Previsão da produção de um reservatório por série temporal utilizando o algoritmo Random Forest

Autores

  • Isabel F. A. Gonçalves
  • Sinesio Pesco
  • Abelardo B. Barreto
  • Thiago M. D. Silva

Resumo

A previsão precisa do desempenho de um campo é essencial no planejamento e gerenciamento de reservatórios de petróleo. No entanto, prever produção de petróleo ainda é um problema complexo e altamente não linear devido suas propriedades geofísicas e petrofísicas. Isto significa que com poucas variações, as observações podem ser muito diferentes. Na engenharia de reservatórios, a tomada de decisão de um projeto de exploração precisa levar em consideração diferentes algoritmos eficientes para simulação dados, fornecendo cenários robustos e confiáveis, com objetivo de reduzir os riscos. Para administrar a incerteza no processo de caracterização e estimar dados futuros, pesquisadores tem aplicado algoritmos de aprendizado de máquina, capazes de resolver problemas de engenharia com eficiência, extraindo o máximo de informações dos dados observados. Como exemplo, podemos citar o trabalho de Goncalves et al. [1], que utilizou o algoritmo Random Forest para prever a produção de óleo de um campo de petróleo um dia a frente. A estratégia utilizada foi similar a de previsão em séries temporais. Neste estudo foram observados bons resultados no conjunto de dados Volve [2]. Este reservatório é localizado no Mar do Norte, Noruega, foi descoberto em 1993, com profundidade de cerca de 2900 m e produção iniciando em 2008, sendo desativado em 2016, com produção acumulada de 63 milhões de barris. [...]

Downloads

Não há dados estatísticos.

Biografia do Autor

Isabel F. A. Gonçalves

PUC-Rio, Rio de Janeiro, RJ

Sinesio Pesco

PUC-Rio, Rio de Janeiro, RJ

Abelardo B. Barreto

PUC-Rio, Rio de Janeiro, RJ

Thiago M. D. Silva

SLB, Rio de Janeiro, RJ

Referências

I. F. A. Gonçalves, T. M. D. Silva, A. Barreto e S. Pesco. “Predicting oil field production using the Random Forest algorithm”. Em: Anais Estendidos do XXXV Conference on Graphics, Patterns and Images. Natal/RN: SBC, 2022, pp. 134–139.

Equinor. Volve dataset. https://www.equinor.com/en/news/14jun2018- disclosingvolve-data.html. [Online; accessed 13-April-2022]. 2008.

Downloads

Publicado

2023-12-18

Edição

Seção

Resumos