos escritos, no escritos, comunicación,cuidados advertencias, métodos de trabajo, equipo de trabajo,necesidades de: previsión, toma de decisiones, complejidad, memoria,cálculos y físicas, feedback, interfaz del hardware, repetitividad





Factores Internos: entrenamiento, experiencia del trabajador,prácticas, patrones de desempeño, stress, personalidad, estado físico,cultura del trabajador.Características Situacionales: Arquitectura, ambiente de trabajo,horarios, turnos, equipos, personas, organización, reglamentos,políticas.

Procedimientos: Procedimientos escritos, no escritos, comunicación,cuidados advertencias, métodos de trabajo, equipo de trabajo,necesidades de: previsión, toma de decisiones, complejidad, memoria,cálculos y físicas, feedback, interfaz del hardware, repetitividad





Factores Internos: entrenamiento, experiencia del trabajador,prácticas, patrones de desempeño, stress, personalidad, estado físico,cultura del trabajador.Características Situacionales: Arquitectura, ambiente de trabajo,horarios, turnos, equipos, personas, organización, reglamentos,políticas.Procedimientos: Procedimientos escritos, no escritos, comunicación,cuidados advertencias, métodos de trabajo, equipo de trabajo,necesidades de: previsión, toma de decisiones, complejidad, memoria,cálculos y físicas, feedback, interfaz del hardware, repetitividad





Stress Psicológico: inicio inesperado, presión, vigilancia, monotonía,exposición, amenazas de empleo, conflictos, sensibilidad humana,distracciones, recompensas, reconocimiento.

Stress Fisiológico: duración del stress, fatiga, incomodidad, hambre,sed, temperatura, radiaciones, falta de oxígeno, exposición química,vibraciones, limitación y repetición de movimientos, ejercicio físico,ritmo circadiano





Stress Psicológico: inicio inesperado, presión, vigilancia, monotonía,exposición, amenazas de empleo, conflictos, sensibilidad humana,distracciones, recompensas, reconocimiento.Stress Fisiológico: duración del stress, fatiga, incomodidad, hambre,sed, temperatura, radiaciones, falta de oxígeno, exposición química,vibraciones, limitación y repetición de movimientos, ejercicio físico,ritmo circadiano



Sistema CONFPETRO

Atributos de Confiabilidade

Humana

64

1

k

Contexto de indução ao erro

Procedimentos de Operação,

Manutenção e Inspeção

n

k

1

Módulo de:

• Criação do Padrão de Qualidade

• Determinação dos Graus de:

� atendimento ao PQ � Inclusão do PQ nos operários

Módulo:

• Construtor da Árvore Fuzzy de falhas humanas

• Cálculo da possibilidade de erro humano.

Construção de seqüência de ações humanas em função de PF; Dep; GT, para cada procedimento.

Identificação das demandas Cognitivas em cada procedimento.

Aplicação de testes psicológicos aos operários

Alterações nos procedimentos. Aplicação de novas estratégias de treinamento. Exigências de novas normas.

Legenda: PF: Probabilidades de falha humana Dep: Dependência entre ações. GT: Grau de Transtorno PQ: Padrão de Qualidade

Modelo Fuzzy 1. Pes o do especialista 2. Matriz de concordância 3. Teoria de Consenso

Construtor de regras fuzzy

IF...PSF... and . ..Ação... Then Confiabilidade Humana....

Sistema de Caracterização da Confiabilidade Humana para a Área de Petróleo

Atributos de Confiabilidade

Humana

64

1

k

Contexto de indução ao erro

Procedimentos de Operação,

Manutenção e Inspeção

n

k

1

Módulo de:

• Criação do Padrão de Qualidade

• Determinação dos Graus de:

� atendimento ao PQ � Inclusão do PQ n os t rabalhadores

Módulo:

• Construtor da Árvore Fuzzy de falhas humanas

• Cálculo da possibilidade de erro humano.

Construção de seqüência de ações humanas em função de PF; Dep; GT, para cada procedimento.

Identificação das demandas Cognitivas em cada procedimento.

Aplicação de testes psicológicos aos trabalhadores

Alterações nos procedimentos. Aplicação de novas estratégias de treinamento. Exigências de novas normas.

Legenda: PF: Probabilidades de falha humana Dep: Dependência entre ações. GT: Grau de Transtorno PQ: Padrão de Qualidade

Modelo Fuzzy 1. Pes o do especialista 2. Matriz de concordância 3. Teoria de Consenso

Construtor de regras fuzzy

IF...PSF... and . ..Ação... Then Confiabilidade Humana....

Sistema de Caracterização da Confiabilidade Humana para a Área de Petróleo


Producción académica obtenida

Producción académicaInvestigación en Ing. Petróleo – Producción Académica

Se los siguientes productos:Proyectos tecnológicos I&D:

- ANEPI,F2,F3, ANEPI-CI, SMART-E&P, CONFPETROPremios ganados:

- Prêmio Petrobras de Tecnologia ediciones 2005, 2007, 2008, 2011Producción Bibliográfica:

- LIBRO Análise Econômica de Projetos de Desenvolvimento de Camposde Petróleo sob Incerteza, Ed. Interciência/PUC-Rio, maio 2007.

- LIBRO Oil Field Development under Uncertainty. Ed. Heidelberg:Springer Berlin, 2009.Capítulos en libros; aprox. 50 Artículos en proceedings, 7 artículos enrevistas indexadas.Tesis de Doctorado, Disertaciones de Maestría, trabajos de pregrado.

Congresos: CITARE 2007


Bibliografía

Bibliografía I

Y. J. Túpac, M. M. Vellasco, and M. A. C. Pacheco, “Selection ofAlternatives for Oil field Development by Genetic Algorithms,” RevistaEngenharia Térmica, Edição Especial, vol. 2, pp. 51–54, may 2002.

L. F. Almeida, “Otimização de alternativas para desenvolvimento de campode petróleo usando computação evolucionária,” Master’s thesis,Departamento de Engenharia Elétrica, Pontifícia Universidade Católica doRio de Janeiro, Rio de Janeiro, Brasil, 2003, (In Portuguese).

Y. J. T. Valdivia, “Sistema inteligente de otimização de alternativas dedesenvolvimento de campos petrolíferos,” Ph.D. dissertation, Departamentode Engenharia Elétrica, Pontifícia Universidade Católica do Rio de Janeiro,Rio de Janeiro, RJ, Brasil, 2005, (In Portuguese).

L. F. Almeida, Y. T. Valdivia, M. M. B. R. Vellasco, and M. A. C. Pacheco,“Otimização de alternativas para o desenvolvimento de campos de petróleo,”Gestão & Produção, vol. 14, pp. 489–503, 12 2007.


Bibliografía

Bibliografía II

R. S. Zebulum, M. A. Pacheco, and M. M. B. R. Vellasco, EvolutionaryElectronics: Automatic Design of Electronic Circuits and Systems by GeneticAlgorithms. CRC Press, 2002.

Y. J. Túpac and L. Faletti, “Parallel evolutionary algorithms applied tooptimize the oilfields development,” in Proceedings del Encuentro Chileno deComputación, Curicó, Chile, 2011. [Online]. Available:http://jcc2011.utalca.cl/actas/ECC/jcc2011_submission_170.pdf

J. Lazo, M. Pacheco, and M. Vellasco, “Real options and genetic algorithmsto approach of the optimal decision rule for oil field development underuncertainties,” in Theoretical Advances and Applications of Fuzzy Logic andSoft Computing, ser. Advances in Soft Computing, O. Castillo, P. Melin,O. Ross, R. Sepúlveda Cruz, W. Pedrycz, and J. Kacprzyk, Eds. SpringerBerlin / Heidelberg, 2007, vol. 42, pp. 445–454,10.1007/978-3-540-72434-6_44. [Online]. Available:http://dx.doi.org/10.1007/978-3-540-72434-6_44


http://jcc2011.utalca.cl/actas/ECC/jcc2011_submission_170.pdf

http://dx.doi.org/10.1007/978-3-540-72434-6_44

Bibliografía

Bibliografía III

J. G. L. Lazo, “Determinação do valor de opções reais por simulação montecarlo com aproximação por números fuzzy e algoritmos genéticos,” Ph.D.dissertation, Departamento de Engenharia Elétrica, Pontifícia UniversidadeCatólica do Rio de Janeiro, Rio de Janeiro, RJ, Brasil, 2004, (In Portuguese).

J. G. Lazo Lazo, M. M. B. R. Vellasco, and M. A. C. Pacheco,“Determination of real options value by monte carlo simulation and fuzzynumbers,” in Proceedings of the Fifth International Conference on HybridIntelligent Systems, ser. HIS’05. Washington, DC, USA: IEEE ComputerSociety, 2005, pp. 488–496. [Online]. Available:http://dx.doi.org/10.1109/ICHIS.2005.35

J. G. L. Lazo, M. M. B. R. Vellasco, M. A. C. Pacheco, , and M. A. G. Dias,“Real options value by monte carlo simulation and fuzzy numbers,”International Journal of Business, vol. 12, may 2007.


http://dx.doi.org/10.1109/ICHIS.2005.35

Bibliografía

Bibliografía IV

Y. J. Túpac, L. Faletti, J. G. Lazo, M. M. R. Vellasco, and M. A. Pacheco,“Decision support system for economic analysis of E&P projects underuncertainties,” in SPE Intelligent Energy Conference and Exhibition.Amsterdam, The Netherlands: Society of Petroleum Engineers, 2008.

M. A. Pacheco and M. M. Vellasco, Eds., Intelligent Systems in Oil FieldDevelopment under Uncertainty. Springer Berlin / Heidelberg, January2009.

A. A. Emerick and R. C. M. P. Portella, “Production optimization withintelligent wells,” in SPE Latin American & Caribbean Petroleum EngineeringConference. Buenos Aires, Argentina: Society of Petroleum Engineers, 2007.

L. F. Almeida, “Sistema híbrido de otimização de estratégias de controle deválvulas de poços inteligentes sob incertezas,” Ph.D. dissertation,Departamento de Engenharia Elétrica, Pontifícia Universidade Católica doRio de Janeiro, Rio de Janeiro, Brasil, 2007, (In Portuguese).


Bibliografía

Bibliografía V

L. Faletti, M. M. Vellasco, and M. A. C. Pacheco, “Optimization system forvalve control in intelligent wells under uncertainties,” Journal of PetroleumScience and Engineering, vol. 73, pp. 129–140, may 2010.

L. Almeida, Y. Valdivia, J. Lazo, M. Pacheco, and M. Vellasco,“Evolutionary computation for valves control optimization in intelligent wellsunder uncertainties,” in Theoretical Advances and Applications of FuzzyLogic and Soft Computing, ser. Advances in Soft Computing, O. Castillo,P. Melin, O. Ross, R. Sepúlveda Cruz, W. Pedrycz, and J. Kacprzyk, Eds.Springer Berlin / Heidelberg, 2007, vol. 42, pp. 425–434,10.1007/978-3-540-72434-6_42. [Online]. Available:http://dx.doi.org/10.1007/978-3-540-72434-6_42


http://dx.doi.org/10.1007/978-3-540-72434-6_42

Bibliografía

Bibliografía VI

L. F. Almeida, Y. J. Túpac, M. A. C. Pacheco, M. M. B. R. Vellasco, andJ. G. L. Lazo, “Evolutionary optimization of smart-wells control undertechnical uncertainties,” in SPE Latin American & Caribbean PetroleumEngineering Conference. Buenos Aires, Argentina: Society of PetroleumEngineers, 2007.

A. A. Emerick, E. Silva, B. Messer, L. F. Almeida, D. Szwarcman, M. A. C.Pacheco, and M. M. B. R. Vellasco, “Well placement optimization using agenetic algorithm with nonlinear constraints,” in SPE Reservoir SimulationSymposium. The Woodlands, Texas, USA: Society of Petroleum Engineers,2009.

M. Nikolaou, A. Stan Cullick, L. A. Saputelli, G. Mijares, S. Sankaran, andL. C. Reis, “A consistent approach toward reservoir simulation at differenttime scales,” in SPE Intelligent Energy Conference and Exhibition.Amsterdam, The Netherlands: Society of Petroleum Engineers, 2006.


Bibliografía

Bibliografía VII

M. Nikolaou, A. Stan Cullick, and L. A. Saputelli, “Productionoptimization–a moving-horizon approach,” in SPE Intelligent EnergyConference and Exhibition. Amsterdam, The Netherlands: Society ofPetroleum Engineers, 2006.

B. Messer, “Projeto de Poços multilaterais em Reservatórios de Petróleootimizados por Algoritmos Genéticos,” Master’s thesis, Departamento deEngenharia Elétrica, Pontifícia Universidade Católica do Rio de Janeiro, Riode Janeiro, Brasil, 2009, (In Portuguese).

Álvaro Gustavo Talavera, “Controle Preditivo com Aprendizado por Reforçopara Produção de Óleo em Poços Inteligentes,” Master’s thesis,Departamento de Engenharia Elétrica, Pontifícia Universidade Católica doRio de Janeiro, Rio de Janeiro, Brasil, 2010, (In Portuguese).


Bibliografía

Bibliografía VIII

A. G. Talavera, Y. J. Túpac, and M. M. R. Vellasco, “Controlling oilproduction in smart wells by MPC strategy with reinforcement learning,” inSPE Latin American and Caribbean Petroleum Engineering Conference.Lima, Peru: Society of Petroleum Engineers, 2010.

S. de Carvalho Miyoshi, “Modelo kernel PCA-genético para ajuste dehistórico,” Master’s thesis, Departamento de Engenharia Elétrica, PontifíciaUniversidade Católica do Rio de Janeiro, Rio de Janeiro, Brasil, 2010, (InPortuguese).

S. G. B. Huamán, “Inversão de Parâmetros Geofísicos em Três Dimensões apartir de Dados de Reflexão sísmica por Algoritmos genéticos Híbridos,”Master’s thesis, Departamento de Engenharia Elétrica, PontifíciaUniversidade Católica do Rio de Janeiro, Rio de Janeiro, Brasil, 2008, (InPortuguese).


Bibliografía

Bibliografía IX

J. More, R. Tanscheit, M. Vellasco, M. Pacheco, and D. Swarcman, “A fuzzyapproach to the study of human reliability in the petroleum industry,” inTheoretical Advances and Applications of Fuzzy Logic and Soft Computing,ser. Advances in Soft Computing, O. Castillo, P. Melin, O. Ross,R. Sepúlveda Cruz, W. Pedrycz, and J. Kacprzyk, Eds. Springer Berlin /Heidelberg, 2007, vol. 42, pp. 415–424, 10.1007/978-3-540-72434-6_41.[Online]. Available: http://dx.doi.org/10.1007/978-3-540-72434-6_41

J. D. Moré, “Análisis de la Confiabilidad humana en una Refinería depetróleo. Uso de metodología borrosa,” Cuadernos del CIMBAGE, vol. 12,pp. 71–84, 2010.


http://dx.doi.org/10.1007/978-3-540-72434-6_41

Bibliografía

¿Preguntas?


aplicación de técnicas computacionales en ingeniería de petróleo

Documents