Aplicações de Um Modelo Substituto de Ordem Reduzida

Universidade Federal de Pernambuco
Centro de Tecnologia e Geociencias

Departamento de Engenharia Civil
Aplica
c
oes de um modelo substituto de ordem reduzida
a estudos de gerenciamento de reservat
orios de petr
oleo
Manuel Fragoso Machado Junior
Recife/2014
Universidade Federal de Pernambuco

Centro de Tecnologia e Geociencias
Departamento de Engenharia Civil
Manuel Fragoso Machado Junior
Aplica
c
oes de um modelo substituto de ordem reduzida
a estudos de gerenciamento de reservat
orios de petr
oleo
Disserta
c
ao de Mestrado apresentada ao Programa
de P
os-gradua
c
ao do Departamento de Engenharia
Civil da Universidade Federal de Pernambuco como
requisito parcial para obten
c
ao do grau de Mestre
na
area de Gerenciamento de Reservat
orios de
Petr
oleo.
Orientador: Prof. Dr. Bernardo Horowitz

Co-Orientador: Dr. Jos
e Roberto Pereira Rodrigues
Recife/2014
Catalogao na fonte
Bibliotecria Margareth Malta, CRB-4 / 1198
M149a
Machado Junior, Manuel Fragoso.

Aplicaes de um modelo substituto de ordem reduzida a estudos de
gerenciamento de reservatrios de petrleo / Manuel Fragoso Machado
Junior. - Recife: O Autor, 2014.
135 folhas, il., grfs., tabs.
Orientador: Prof. Dr. Bernardo Horowitz.
Coorientador: Prof. Dr. Jos Roberto Pereira Rodrigues.
Dissertao (Mestrado) Universidade Federal de Pernambuco. CTG.
Programa de Ps-Graduao em Engenharia Civil, 2014.
Inclui Referncias.
1. Engenharia Civil. 2. Modelo de ordem reduzida. 3. Trajectory
Piecewise Linearization. 4. Simulao de reservatrios. 5. Otimizao
sequencial aproximada multifidelidade. 6. Control variates. 7. Propagao
de Incertezas. I. Horowitz, Bernardo. (Orientador). II. Rodrigues, Jos
Roberto Pereira. (Coorientador). III. Ttulo.
UFPE
624 CDD (22. ed.)
BCTG/2012-304
UNIVERSIDADE FEDERAL DE PERNAMBUCO
EM ENGENHARIA CIVIL
PROGRAMA DE POS-GRADUAC
AO
A comissao examinadora da defesa da dissertacao de mestrado
APLICAC
OES
DE UM MODELO SUBSTITUTO DE ORDEM REDUZIDA A
ESTUDOS DE GERENCIAMENTO DE RESERVATORIOS

DE PETROLEO
defendida por Manuel Fragoso Machado Junior

considera o candidato APROVADO.
Recife, 28 de maio de 2014
Orientadores:
Prof. Dr. Bernardo Horowitz
(Orientador)
Dr. Jose Roberto Pereira Rodrigues
(Co-Orientador)
Banca Examinadora:
Prof. Dr. Paulo Goldfeld UFRJ
(Examinador Externo)
Dr. Marco Antonio Cardoso Petrobras
(Examinador Externo)
Prof. Dr. Ramiro Willmersdorf - UFPE
(Examinador Interno)
Profa. Dra. Silvana Maria Bastos da Silva
(Examinadora Interna)

DEDICATORIA
Dedico este trabalho aos meus queridos amigos e familiares

e em especial à minha noiva, Elaine, e à minha mae, Maria Luiza.
AGRADECIMENTOS
Muitas foram as pessoas que contribuiram para a realizacao deste trabalho. Sao
tantas que tenho receio de me esquecer de alguem. Mas vou iniciar minha longa lista de
agradecimentos.
Ele quem me permite acordar todos os
Antes de tudo quero agradecer a Deus. E
dias, seguir minha jornada, fazer minhas escolhas. Sem Ele nao teria forcas para realizar este
trabalho.
Quero agradecer a meu orientador Prof. Bernardo Horowitz por toda a sua boa
vontade em orientar, suas ideias valiosas e as conversas durante o almoco ou cafe. Desde o
primeiro dia em que cheguei a Recife para este trabalho me senti direcionado a desenvolver
um trabalho interessante e desaante.
Agradeco tambem ao Prof. Ezio

Araujo por todas as conversas tecnicas ou nao,
pelo acolhimento no grupo de pesquisa e por emprestar-me um carro que foi u
til em diversos
momentos.
Tambem nao posso me esquecer do Prof. Leonardo Guimaraes, pelas conversas
cheias de ideias, pelas pedaladas no m de semana, pelas excelentes aulas e pela amizade que
foi cultivada.
Pelas otimas aulas e trocas de ideias devo agradecer tambem ao Prof. Ramiro
Wilmersdorf e Profa. Silvana Bastos. Dois dos captulos desta dissertacao surgiram em
trabalhos de suas disciplinas. Tambem nao posso esquecer dos Profs. Darlan Karlo e Antonio
pelas aulas e conversas de corredor sobre assuntos do mundo do petroleo ou nao.
Entre os alunos do Programa de Pos-graduacao em Engenharia Civil nao posso
deixar de mencionar alguns nomes: Liliane Fonseca, pelo auxlio na minha chegada a Recife;
Jeerson Wellano e Julio pelos bons momentos de descontracao no laboratorio de informatica;
Roberto Pareja e Rodrigo pelo companheirismo nas disciplinas que cursamos juntos.
Muito obrigado tambem às funcionarias do Programa Andrea e Rose Mary por
resolverem todos os tipos de problemas que tive com a burocracia da universidade.
Tambem tenho muito a agradecer à empresa em que trabalho, a PETROBRAS,
por me proporcionar a oportunidade de realizar esta pesquisa e pelo apoio nanceiro, pagando
o meu salario. Em especial, nao posso esquecer de minha gerente, Flavia Pacheco, pela
permissao e estmulo. Tambem agradeco aos Engos . Regis Kruel, por indicar-me a UFPE,
Marco Antonio e Jose Roberto, por responderem às questoes sobre TPWL e SIMPAR com
toda a paciencia e ao Leonardo Cabral, que fazendo doutorado na mesma universidade, me
proporcionou otimas conversas. Agradeco tambem aos meus amigos de sala no CENPES,
Engos . Guilherme Teixeira e Lus Carlos e Rodrigo Carpio pelas conversas produtivas.
Alem das pessoas da universidade, muitos foram aqueles que me proporcionaram
otimos momentos de descontracao durante a estada em Recife. Por causa deles, o trabalho
arduo e a distancia da famlia nao foram grandes problemas. Cito aqui os principais nomes
que deixarao saudades, mas a lista completa e bem extensa. Agradeco entao a todos os meus
amigos que moravam na Rep
ublica das Palmeiras em especial a Ana L
ucia, Ciancony Rocha,
Cristina Nepomuceno, Daniel Lazo, Elisa Griti, Fagunes Ferreira, Manuela, Marlia Santos,
Murilo Ara
ujo, Pedro Souza, Ranielder e Vanessa Pedrosa.
Tenho muito a agradecer tambem aos meus familiares que me apoiaram, mesmo
que a distancia. Agradeco a meu irmao, Carlos Augusto, que passou comigo otimos momentos
em Recife e sempre me motivou na busca pelo conhecimento, a meu irmao Marcelo Machado
e meu pai, Manuel Fragoso, pela ajuda constante com todo tipo de problema que pudesse
ter em minha terra natal, aos meus padrinhos, Heloisa Moreira e Jorge Guilherme por tudo
que zeram por mim ao longo de minha vida, a Sra . Maria Jose, por ter sido sempre a
minha segunda mae e a meus cumpadres, Renato Cabral e Luciana Ferrari, por me darem a
honra de batizar sua lha, Larinha. Tambem agradeco a minha sobrinha e alhada Massa
Machado, por todo o carinho que me dispunha em todas as vezes que voltei ao Rio.
Finalmente agradeco muito à minha noiva Elaine Andrade, pelo amor, carinho e
paciencia que a mim ela dedica. Tambem à minha mae, que nao so me deu a vida, mas me
da todo o apoio em todas as minhas escolhas.
A imaginacao e mais importante que a ciencia,

porque a ciencia e limitada,
ao passo que a imaginacao abrange o mundo inteiro.
(Albert Einstein)
RESUMO
Esta dissertacao tem como objetivo a aplicacao de esquemas multidelidade de otimizacao
e propagacao de incertezas ao gerenciamento de reservatorios de petroleo. A metodologia
Trajectory Piecewise Linearization -TPWL em combinacao com Proper Orthogonal Decomposition - POD foi utilizada como modelo substituto de ordem reduzida para o simulador
de uxo. Estas tecnicas reduzem a complexidade e a dimensao do problema atraves da linearizacao de suas equacoes governantes em torno de estados convergidos e armazenados
durante uma simulacao de treinamento. O metodo mostra-se acurado nas vizinhancas da
trajetoria de treinamento. Ganho de tempo consideravel foi obtido pela sua utilizacao, o que
cou demonstrado nas aplicacoes realizadas com modelos de dois reservatorios diferentes. O
simulador de reservatorios utilizado foi desenvolvido pela Petrobras e cedido às universidades
participantes da rede SIGER para realizarem seus estudos de simulacao. Consiste em um
simulador black-oil, mas sua formulacao difere da normalmente utilizada em softwares comerciais, pois em vez de utilizar as saturacoes como variaveis primarias utiliza fracoes massicas.
Seu codigo foi alterado de modo a realizar a exportacao dos dados necessarios à construcao
do modelo substituto. Para comunicacao entre o simulador e as rotinas de treinamento do
modelo de ordem reduzida, utilizou-se um padrao hierarquico e generico de arquivos binarios
chamado Hierachical Data Format. O problema do retreinamento do modelo de ordem reduzida foi estudado em mais detalhe, propondo-se um metodo para agregar os estados e
derivadas de uma dada simulacao ao conjunto ja utilizado na construcao inicial. Alem disso,
estudou-se a necessidade de retreinamento durante o processo de otimizacao, propondo-se um
criterio para realiza-lo à medida que o processo de otimizacao avanca, passando por pontos
que produzem trajetorias cada vez mais distantes da utilizada no treinamento. O trabalho
mostra que o problema com a instabilidade do TPWL/POD reportado na literatura e mitigado trocando-se a projecao de Bubnov-Galerkin, utilizada nos primeiros trabalhos com este
metodo, pela projecao de Petrov-Galerkin. Isto ja havia sido mencionado na literatura como
mecanismo de estabilizacao. O estudo de otimizacao visou a maximizacao do valor presente
lquido considerando pressoes de fundo dos pocos como variaveis de projeto. Foi desenvolvido um algoritmo de Otimizacao Sequencial Aproximada com Multidelidade (MSAO), que
converte o problema de otimizacao em uma sequencia de problemas aproximados, validos
dentro de uma regiao de conanca. Este algoritmo utiliza uma combinacao entre o modelo
de ordem reduzida aqui estudado e um modelo de krigagem, baseado em algumas simulacoes
realizadas no interior de cada regiao de conanca. Bons resultados foram obtidos, tendo
o algoritmo em alguns casos superado a referencia que consiste na otimizacao atraves da
apliacao direta do algoritmo Sequential Quadratic Programing - SQP sobre o modelo de alta
delidade. O estudo de incertezas consistiu no calculo da media e do desvio padrao do valor
presente lquido considerando-se distribuicoes de probabilidades para as pressoes de fundo
dos pocos. Um algoritmo Monte Carlo Multidelidade foi desenvolvido baseado na tecnica
estatstica das variaveis de controle. Este metodo tira proveito da correlacao entre os modelos de alta e baixa delidade, lancando muitas simulacoes do modelo de ordem reduzida,
corrigindo seus resultados com uma quantidade menor de execucoes do simulador. Com base
nesta correlacao e na razao do custo computacional para simulacao de alta e baixa delidade,
o algoritmo determina a razao do n
umero de execucoes dos dois modelos.
Palavras-Chave: Modelo de ordem reduzida. Trajectory piecewise linearization. Simulacao

de reservatorios. Otimizacao sequencial aproximada multidelidade. Control variates. Propagacao de incertezas.
ABSTRACT
The goal of this dissertation is the application of optimization and uncertainty propagation
based on multidelity frameworks to oil reservoir managment. The reduced order surrogate
model used to replace the ow simulator is based on the Trajectory Piecewise Linearization
(TPWL) methodology combined with Proper Orthogonal Decomposition (POD). These techniques reduce the numerical complexity and dimension of the problem by performing the
linearization of governing equations around converged states stored during a training simulation. The method is shown to be accurate in the neighbourhood of the training trajectory.
Good speedups were achieved by its application to two dierent reservoir models. The reservoir simulator used in this work was developed by Petrobras and was given to Brazilian
universities members of SIGER Research Network to perform simulation studies. It is a
blackoil simulator but its formulation is dierent from what is used in commercial software.
It uses mass fractions instead of saturations. The simulator code, in general, was changed
to export the necessary data to build the reduced order model. Hierarchical data format
was used to link the simulator to reduced order model. The TPWL/POD retraining process
was studied in detail. It consists of a method to add new simulation states and derivatives
to the training set built initially. We proposed a criterion to determine when retraining is
needed during the optimization process. This work shows that the problem with instability of
TPWL/POD reported in the literature is avoided by replacing the Bubnov-Galerkin projection with the Petrov-Galerkin one. This is not something new, but is conrmed by the results
obtained. The optimization study developed in this work aims to maximize the net present
value (NPV) using bottom hole pressures (BHPs) as design variables. We developed a Multidelity Sequential Approximate Optimization algorithm (MSAO) which transforms the real
problem into a sequence of approximate problems, accurately represented inside a trust region. This approximation relies on a metamodel which is a combination of TPWL/POD and
a kriging correction model. Good results were obtained, sometimes better than traditional
optimization based on high delity model. The uncertainty propagation study aims to cal-
culate the average and standard deviation of NPV considering some probability distribution
for the BHPs. A Multidelity Monte Carlo Algorithm was developed using Control Variates
Tecnhnique. It takes advantage of the correlation between high and low delity models and
launch many low delity runs, correcting the results with fewer high delity runs. Based on
that correlation and computational cost rate, the algorithm determines the optimal number
of high and low delity model evaluations.
Key-Words: Reduced order model. Trajectory piecewise linearization. Reservoir simulation. Multidelity sequential approximation optimization. Control variates. Uncertainty
propagation.
Lista de Figuras
2.1
Volume de controle e seus vizinhos . . . . . . . . . . . . . . . . . . . . . . . .
2.2
Modelo sintetico (baseado no caso SPE10) com 24000 celulas, 5 pocos produtores
e 2 injetores. Mapa de permeabilidades na direcao x. . . . . . . . . . . . . . .
31
44
2.3
Comparacao de resultados do SIMPAR com IMEX - Modelo SPE10 - Modicado 45
2.4
Modelo de Brugge Modicado. Mapa de permeabilidades na direcao x. . . . .
47
2.5
Comparacao de resultados do SIMPAR com IMEX . . . . . . . . . . . . . . .
48
3.1
Regiao Validade do TPWL em torno da trajetoria de treinamento . . . . . . .
55
3.2
Funcionamento do POD - Consideram-se somente as direcoes de maior variabilidade . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
3.3
63
Sequencia de controles de treinamento (pressoes de fundo) aplicados aos pocos

produtores . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
74
3.4
Valores singulares dispostos em ordem decrescente - Modelo SPE10-Modicado
75
3.5
Comparacao do VPL calculado pelo SIMPAR e pelo TPWL/POD para o modelo

SPE10 - Modicado sem compressibilidades e densidades iguais.
3.6
. . . . . . .

SPE10 - Modicado sem compressibilidades e densidades diferentes.
3.7
. . . . .
. . . . .
80
Vazao de oleo dos pocos - SPE10 - Modicado compressvel e com densidades

de uidos diferentes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
4.1
79

SPE10 - Modicado com compressibilidades e densidades diferentes.
3.8
78
83
Interpolacao por krigagem - regressao polinomial adicionada a deformacoes locais causadas por uma funcao aleatoria com correlacao espacial denida . . . .
92
4.2
Hipercubo latino 2D com 4 amostras . . . . . . . . . . . . . . . . . . . . . . .
93
4.3
Esquema de amostragem e atualizacao da regiao de conanca no algoritmo MSAO 96
4.4
Evolucao do processo de otimizacao nas iteracoes do algoritmo - Modelo SPE10

- Modicado . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
4.5
105
Vazoes totais do campo obtidas no processo de otimizacao SPE10 - Modicado106
4.6
Pressoes de fundo dos pocos produtores otimizadas - Modelo SPE10 - Modicado107
4.7
Comparacao do VPL obtido durante o processo de otimizacao - 1a Iteracao SPE10 - Modicado . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
4.8
Comparacao do VPL obtido durante o processo de otimizacao - 2 Iteracao SPE10 - Modicado . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
4.9
108
108
Comparacao do VPL obtido durante o processo de otimizacao - 3a Iteracao SPE10 - Modicado . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
109
4.10
Valores singulares dispostos em ordem decrescente - Modelo Brugge-Modicado 110
4.11
Evolucao do processo de otimizacao nas iteracoes do algoritmo - Modelo SPE10

- Modicado . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
112
4.12
Vazoes totais do campo obtidas no processo de otimizacao Brugge - Modicado113
5.1
Comparacao entre MC Multidelidade e Tradicional - Reservatorio Incompressvel

e Densidades dos Fluidos Iguais . . . . . . . . . . . . . . . . . . . . . . . . . .
5.2
Evolucao dos Parametros do MC Multidelidade para Estimacao da Media e da

Variancia - Reservatorio Incompressvel e Densidades dos Fluidos Iguais . . . .
5.3
124
Comparacao entre MC Multidelidade e Tradicional - Reservatorio Compressvel

e Densidades dos Fluidos Diferentes . . . . . . . . . . . . . . . . . . . . . . . .
5.4
123
125
Evolucao dos Parametros do MC Multidelidade para Estimacao da Media e da

Variancia - Reservatorio Compressvel e Densidades dos Fluidos Diferentes . .
126
Lista de Tabelas
2.1
Comparacao de volumes in place calculados pelos simuladores . . . . . . . . .
49
3.1
Sequencias de controles utilizadas no estudo . . . . . . . . . . . . . . . . . . .
77
3.2
RMSD percentual para os dois casos considerados . . . . . . . . . . . . . . . .
81
4.1
Otimizacao do VPL utilizando diferentes esquemas - SPE10 com 4 ciclos de

controle . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
4.2
103
Otimizacao do VPL em diferentes esquemas - Brugge-Modicado com 3 ciclos

de controle . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
111
Sum
ario
1.
Introduc
ao e Revis
ao Bibliogr
aca
17
1.1
Revisao Bibliograca . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
19
1.2
Objetivos do Trabalho . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
22
1.3
Organizacao da Dissertacao . . . . . . . . . . . . . . . . . . . . . . . . . . . .
23
1.4
Lista de publicacoes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
26
2.
Conceitos de Simulac
ao de Reservat
orios
28
2.1
Equacoes de uxo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
30
2.2
Discretizacao das equacoes de uxo . . . . . . . . . . . . . . . . . . . . . . . .
37
2.3
Calculo das vazoes dos pocos . . . . . . . . . . . . . . . . . . . . . . . . . . . .
40
2.4
Calculo do Valor Presente Lquido . . . . . . . . . . . . . . . . . . . . . . . . .
42
2.5
Comparacao com simulador comercial . . . . . . . . . . . . . . . . . . . . . . .
43
3.
Modelo de Ordem Reduzida
50
3.1
Linearizacao utilizando TPWL . . . . . . . . . . . . . . . . . . . . . . . . . .
51
3.2
Exportacao de mapas de estados e derivadas . . . . . . . . . . . . . . . . . . .
56
3.3
Reducao de dimensao - Proper Orthogonal Decomposition (POD) . . . . . . .
59
3.3.1 Descricao do POD . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
60
3.3.2 Decomposicao em Valores Singulares . . . . . . . . . . . . . . . . . . . . . . .
63
3.4
Modelo de Ordem Reduzida - TPWL/POD . . . . . . . . . . . . . . . . . . .
64
3.5
Detalhes de Implementacao . . . . . . . . . . . . . . . . . . . . . . . . . . . .
69
3.6
Comparacao com o modelo de alta delidade . . . . . . . . . . . . . . . . . . .
73
4.
Aplicac
ao em Otimizac
ao
85
4.1
Algoritmos de Otimizacao baseados em Modelos Substitutos . . . . . . . . . .
87
4.2
Modelos de Kriging . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
88
4.3
Amostragem por Hipercubo Latino . . . . . . . . . . . . . . . . . . . . . . . .
92
4.4
Algoritmo SAO Multidelidade . . . . . . . . . . . . . . . . . . . . . . . . . .
93
4.5
Detalhes de Implementacao . . . . . . . . . . . . . . . . . . . . . . . . . . . .
99
4.6
Desempenho do algoritmo MSAO . . . . . . . . . . . . . . . . . . . . . . . . .
100
4.6.1 Resultados com modelo SPE10 - Modicado . . . . . . . . . . . . . . . . . . .
101
4.6.2 Resultados com modelo de Brugge - Modicado . . . . . . . . . . . . . . . . .
109
5.
Aplicac
ao em Propagac
ao de Incertezas
114
5.1
Metodo das Variaveis de Controle . . . . . . . . . . . . . . . . . . . . . . . . .
115
5.2
Monte Carlo Multidelidade . . . . . . . . . . . . . . . . . . . . . . . . . . . .
116
5.3
Implementacao do algoritmo . . . . . . . . . . . . . . . . . . . . . . . . . . . .
119
5.4
Resultados obtidos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
121
6.
Conclus
oes e Trabalhos Futuros
127
6.1
Resultados e conclusoes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
127
6.2
Sugestoes de Trabalhos Futuros . . . . . . . . . . . . . . . . . . . . . . . . . .
130
Refer
encias
131
E REVISAO
1. INTRODUC
AO
BIBLIOGRAFICA
O avanco dos computadores, com o aumento da sua capacidade de processamento
e a paralelizacao, tem permitido à simulacao de reservatorios, atraves de suas previsoes,
passar a ter papel preponderante nas tomadas de decisao sobre o gerenciamento dos campos.
Modelos cada vez mais detalhados, com um n
umero de blocos cada vez maior e capazes de
representar as diferentes fsicas, tem sido desenvolvidos considerando grandes e complexos
sistemas de equacoes que consomem enormes recursos computacionais.
Por outro lado, o signicativo nvel de incertezas nos parametros do reservatorio
(geologia, uido, etc) e a necessidade de otimizacao dos recursos utilizados para a producao
(como equipamentos e investimentos) tem fomentado a concepcao de estudos cada vez mais
complexos e que requerem grande n
umero de simulacoes. Estudos como otimizacao dos controles dos pocos e analise de incertezas, consideram todo o tempo de concessao dentro da
simulacao de reservatorios e podem possuir um n
umero grande de variaveis. Sendo assim,
o uso de modelos simplicados (baixa delidade), que aproximem o modelo de reservatorios
(alta delidade) com boa acuracia e grande economia de tempo de simulacao, tem se disseminado, permitindo o desenvolvimento de algoritmos multidelidade para estudos de otimizacao
e incertezas.
Neste contexto, o presente trabalho teve como objetivo a utilizacao de um modelo
simplicado de ordem reduzida para a diminuicao do custo do processo de simulacao de
reservatorios e aplicacao a dois tipos de estudo de gerenciamento de reservatorios de petroleo:
otimizacao dos controles dos pocos e propagacao de incertezas dos controles. Tal modelo de
ordem reduzida possui um custo para seu treinamento, mas apresenta grande ganho de tempo
e boa acuracia, podendo ser retreinado quando necessario.
A tecnica escolhida para a construcao do modelo simplicado foi o TPWL (Tra-
17
18
jectory Piecewise Linearization) combinado ao POD (Proper Orthogonal Decomposition). A
primeira faz basicamente a linearizacao das equacoes de uxo resolvidas no simulador em
torno de estados convergidos e gravados durante uma ou mais simulacoes de treinamento e
e responsavel pela reducao da complexidade numerica. A segunda consiste na reducao da
dimensao do problema atraves da projecao dos estados em um espaco reduzido gerado pelas
direcoes principais de maior variabilidade.
O TPWL elimina a necessidade de resolver as equacoes de forma iterativa ja que
as lineariza, transformando a simulacao em uma sequencia de solucoes de sistemas lineares.
Entretanto, essencialmente nao ha reducao da dimensao do problema, isto e, a mesma quantidade de equacoes deve ser resolvida. Desta forma, com o objetivo de reduzir drasticamente
o tempo de simulacao do metamodelo quando comparado ao tempo gasto pelo simulador,
aplicou-se uma tecnica conhecida como POD (Proper Orthogonal Decomposition) ou PCA
(Principal Component Analisys). Esta tecnica baseia-se na existencia de correlacao entre os
mapas de saturacoes e fracoes massicas gravados, de forma que estes possam ser representados
em um espaco de dimensao bem menor com pouca perda de informacao. Calcula-se uma base
com os mapas gravados que sera aplicada às equacoes do TPWL reduzindo drasticamente
sua dimensao.
Para a construcao do modelo de ordem reduzida, alem de armazenarem-se os
estados, faz-se necessario a gravacao de algumas derivadas que aparecem na expressao da
linearizacao. Sendo assim, o codigo do simulador precisou ser adaptado para exportar esta
gama de dados (mapas e derivadas) de forma a permitir a construcao do modelo TPWL/POD.
Isto e conhecido como metodologia semi-intrusiva, pois requer conhecimento do codigo do
simulador, mas as alteracoes realizadas nao atingem os calculos. A escolha do simulador a
ser utilizado foi diretamente inuenciada por essa necessidade de acesso ao codigo.
O simulador utilizado tem o nome de SIMPAR e foi desenvolvido na decada de
90 pelo CENPES/Petrobras e esta em processo de revitalizacao. Sua formulacao e um pouco
diferente do usual na ind
ustria. As variaveis primarias que descrevem os estados ao inves
um simulador black-oil, mas o
de pressao e saturacoes sao pressoes e fracoes massicas. E
problema que se quer atacar e bifasico e portanto utiliza uma opcao especca para modelar
isso.
O metamodelo constitudo pelo TPWL/POD foi construdo utilizando-se o Matlab, software amplamente utilizado para construcao de prototipos de algoritmos numericos.
Sendo assim, avaliou-se qual seria a melhor forma de exportar as matrizes de mapas e deri-
1.1. Revisao Bibliograca
19
vadas calculadas pela simulacao de treinamento de tal maneira que fosse facil de escrever a
partir do codigo em FORTRAN do SIMPAR e de ler a partir do Matlab. Concluiu-se que a
melhor maneira seria utilizar uma biblioteca para manipulacao de grandes massas de dados,
denominado HDF5 (Hierarchical Data Format Versao 5). O seu uso permitiu que os tempos
de escrita e leitura dos dados nao tornassem o treinamento do metamodelo muito caro.
No estudo de otimizacao, considerou-se o problema de maximizar o valor presente
lquido para todo o tempo de concessao. O algoritmo utilizado e uma adaptcao do SAO
(Sequential Approximation Optimization) que considera dois nveis de delidade. O metamodelo considerado e o TPWL/POD corrigido por uma superfcie de resposta com krigagem.
Esta e construda no interior da regiao de conanca atraves da simulacao de alta (SIMPAR)
e baixa (TPWL/POD) delidades em alguns pontos e interpola o erro entre os dois modelos. A regiao de conanca (dimensoes e centro) e atualizada de acordo com a qualidade da
aproximacao corrigida.
Tambem foi proposto um criterio para o retreinamento do TPWL/POD, adicionando os estados calculados na simulacao do centro da regiao de conanca ao conjunto de
estados inicialmente considerados na construcao do modelo. Esta abordagem baseia-se no
fato de que a acuracia do TPWL e garantida nas proximidades da trajetoria da simulacao
de treinamento e que à medida que a qualidade da aproximacao diminua, faz-se necessario
adicionar uma nova trajetoria mais proxima aos u
ltimos estados calculados.
No estudo de incertezas, considerou-se um algoritmo Monte Carlo multidelidade
que tira proveito da correlacao entre os modelos de alta e baixa delidade para reduzir o
n
umero de execucoes do simulador de reservatorios. O esquema estudado inclusive calcula
qual deve ser a proporcao otima entre o n
umero de simulacoes de alta e baixa delidade
baseado na correlacao entre elas e na razao entre os custos computacionais.
1.1
Revis
ao Bibliogr
aca
Na area de gerenciamento de reservatorios dois problemas de grande interesse sao
a otimizacao dos controles dos pocos e a propagacao de incertezas. A estrategia de producao

mais comum dos campos de petroleo no Brasil e no mundo utiliza-se da injecao de agua,
sendo a mesma utilizada nos casos aqui estudados. A funcao objetivo a ser avaliada, tanto
nos casos de otimizacao como para a analise de incertezas, e o Valor Presente Lquido, ou
simplesmente, VPL, que mede o retorno economico do campo ao m do tempo de concessao.
20
Os controles aqui considerados sao as pressoes de fundo dos pocos. Isto, na pratica, com o
advento das completacoes inteligentes, e uma simplicacao grosseira e deveria ser substitudo
por modelos integrados que simulariam valvulas e facilidades, transferindo os controles do
fundo dos pocos para os verdadeiros pontos de controle da operacao.
Existe uma extensa literatura sobre otimizacao de controles de pocos. Pode-se
classicar os metodos de acordo com o grau de intrusao no codigo do simulador de reservatorios. Os metodos mais intrusivos utilizam-se da tecnica adjunta para calcular o gradiente da funcao objetivo com relacao às variaveis de controle (Jansen, 2011) e estao entre os
metodos mais ecientes (Brower and Jansen, 2004; Sarma et al., 2008; Chen et al., 2010,
2012). Os metodos adjuntos necessitam de grande esforco de programacao para serem implementados e portanto nao estao disponveis nos simuladores comerciais ate agora. Os metodos
semi-intrusivos utilizam-se de modelos de ordem reduzida como Trajectory Piecewise Linearization - TPWL (Cardoso, 2009; He, 2010; Cardoso and Durlofsky, 2010; He et al., 2011;
He and Durlofsky, 2013) ou Discrete Empirical Interpolation - DEIM (Gildin et al., 2013;
Chaturantabut and Sorensen, Dez/2009) ou ainda podem utilizar a simulacao de linhas de
uxo (Alhuthali et al., 2009). Os metodos nao intrusivos usam o simulador como uma caixa
preta e sao puramente baseados nos dados das simulacoes anteriores. Alguns destes algoritmos usam tecnicas evolucionarias (Oliveira, 2006; Almeida et al., 2010; Souza et al.,
2010), metodos de busca de padroes (Asadollahi and Naevdal, 2010) e metodos baseados em
modelos substitutos (Queipo et al., 2002; CMOST, 2012). Existe uma outra classe de algoritmos considerados derivative free (sem derivadas) que aproximam os gradientes da funcao
objetivo utilizando metodologias estocasticas (Wang et al., 2009) e metodos baseados em
conjunto (ensemble-based ) (Chen and Oliver, 2010) que podem ser corrigidos por calculos
de diferencas nitas (Xia and Reynolds, 2013) ou serem incorporados em um modelo de interpolacao quadratico (Zhao et al., 2011). Uma discussao mais completa e encontrada em
(Conn et al., 2009).
No estudo de otimizacao da producao realizado neste trabalho, o metodo considerado e do tipo semi-intrusivo conhecido como Trajectory Piecewise Linearization - TPWL
(Rewienski, 2003). Este foi inicialmente aplicado ao problema de simulacao de reservatorios
em (Cardoso, 2009; Cardoso and Durlofsky, 2010) e aperfeicoado em (He, 2010; He et al.,
2011). Este e um modelo de ordem reduzida fsico que se baseia na linearizacao das equacoes
de uxo em torno de estados previamente convergidos e gravados durante uma ou mais
utilizado como redutor da complexidade numerica na aprosimulacoes de treinamento. E
ximacao (Markovinovic, 2003). Este metodo e normalmente combinado com a tecnica Proper
21
Orthogonal Decomposition - POD para reduzir a dimensao do problema. Existem alguns

relatos de instabilidade na literatura acerca deste metodo (He, 2010; Gildin et al., 2013).
Entretanto, o problema de instabilidade parece ter sido resolvido ao trocar-se a projecao
de Bubinov-Galerkin por uma projecao de Petrov-Galerkin (Carlberg et al., 2009; He and
Durlofsky, 2013).
Os desenvolvimentos do TPWL/POD em (Cardoso, 2009; He, 2010) foram aplicados ao problema de simulacao bifasica (oleo e agua) com formulacao baseada em saturacoes.
Ja em (He and Durlofsky, 2013) aplicou-se a tecnica de reducao a uma formulacao composicional baseada em fracoes molares. No presente trabalho a formulacao considerada e agua-oleo
baseada em fracoes massicas. Os aspectos teoricos e as vantagens desta formulacao podem
ser obtidas em (Maliska et al., 1997).
Como a simulacao de reservatorios tem um elevado custo computacional, muitas
vezes nao e possvel acopla-la diretamente ao algoritmo de otimizacao. Sendo assim, utilizase um modelo substituto composto pelo TPWL/POD corrigido por uma aproximacao por
krigagem de dados obtidos em simulacoes no interior de uma regiao de conanca (Giunta,
2002; Forrester et al., 2008). Efetua-se entao a simulacao do modelo de reservatorios (alta delidade) e do TPWL/POD (baixa delidade) em pontos amostrados no interior da regiao de
conanca utilizando-se a tecnica do hipercubo latino. Um preditor de krigagem e construdo
com a diferenca dos dois e sera utilizado na correcao do TPWL/POD durante o processo
de otimizacao no interior desta regiao de conanca utilizando-se o algoritmo de otimizacao
sequencial quadratica (SQP) (Powel, 1978). O algoritmo baseado em um modelo substituto valido no interior de uma regiao de conanca, tranformando o problema de otimizacao
em uma sequencia de problemas aproximados, e conhecido na literatura como Sequential
Aproximation Optimization Algorithm - SAO (Alexandrov et al., 1997). Tal algoritmo, em
sua versao classica considerando somente a krigagem como modelo substituto, foi aplicado
ao problema de otimizacao do gerenciamento de campos de petroleo em (Horowitz et al.,
2013). No caso deste trabalho, como utilizam-se dois nveis de delidade, da-se o nome de
Multifidelity SAO - MSAO.
Com relacao a aplicacao de m
ultiplas delidades à quanticacao de incertezas,
existem alguns esforcos na literatura reportados em (Ng et al., 2013). Em analise de conabilidade, uma abordagem muito parecida com a otimizacao multidelidade consiste em
executar um n
umero grande de simulacoes do modelo de baixa delidade de forma a aproximar a fronteira de estados limite e corrigir esta estimativa com poucas simulacoes de alta
1.2. Objetivos do Trabalho
22
delidade (Li and Xiu, 2010). Aproximacoes polinomiais (e. g. expansao em caos polinomial) das sadas do modelo de alta delidade podem ser construdas combinando-se uma
aproximacao de baixa delidade em um gird mais no e uma correcao que utiliza o modelo
de alta delidade num grid mais grosseiro (Ng and Eldred, 2012). Tambem existem abordagens para amostragem multidelidade para propagacao de incertezas que se baseiam numa
regressao Bayesiana entre as sadas dos modelos de alta e baixa delidade.
A aplicacao de quanticacao de incerteza aqui estudada baseia-se na tecnica de
variaveis de controle (control variate) aplicada à simulacao Monte Carlo (Glynn and Szechtman, 2000; Nelson, Nov-Dez/1990) e foi desenvolvida para o problema de estimacao de
parametros estatsticos da sada do modelo de alta delidade como, por exemplo, media e
variancia dadas as distribuicoes das variaveis de entrada.
1.2
Objetivos do Trabalho
O desenvolvimento de modelos multidelidade em geral e aplicados a simulacao
de reservatorios tem crescido bastante nos u

ltimos anos. Estudos de gerenciamento de reservatorios como otimizacao de controles ou posicao dos pocos, analise de incertezas ou a
combinacao dos dois u
ltimos, resultando na otimizacao sob incertezas necessitam de um
n
umero cada vez maior de simulacoes. Por outro lado a tendencia e que estes modelos de
simulacao se tornem cada vez mais complexos e portanto, mesmo com o desenvolvimento
de computadores mais rapidos e com a tendencia de paralelizacao, consumam ainda muito
tempo. Sendo assim, se torna imperativo o uso de modelos substitutos simplicados que
aproximem o resultado das simulacoes mas consumam muito menos tempo.
Esta dissertacao nao esta dedicada ao desenvolvimento de uma nova tecnica para
concepcao de modelos substitutos, mas sim à utilizacao de um tipo de modelo de ordem
reduzida em estudos de otimizacao e de propagacao de incertezas utilizando o recurso da
simulacao de reservatorios. A ideia e construir um modelo baseado na combinacao de duas
tecnicas: Trajectory Piecewise Linearization - TPWL e Proper Orthogonal Decomposition POD como redutores de complexidade numerica e dimensao, respectivamente. Este modelo
precisa se acoplar a um simulador de reservatorios e, por necessitar de mais dados do que
o normalemente exportado, necessita de conhecimento do codigo-fonte do simulador. Finalmente, dois algoritmos, um para otimizacao e outro para propagacao de incertezas, sao
construdos e adaptados para utilizarem um esquema multidelidade que considere o modelo
1.3. Organizacao da Dissertacao
23
de ordem reduzida em questao.

Sao considerados objetivos especcos deste trabalho:
Estudar em detalhe a formulacao de uxo e o codigo-fonte do simulador SIMPAR, desenvolvido pelo CENPES/Petrobras para poder utiliza-lo em algoritmos semi-intrusivos
de otimizacao. Contribuir com a proposta de revitalizacao do simulador para uso nas
pesquisas desempenhadas nas universidades brasileiras inseridas na rede SIGER.
Estudar em detalhes a tecnica e desenvolver um codigo para o modelo de ordem reduzida
baseado no TPWL/POD que possa ser acoplado ao simulador SIMPAR.
Avaliar a projecao de Petrov-Galerkin em substituicao de Bubnov-Galerkin na estabilizacao do TPWL.
Estudar a metodologia e desenvolver um codigo para o algoritmo de otimizacao multidelidade baseado em modelos substitutos que se acople ao simulador em questao e ao
modelo de ordem reduzida estudado considerando uma u
nica funcao objetivo.
Propor uma metodologia para retreinamento do TPWL ao longo do processo de otimizacao, com a denicao de um criterio para decidir quando o retreinamento deve
ocorrer.
Estudar o arcabouco matematico e estatstico e desenvolver um codigo para o algoritmo
Monte Carlo Multidelidade acoplado ao mesmo simulador e ao mesmo modelo de
ordem reduzida e considerando incertezas nos controles dos pocos.
1.3
Organizac
ao da Dissertac
ao
A dissertacao foi dividida em quatro partes que correspondem exatamente aos
passos transcorridos na pesquisa. O Captulo 2 contem todo o conte

udo de simulacao de
reservatorios necessario para o desenvolvimento do restante da pesquisa. O software SIMPAR, desenvolvido na decada de 90 pelo CENPES/Petrobras, foi escolhido como simulador
de reservatorios a ser utilizado neste trabalho. A escolha se deve à necessidade de acesso
irrestrito ao codigo do simulador.
No entanto, apesar de ser considerado um simulador black-oil, possui uma formulacao distinta da maioria dos softwares comerciais. Suas variaveis primarias sao pressao
24
e fracoes massicas, diferentemente da formulacao por pressoes e saturacoes usualmente utilizada nos simuladores comerciais. Esta formulacao foi escolhida no desenvolvimento desse
simulador por ser mais facilmente extensvel ao caso composicional e por eliminar o principal
inconveniente da formulacao por balanco de fases: o desaparecimento da fase gasosa em caso
de subsaturacao.
Sendo assim, um captulo foi dedicado à deducao da equacao de uxo e à sua discretizacao e a outros aspectos importantes, como modelo de poco e as denicoes de grandezas
basicas na simulacao, sempre atendo-se às peculiaridades do simulador que sera utilizado. Isto
e uma tentativa de fazer da dissertacao um documento autocontido, permitindo a um leitor
leigo obter os fundamentos basicos da simulacao de reservatorios que tera papel preponderante nos proximos captulos. Este mesmo captulo possui alguns resultados de validacao do
SIMPAR, comparando resultados obtidos com ele e com um simulado comercial, o IMEX da
CMG. Tais resultados foram gerados com dois modelos de reservatorios. Um deles e um corte
do modelo SPE10 e possui 24.000 celulas e o outro e uma adaptacao com malha cartesiana
para o modelo de Brugge amplamente divulgado na literatura e contendo em torno de 60.000
celulas. Ambos consideram somente o uxo de oleo e agua.
O Captulo 3 dedica-se a estudar o modelo de ordem reduzida escolhido para ser
aplicado. Este modelo utiliza a tecnica TPWL (Trajectory Piecewise Linearization) como
redutor da complexidade numerica e o POD (Proper Orthogonal Decomposition) como redutor da dimensao do problema. Os aspectos teoricos sobre ambas as tecnicas foram expostos,
com toda a formulacao aplicada ao problema de simulacao de uxo em reservatorios. Entretanto, este modelo reduzido nao e meramente baseado em resultados de simulacoes. O
TPWL concebe um modelo substituto fsico atraves da linearizacao da equacao de uxo em
torno de estados convergidos em uma simulacao de treinamento, transformando a simulacao
de reservatorios em uma sequencia de solucoes de sistemas lineares. Portanto, depende da
exportacao nao so dos mapas de estados mas tambem de diversas derivadas dos resduos.
Os detalhes da implementacao, como, por exemplo, a maneira de exportacao dos
dados do simulador e as ferramentas escolhidas para a construcao do modelo estao descritos.
Tambem e descrito o processo de retreinamento em torno de uma nova simulacao e que vira
a ser utilizado no algoritmo de otimizacao. Alguns resultados comparativos da simulacao do
SIMPAR (alta delidade) com o TPWL (baixa delidade) sao apresentados com uma u
nica
simulacao de treinamento e considerando retreinamento em torno de diferentes simulacoes de
modo a avaliar a acuracia da aproximacao de ordem reduzida. Para tal estudo e utilizado o
25
modelo SPE10 apresentado no captulo 2 considerando tres versoes: uma totalmente incompressvel e com densidades de ambos os uidos identicas (caso mais estudado na literatura
ate entao), uma considerando as densidades diferentes, mas ainda total incompressibilidade
(o que aumenta enormemente a nao linearidade do problema) e uma tambem com densidades diferentes e considerando compressibilidade de rocha e para os uidos. Prova-se que a
acuracia do modelo reduzido diminui consideravelmente com a consideracao das densidades
diferentes e se reduz um pouco mais ao considerar-se as compressibilidades.
O Captulo 4 ataca o problema da otimizacao dos controles dos pocos em um
campo de petroleo. A funcao objetivo a ser maximizada e o Valor Presente Lquido - VPL
e as variaveis de projeto sao os controles dos pocos, que neste trabalho sao as pressoes de
fundo de poco. Sendo assim, propoe-se uma estrategia multidelidade na qual o modelo
de ordem reduzida TPWL e valido no interior de uma regiao de conanca e corrigido por
um modelo de krigagem. Para tanto, faz-se necessario treinar o TPWL considerando uma
simulacao controlada por uma sequencia aleatoria de pressoes de fundo e a cada iteracao devese amostrar o espaco contido no interior da regiao de conanca e simular os pontos amostrados
com o modelo de alta delidade (simulador SIMPAR) e baixa delidade (TPWL). Controi-se
entao uma superfcie de resposta para o erro entre eles que deve ser adicionada ao TPWL
como correcao.
Desta forma, a cada iteracao o centro e as dimensoes da regiao de conanca sao
atualizados de acordo com a qualidade da aproximacao. A otimizacao realizada no interior
desta regiao baseia-se no algoritmo Sequential Quadratic Programming e e aplicada ao modelo
aproximado com correcao. Isto e o que se conhece como algoritmo de otimizacao aproximada
sequencial multidelidade (MSAO - Multifidelity Sequential Approximation Optmization), o
qual transforma a otimizacao do problema com a funcao objetivo real em uma sequencia de
otimizacoes aproximadas. Eventualmente espera-se que haja a necessidade de retreinamento
do TPWL. Isto consiste em adicionar ao conjunto de estados ja considerados no primeiro
treinamento, um conjunto de estados e derivadas calculados na simulacao do centro da u
ltima
regiao de conanca, o que aumenta a acuracia do metamodelo nas proximidades deste ponto.
Alguns resultados foram gerados com os modelos SPE10 e Brugge modicados,
em ambos os casos considerando densidades diferentes para oleo e agua e compressibilidades
nao-nulas. Varias situacoes foram testadas variando-se o criterio de retreinamento, podendose assim avaliar o desempenho desta tecnica. Como comparacao o otimizador foi conectado
diretamente ao simulador e ao TPWL para avaliar os ganhos de utilizar-se o MSAO.
1.4. Lista de publicacoes
26
A u
ltima parte da pesquisa, relatada no captulo 5, consisitu na utilizacao do
TPWL em um algoritmo para propagacao de incertezas. Este e um tipo de Monte Carlo
Multidelidade, baseado na metodologia das variaveis de controle (Control Variates Method )
e se vale da correlacao entre os modelos de alta e baixa delidade para reduzir o n
umero
de simulacoes utilizando o simulador, substituindo-as de maneira otima por simulacoes de
baixa delidade. O arcabouco estatstico e matematico bem como a deducao do metodo
sao apresentados, construindo-se um algoritmo que gradativamente aumenta o n
umero de
avaliacoes da funcao VPL de alta delidade e e capaz de calcular a media e o desvio padrao
desta variavel com menos simulacoes do que o metodo de Monte Carlo convencional. Os
resultados obtidos utilizam o modelo baseado no SPE10 na versao incompressvel e com
densidades iguais e compressvel com densidades iguais.
Ao nal do trabalho algumas conclusoes acerca do uso do TPWL em estudos de
otimizacao e de propagacao de incertezas sao apresentadas no captulo 6. Algumas sugestoes
de trabalhos futuros sao apresentadas, considerando tanto novos estudos que precisariam ser
realizados como melhorias dos algoritmos aqui utilizados.
1.4
Lista de publicac
oes
Esta dissertacao culminou na publicacao dos quatro resumos e trabalhos completos
em anais de congressos internacionais listados abaixo.

Fragoso, Manuel Jr.; Horowitz, Bernardo; Rodrigues, Jose Roberto Pereira. A Reduced Order Surrogate Model for Optimal Reservoir Management. 14th
European Conference on Mathematics of Oil Recovery, ECMOR. Set, 2014. Catania,
Sicilia, Italia.
Fragoso, Manuel Jr.; Horowitz, Bernardo; Rodrigues, Jose Roberto Pereira. A Multidelity Approach to Waterooding Optimization. 4th International Conference
on Engineering Optimization, EngOpt. Set, 2014. Lisboa, Portugal.
Fragoso, Manuel Jr.; Horowitz, Bernardo; Rodrigues, Jose Roberto Pereira. A Reduced Order Method to Waterooding Optimization. 35th Iberian Latin American
Congress on Computational Methods in Engineering, CILAMCE. Nov, 2014 Fortaleza,
Brasil.
Fragoso, Manuel Jr.; Horowitz, Bernardo; Rodrigues, Jose Roberto Pereira. Retrai-
1.4. Lista de publicacoes
27
ning Criteria for TPWL/POD Surrogate Based Waterodding Optimization. Reservoir Simulation Simposium, RSS. Fev, 2015. Houston, EUA.
Tambem resultou na apresentacao oral do seguinte trabalho.
Horowitz, Bernardo; Afonso, Silvana Maria Bastos; Fragoso, Manuel Jr. Surrogate
Based Waterooding Optimization. 1st International Symposium on Energy Chalenges and Mechanics, ECM. Jul, 2014. Aberdeen, Escocia, Reino Unido.
Finalmente, culminou na aceitacao para a publicacao do seguinte artigo de revista
que se encontra em processo de revisao.
Fragoso, Manuel Jr.; Horowitz, Bernardo; Rodrigues, Jose Roberto Pereira. A Reduced Order Surrogate Model for Optimal Reservoir Management. Selected
contributions from the 14th European Conference on the Mathematics of Oil Recovery
(ECMOR XIV). Computational Geosciences, Springer.

2. CONCEITOS DE SIMULAC
AO
DE RESERVATORIOS
Com o aumento da demanda global por hidrocarbonetos e a consequente alta no
preco do petroleo, novas fronteiras de exploracao de petroleo cada vez mais complexas tem se
mostrado viaveis. Com isso, engenheiros de reservatorios se deparam com desaos crescentes
para gerar previsoes de producao e estimativas de reserva.
Para realizar tais previsoes de producao, sao construdos modelos matematicos que
representam o que ocorre nas rochas que servem de acumulacao para os hidrocarbonetos em
subsuperfcie. O problema basico a ser resolvido e o calculo do uxo atraves do reservatorio
e das vazoes de producao e injecao em cada poco, dados os controles aplicados ao longo do
tempo. Note que, em geral, ocorre a producao de tres uidos distintos: agua, oleo e gas.
A composicao das fases oleo e gas pode ser bastante complexa, o que pode levar
a consideracao de diferentes componentes presentes nestas fases e à concepcao de modelos
denominados composicionais. Esta consideracao aumenta consideravelmente a complexidade
do problema e nao sera considerada neste trabalho. O modelo aqui considerado se limitara
ao uxo de tres uidos (agua, oleo e gas) que uem independentemente de sua composicao.
o que se da o nome de modelo black-oil.
E
Por outro lado, ha muitas incertezas nos parametros dos modelos de reservatorio
que sao construdos de modo que nenhum estudo de reservatorios pode negligencia-las. Isto
complica ainda mais o processo, demandando o uso de tecnicas estatsticas especcas para
lidar com incertezas, alem de consumir muito recurso computacional com a necessidade de
um n
umero grande de simulacoes.
Todavia, o interesse nal do processo de previsao de producao e a denicao da
estrategia otima para a producao de uma acumulacao de petroleo, considerando as muitas
maneiras de posicionar ou controlar os pocos. Para tanto, demanda-se a utilizacao de tecnicas
28
29
de otimizacao e aumenta-se ainda mais o n
umero de simulacoes a serem executadas. Todo
este processo signica em suma estimar a producao em m
ultiplos cenarios de forma a quanticar riscos e melhorar os resultados. Tudo isto, alem da necessidade de modelos cada vez
mais detalhados, motiva o desenvolvimento de simuladores de reservatorio mais ecientes e
acurados.
Nesse captulo serao abordados os aspectos do modelo matematico para uxo
em meios porosos utilizado na simulacao de reservatorios de petroleo e as principais caractersticas do software (simulador de uxo) utilizado em todos os estudos deste trabalho.
Utilizou-se um simulador desenvolvido por uma equipe do CENPES/Petrobras no incio da
um simulador
decada de noventa e conhecido como SIMPAR (Rodrigues and Bonet, 1991). E
do tipo black-oil (Ertekin et al., 2011), isto e, que considera o uxo de tres fases (aquosa,
oleosa e gasosa) e tres pseudo-compononentes (oleo, agua e gas). Na verdade, este simulador e capaz de considerar um quarto componente chamado de polmero o que possibilita
a simulacao de estrategias de producao que considerem a injecao de polmeros voltada, por
exemplo, para o controle da producao de agua.
Como o objetivo do presente trabalho reside no problema de otimizacao da injecao
de agua em um reservatorio subsaturado, utlizar-se-a uma simplicacao do modelo blackoil, conhecida como modelo agua-oleo, que considera somente a existencia de duas fases
no reservatorio (agua e oleo). Quando congurado para simular este modelo, o SIMPAR
considera que o componente gas existe somente em solucao na fase oleo e, portanto, caso o
usuario determine uma razao de solubilidade, havera producao de gas, mas esse gas nao estara
uindo livremente no reservatorio. No presente estudo, considera-se a razao de solubilidade
igual a zero somente por simplicidade.
Uma importante caracterstica do SIMPAR que o diferencia da maioria dos simuladores black-oil comerciais e a sua formulacao por fracoes massicas. Ao inves de utilizar-se
das equacoes diferenciais expressas com base em saturacoes volumetricas das fases como e
comum entre os outros softwares de simulacao blackoil, este simulador utiliza equacoes baseadas em fracoes massicas dos componentes. Esta formulacao possui vantagens e caractersticas
proprias como descrito na secao 2.1.
O captulo tratara inicialmente da formulacao matematica do problema, deduzindo muito rapidamente na primeira secao as equacoes diferencias de uxo para o modelo
agua-oleo na sua formulacao por fracoes massicas. Na segunda secao, descreve-se a discretizacao em diferencas nitas do sistema de equacoes diferenciais, a qual e utilizadoa para
2.1. Equacoes de uxo
30
a solucao numerica realizada no simulador. A terceira secao estuda o tratamento dado aos
termos de producao/injecao (termos de poco) pelo SIMPAR. Isto e devido à importancia que
o modelo de poco tem no processo de calculo das vazoes produzidas e injetadas, as quais sao
as entradas da funcao objetivo utilizada ao longo deste trabalho. A quarta secao contem os
resultados da comparacao dos resultados obtidos com o SIMPAR e com um simulador comer uma tentativa de validacao do
cial, desenvolvido pela Computer Modeling Group, o IMEX. E
primeiro considerando os resultados do outro, amplamente utilizado.
2.1
Equac
oes de uxo
Do ponto de vista matematico, a funcao basica de um simulador de reservatorios
e resolver numericamente um sistema de equacoes diferenciais que modela o uxo em um

meio poroso de fases distintas contendo um ou mais componentes. Em um modelo conhecido
como black-oil, sao tres as fases oleosa, gasosa e aquosa e tres os componentes oleo,
agua e gas. Alem disso, admite-se que o gas pode estar livre ou dissolvido no oleo. Neste
trabalho, so serao considerados dois destes componentes e fases: oleo e a fase oleosa e agua
e a fase aquosa. Isto e que se chama de modelo agua-oleo.
Classicamente, a maioria dos simuladores considera em sua formulacao o balanco
de massa entre as fases e, para representar a parcela de cada fase, consideram as saturacoes
volumetricas de cada fase em relacao ao total (Ertekin et al., 2011). Entretanto, o simulador
utilizado neste estudo possui uma formulacao distinta, considerando o balanco de massa dos
componentes. Para tanto, contabiliza-se a participacao de cada um dos componentes atraves
de sua fracao massica em relacao à massa total. Desta forma, utiliza como variaveis primarias
as fracoes massicas ao inves das saturacoes (Maliska et al., 1997).
Tal formulacao possui algumas vantagens como descritas em (Maliska et al., 1997)
e (Rodrigues and Bonet, 1991). Basicamente a escolha se deve a dois fatores:
1. nao e necessario nenhum tipo de tratamento especial para o gas. Quando se consideram
as saturacoes das fases, se todo o gas estiver dissolvido, a fase gas deixa de estar
presente, isto e, sua saturacao e zero, o que exige um tratamento especial para o
desaparecimento da fase, por exemplo, mudanca de variaveis ou manutencao de uma
saturacao residual;
2. esta e a formulacao natural para a construcao de um modelo composicional, o que
31
facilitaria bastante se houvesse o interesse de extender o simulador para simulacao

composicional.
Neste trabalho, como ja mencionado, so sera considerado o problema bifasico
agua-oleo. Entretanto, o SIMPAR e capaz de simular um modelo black-oil completo com
a presenca de polmeros que seriam injetados. O tipo de modelo a ser simulado e uma das
entradas de seu arquivo de entrada conforme seu manual (CENPES, 1995).
Abaixo sao deduzidas as equacoes de uxo para esse modelo de duas fases e dois
componentes. Entretanto, a deducao e extensvel para o problema trifasico, adicionandose uma equacao de balanco e considerando-se as caractesticas especcas do componente
gas, como compressibilidade e solubilidade no oleo. Inicialmente considera-se um modelo
unidimensional e um uido, embora a extensao para tres dimensoes e dois uidos seja simples
e sera considerada ao nal desta secao. Sendo assim, para incio da deducao, considere um
volume de controle e seus vizinhos como mostra a Figura 2.1.
Fig. 2.1: Volume de controle e seus vizinhos

Fazendo-se o balanco de massa no interior desse volume de controle obtem-se a
Equacao 2.1, onde Min e a massa que entra no volume de controle, Mout e a massa que sai
do volume de controle, Ms e a massa injetada/produzida a partir de um poco completado no
volume de controle e Macc e a massa acumulada no volume de controle.
Min Mout + Ms = Macc
(2.1)
A vazao massica m
que entra ou sai do volume de controle e calculada pelo produto
da velocidade do uido vx por sua densidade e pela area da interface Ax , como na Equacao
2.2. A massa que entra ou sai e a integral de m.
m
= Ax vx
(2.2)
32
A massa acumulada e obtida na Equacao 2.3. Ela e calculada pela diferenca entre
a massa contida no interior do volume de controle no instante t + t e contida no instante
anterior t e depende da porosidade no volume de controle e do volume de controle Vb .
Macc = ( Vb )t+t ( Vb )t
(2.3)
onde
Aplicando as Equacoes 2.2 e 2.3 à Equacao 2.1, obtem-se a Equacao 2.4.
(Ax vx,i1/2 Ax vx,i+1/2 + m
s ) t = ( Vb )t+t ( Vb )t
(2.4)
Manipulando a equacao anterior, dividindo-se ambos os membros por Vb t,

obtem-se a Equacao 2.5.
vx,i1/2 vx,i+1/2 m
s
( )t+t ( )t
+
=
x
Vb
t
(2.5)
Supondo-se que o volume de controle e o intervalo de tempo considerados sejam

pequenos o suciente para uma aproximacao contnua, a Equacao 2.5 pode ser reescrita em
termos da equacao diferencial 2.6
( vx ) m
s
( )
+
=
x
Vb
t
(2.6)
Considerando-se que a rocha reservatorio e um meio poroso e que as velocidades

dos uidos em seu interior sao pequenas, pode-se calcular tal velocidade vx como funcao do
potencial hidraulico atraves da lei de Darcy generalizada, conforme a Equacao 2.7 onde k
e a permeabilidade ao uido (caso haja mais de um uido, e o produto da permeabilidade
absoluta pela relativa) e e a viscosidade do uido.
vx =
(2.7)
Aqui dene-se o potencial hidraulico conforme a Equacao 2.8 em funcao da profundidade D em relacao à uma referencia, à pressao do uido. Nesta equacao, representa
o peso especco do uido.
= p D
(2.8)
33
Substituido a expressao para vx da Equacao 2.7 na equacao de balanco 2.6 obtemse 2.9.
(
)
k
m
s

+
= ( )
x
Vb
t
(2.9)
Esta equacao pode ser extendida para tres dimensoes somando-se as contribuicoes
das tres direcoes conforme Equacao 2.10.
(
)
(
)
(
)
kx
ky
kz
m
s
+
= ( )
x
y
y
z
z
Vb
t
(2.10)
Pode-se simplicar esta equacao utilizando-se a notacao vetorial. Para tanto, de

forma a contemplar os casos anisotropicos (permeabilidades diferentes nas tres direcoes), e
necessario denir o tensor de permeabilidades K, matriz cuja diagonal e preenchida com as
permeabilidades nas direcoes x, y e z, como mostrada na Equacao 2.11.
kx
K=
0
ky
kz
(2.11)
A Equacao 2.12 e a forma simplicada pela notacao vetorial da Equacao 2.10.

Tambem considera-se que m
s ja representa a vazao injetada por unidade de volume e introduzse uma nova grandeza denominda mobilidade do uido, cujo tensor e = K/. Note que
au
nica variavel primaria que representa a funcao a ser calculada nesta equacao e a pressao
que esta contida no potencial hidraulico representado na Equacao 2.8.
() + m
s=
( )
t
(2.12)
Entretanto, existe mais de um uido percolando o meio poroso. Considerando

que cada uido possui sua propria mobilidade, o modelo deve possuir entao duas equacoes de
balanco que interagem entre si de modo a representar o escoamento bifasico. Portanto, duas
serao as variaveis primarias, em relacao às quais o problema sera resolvido. Na formulacao
aqui considerada, as variaveis primarias escolhidas sao a pressao do oleo e a fracao massica
de agua. As equacoes diferenciais que sao resolvidas pelo simulador estao expressas nas eqs.
34
2.13 e 2.14 e representam, repectivamente, o balanco de massa total e do componente agua.

Aqui os ndices w e o representam respectivamente agua e oleo.
( m ) (w w + o o ) + mw + m o = 0
t
(2.13)
( zw m ) (w w ) + mw = 0
t
(2.14)
Nestas equacoes representa o gradiente do potencial de cada fase e tem origem

na lei de Darcy, onde a velocidade e proporcional ao gradiente do potencial. Desta forma,
ambos os gradientes podem ser expressos nas equacoes 2.15 para a fase agua e 2.16, para o
oleo, respectivamente. Note que, no caso do uxo de duas fases concorrentes, o gradiente,
antes representado na Equacao 2.8, deve contemplar uma parcela que representa a pressao
capilar entre as fases que e denotada por Pcow .
w = po Pcow w D
(2.15)
o = po o D
(2.16)
De maneira sintetica, podem-se denir as grandezas que aparecem nas Equacoes

2.13 a 2.16 na lista a seguir, onde o subscrito l, representa as fases oleosa e aquosa e portanto
assume os valores l = o, w e o subscrito c representa os componentes oleo e agua e tambem
assume os valores l = o, w.
zc - fracao massica global do componente c;
l - massa especca da fase l;
m - massa especca da mistura, m = Sw w + So o ;
Sl - saturacao da fase l;
l =- mobilidade massica da fase l;
l - Potencial da fase l;
po - pressao da fase oleo;
Pcow - pressao capilar no sistema agua-oleo;
35
l - peso especco da fase l, l = l g;

g - aceleracao da gravidade;
D - profundidade tomada em relacao a uma referencia;
m l = vazao massica injetada/produzida da fase l por unidade de volume.
A mobilidade da fase l e expressa na Equacao 2.17.
l = k
l krl
l
(2.17)
Vale ressaltar que as saturacoes das fases Sl se relacionam com as fracoes massicas
dos componentes zc atraves da Equacao 2.18.
Sl =
zl /l
, l = o, w.
zw /w + zo /o
(2.18)
As saturacoes sao utilizadas na determinacao da permeabilidade relativa krl , uma

vez que suas curvas sao expressas em funcao destas variaveis. Tais curvas de permeabilidade
relativa podem ser fornecidas atraves de tabelas contendo alguns pontos que sao interpolados
ou podem utilizar o modelo de Corey dado pelas Equacoes 2.19 e 2.20 que representam, respectivamente, as permeabilidades relativas do oleo kro e da agua krw em funcao da saturacao
de agua Sw .
(
kro =
0
kro
krw =
0
krw
1 Sw Sor
1 Swc Sor
)a
1 Sw Swc
1 Swc Sor
(2.19)
)b
(2.20)
As curvas de permeabilidade relativa no modelo de Corey sao calibradas atraves

dos seguintes parametros determinados a partir de ensaios:
Sor - Saturacao de oleo residual que representa a mnima saturacao de oleo que se pode
obter;
Swc - Saturacao de agua conata que representa a mnima saturacao de agua que normalmente existia no reservatorio antes da injecao de agua;
0
- ponto terminal para permeabilidade relativa do oleo, medido na saturacao Swc ;
kro
36
0
krw
- ponto terminal para permeabilidade relativa da agua, medido na saturacao 1Sor ;
a - expoente de Corey para a curva de permeabilidade relativa de oleo e

b - expoente de Corey para a curva de permeabilidade relativa de agua.
Para calculo das mobilidades das fases, l faz-se necessario determinar suas densidades e viscosidades em funcao da pressao. As densidades podem ser calculada utizando-se
os fatores volume de formacao Bl , l = o, w fornecidos dentre as informacoes PVT conforme
a Equacao 2.21.
1
l,st ,
Bl
e a densidade da fase em condicao padrao.
l =
onde l,st
(2.21)
As viscosidades l sao calculadas atraves da Equacao 2.22, onde l,b e a viscosidade

tomada na pressao de bolha,
e a viscosibilidade, po e a pressao do oleo e pb e a pressao de
bolha.
l = l,b +
(po pb ),
p
(2.22)
A porosidade nas Equacoes 2.13 e 2.14 e calculada considerando-se o modelo

pouco compressvel com compressibilidade da rocha constante. Desta consideracao, pode-se
calcular a porosidade atraves da Equacao 2.23, onde l,ref e a porosidade tomada na pressao
de referencia, cr e a compressibilidade da rocha, po e a pressao do oleo e pref e a pressao de
referencia para o calculo da porosidade.
= l,ref + cr (po pref ),
(2.23)
Por m, vale ressaltar que para simplicar o problema, a razao de solubilidade

Rs do gas no oleo foi desconsiderada em todos os estudos. Entretanto, o simulador permite
que se considere Rs = 0 no modelo agua-oleo. Neste caso, nao ha gas livre, mas existe
componente gas uindo junto com o oleo na fase oleosa. Sendo assim, a quantidade de gas
produzida seria completamente proporcional ao oleo produzido e seria necessario conderar-se
a fracao massica do componente gas na fase oleosa Xgo e do componente oleo, Xoo . Isto
adiciona alguma complexidade as Equacoes 2.18 e 2.21 e pode ser encontrado em (Rodrigues
and Bonet, 1991).
2.2. Discretizacao das equacoes de uxo
2.2
37
Discretizac
ao das equaco
es de uxo
Para a solucao numerica das Equacoes 2.13 e 2.14 faz-se necessario discretiza-las.
Existem diversos metodos para discretizacao: elementos nitos, volumes nitos, metodos
multiponto, etc. Entretanto, classicamente, no caso do problema de uxo, utiliza-se o metodo
das diferencas nitas, aproximando as derivadas temporais e espaciais por diferencas divididas
(Ertekin et al., 2011). Este e o metodo utilizado na formulacao do simulador aqui considerado.
A discretizacao tambem deve considerar uma malha que particiona o espaco em
pequenos blocos para aproximacao dos gradientes. Quando se utiliza o metodo das diferencas
nitas, e mais comum utilizarem-se malhas estruturadas (Ertekin et al., 2011), nas quais e
possvel numerar os nos considerando a relacao com os vizinhos. Apesar de existirem hoje
em dia tipos mais exveis, aqui so serao consideradas malhas regulares com topo variavel,
isto e, todos os blocos sao paraleleppedos retangulos, uma vez que o simulador SIMPAR so
e capaz de lidar com este tipo de conguracao.
Para discretizacao do espaco, considera-se o metodo por diferencas nitas centradas na interface, tambem conhecido por CVFD - control volume finite diference ou diferencas
nitas em volume de controle (Ertekin et al., 2011). Este metodo e uma pequena variacao
do metodo das diferencas nitas centradas, uma vez que ao discretizar-se a lei de ( Darcy),
as propriedades sao consideradas nas interfaces de cada bloco. A Equacao 2.24 ilustra a
aproximacao por diferencas nitas em uma u
nica dimensao. A extensao de tal aproximacao
para as tres dimensoes e imediata. Nesta equacao so estao ilustrados os termos de uxo e os
coecientes Tl representam as transmissibilidades de cada fase na interface entre os blocos e
mais adiante serao relacionados à mobilidade.
[
]n+1
]
l
1 [
n+1
n+1
n+1
n+1
n+1
l
(Tl )n+1
(
)
+
(T
)
(
)
l i+ 1
i1
i
i+1
i
i 12
2
x
x
V
(2.24)
Ja no caso da discretizacao do tempo, a aproximacao por diferencas nitas corresponde à Equacao 2.25. Nesta equacao so esta ilustrado o termo dependente do tempo,
tambem conhecido como termo de acumulacao.
]
1 [
n
( zl m )
(zl m )n+1
i,j,k (zl m )i,j,k
t
t
(2.25)
Note que nas Equacoes 2.24 e 2.25, todos os termos sao tomados no passo de
38
tempo n + 1 com excecao de uma parcela do termo de acumulacao. Isso e chamado de

formulacao totalmente implcita e demandara a solucao de um sistema de Equacoes em cada
passo de tempo. Sendo assim, apos aplicacao do metodo das diferencas nitas às Equacoes
2.13 e 2.14 e considerando o tratamento do tempo de forma implcita resultam as Equacoes
2.26 e 2.27.
]
Vi,j,k [
n+1
n
(
)
(
)
m
m
n+1
i,j,k
i,j,k
t
n+1
n+1
(Tw w )i+1/2,j,k + (Tw w )i1/2,j,k
n+1
(To o )n+1
i+1/2,j,k + (To o )i1/2,j,k
n+1
(Tw w )n+1
i,j+1/2,k + (Tw w )i,j1/2,k
n+1
(To o )n+1
i,j+1/2,k + (To o )i,j1/2,k
(2.26)
n+1
(Tw w )n+1
i,j,k+1/2 + (Tw w )i,j,k1/2
n+1
(To o )n+1
i,j,k+1/2 + (To o )i,j,k1/2 +
(m
o )n+1
w )n+1
i,j,k + (m
i,j,k = 0
Vi,j,k
tn+1
[
]
n
(zw m )n+1
(z
w
m
i,j,k
i,j,k
n+1
(Tw w )n+1
i+1/2,j,k + (Tw w )i1/2,j,k
n+1
(Tw w )n+1
i,j+1/2,k + (Tw w )i,j1/2,k
(2.27)
n+1
(Tw w )n+1
i,j,k+1/2 + (Tw w )i,j,k1/2 +
(m
w )n+1
i,j,k = 0
Esta discretizacao considera um bloco de coordenadas ijk e utiliza o balanco
entre os uxos atraves das faces do bloco considerando os volumes acumulados e os produzidos/injetados neste bloco por unidade de tempo. O tratamento da dependencia temporal e
totalmente implcito, como ja mencionado. O sobrescrito n ou n + 1 indica o passo de tempo
onde e calculada a propriedade e os subscritos i, j, k indica as coordenadas espaciais do bloco
ou interface. Ja, Vi,j,k e o volume do bloco de coordenadas i, j, k e e dado na Equacao 2.28.
Vi,j,k = xi yj kijk
(2.28)
Nas Equacoes 2.26 e 2.27, l sao as diferencas de potencial das fases l = o, w

e a vazao massica da
entre os blocos adjacentes. t e o tamanho do passo de tempo, (m
l )n+1
i,j,k
fase l = o, w injetada/produzida no bloco ijk ao nal do passo de tempo tn+1 e Tl representa a
39
transmissibilidade da fase l, calculada na Equacao 2.29, onde Fg representa o fator geometrico

na interface e l =
l krl
,
l
a mobilidade da fase l na interface.
Tl = Fg
l krl
,
l
(2.29)
O fator geometrico em cada direcao pode ser calculado atraves da media harmonica
entre as permeabilidades das celulas adjacentes ponderadas pelos seus comprimentos e multiplicadas pela area da secao de uxo. Por simplicidade, considere-se o problema unidimensional cujos blocos possuem comprimentos iguais x e area de secao A. No caso tridimensional,
o mesmo raciocnio pode ser aplicado. Neste caso, o fator geometrico esta expresso na
Equacao 2.30.
(Fg )i+ 1 =
2
ki+ 1 Ai+ 1
2
xi+ 1
(2.30)
Considerando por simplicidade as dimensoes das celulas iguais, a permeabilidade k

da interface pode ser calculada atraves da simples media harmonica entre as permeabilidades
das celulas adjacentes conforme a Equacao 2.31. Entretanto, em caso de dimensoes diferentes,
esta media deve ser ponderada pelas dimensoes. Para mais detalhes, ver (Ertekin et al., 2011;
Rodrigues and Bonet, 1991).
ki+ 1 =
2
2ki ki+1
ki + ki+1
(2.31)
Quanto a mobilidade, esta e calculada utilizando o que a literatura chama de

upwind, que consiste em tomar , kr e do bloco de maior potencial seguindo-se a direcao do
uxo. A Equacao 2.32 representa este raciocnio na direcao X, e deve se repetir nas direcoes
Y e Z.
krl,i+1,j,k
l,i+1,j,k l,i+1,j,k ,
l,i+ 1 ,j,k =
2
se l,i+ 1 ,j,k 0
2
(2.32)
k
l,i,j,k rl,i,j,k
,
l,i,j,k
se l,i+ 1 ,j,k < 0

2
2.3. Calculo das vazoes dos pocos
2.3
40
C
alculo das vaz
oes dos pocos
Os termos de producao nas equacoes de resduos 2.13 e 2.14 representam a vazao
de oleo e agua produzidos ou de agua injetada. Para calcula-las, faz-se necessario que se
estabeleca uma relacao entre a pressao de fundo do poco, a pressao do bloco onde se encontra
cada completacao e a vazao produzida/injetada de cada componente. Alem disso, como se
admite m
ultiplas completacoes, e necessario relacionar a pressao de fundo de poco BHP à
pressao no interior do poco em cada uma das completacoes.
A relacao basica entre as pressoes no interior do poco pwfijk e no bloco onde este se
localiza poijk e a vazao produzida/injetada M l,ijk e que recebe o nome modelo de poco, onde
o subscrito l = o, w representa a fase e ijk representa as coordenadas do bloco do poco. O
modelo de poco aqui considerado e descrito em (Peaceman, 1983) e necessita de um fator de
proporcionalidade conhecido como ndice de produtividade P Il,ijk e esta exposto na Equacao
2.33.
n+1 n+1
n+1
M ijk = P Il,ijk n+1
lijk ijk (poijk pwfijk )
(2.33)
A mobilidade do uido no poco n+1

e calculada na Equacao 2.34 e depende se o
ijk
poco e produtor ou injetor.
ijk =
krlijk
lijk
f =o,w
para poco produtor;

(2.34)
krfijk
fijk
para poco injetor.
No caso de pocos de m
ultiplas completacoes, faz-se necessario calcular, a partir
da pressao de fundo de poco medida na primeira celula do poco, as pressoes no interior do
poco nas demais completacoes. Por simplicidade, aqui so serao considerados pocos verticais,
mas o exposto se aplica a qualquer tipo de pocos. Sendo assim, considere pwfijNz a pressao
de fundo de poco (primeiro bloco completado de baixo para cima ou, como considerado no
codigo do simulador, Nz e a camada da u
ltima completacao) e pwfijk a pressao no interior da
completacao na camada k. A pressao no interior do poco nas completacoes de cima pode ser
obtida adicionando-se o peso da coluna de uido como na Equacao 2.35 .
2.3. Calculo das vazoes dos pocos
41
n+1
pn+1
wfijk = pwfijNz +
N
z 1
nr+ 1 g(hi,j,r hi,j,r+1 ),
(2.35)
r=k
nr+ 1 e a densidade media dos uidos presentes no interior do poco na interface

2
entre os blocos i, j, r e i, j, r + 1 e pode ser calculada fazendo-se a media das densidades dos
uidos que adentram o poco desde o fundo ate a celula considerada como na Equacao 2.36.
nr+ 1 =
2
nwr
para poco injetor;
fl,r+ 1 nlr para poco produtor.
(2.36)
l=o,w
Note que, no caso de pocos produtores, as densidades das fases sao ponderadas
pelo uxo fracionario de cada fase no interior do poco. Dene-se por uxo fracionario a razao
entre a vazao volumetrica de cada fase e a vazao volumetrica total considerando-se todo o
volume que adentrou o poco desde o fundo ate a celula considerada. Isso e matematicamente
expresso atraves da Equacao 2.37, onde Qlk e a vazao volumetrica da fase l na camada k.
Nz
n
fl,r+
1 =
2
k=r+1
Nz
k=r+1
Qnwk +
Qnlk
Nz
k=r+1
(2.37)
Qnok
Entretanto, ja que as vazoes volumetricas sao diretamente proporcionais às mobilidades de cada fase, sendo mais facil calcular as mobilidades do que as vazoes principalmente quando ha gas dissolvido o uxo fracionario e aproximado pela razao entre as
mobilidades como exposto na Equacao 2.38, onde lk a mobilidade da fase l na camada k.
Nz
n
fl,r+
1 =
2
k=r+1
Nz
k=r+1
nwk
nlk
Nz
k=r+1
(2.38)
nok
Note que, apesar de a formulacao aqui considerada tratar a dependencia temporal

de forma implcita, para calculo da pressao no interior do poco em cada completacao, como
na Equacao 2.35, necessita-se da densidade media dos uidos no interior do poco. Para
2.4. Calculo do Valor Presente Lquido
42
calcula-la, e necessario utilizar propriedades calculadas no passo de tempo anterior o que, de

certa forma, altera o esquema de calculo totalmente implcito.
Por m, o controle de cada poco pode assumir duas formas. A primeira, por vazao
especicada, xa a vazao do poco (soma de todas as completacoes) e portanto tranforma a
pressao em cada completacao em variaveis, adicionando ao sistema de equacoes uma nova
equacao baseada na Equacao 2.33 para cada uma das completacoes de cada poco com vazao
especicada. A segunda, por pressao especicada, xa a pressao na completacao mais profunda pwfijNz e calcula da forma descrita na Equacao 2.35 a pressao nas outras completacoes
acima. Sendo assim, nao ha necessidade de adicao de equacoes e nao ha variaveis extras.
A vazao passa a ser calculada pela Equacao 2.33 onde a u
nica variavel advinda do sistema
de equacoes de uxo e a pressao na celula de cada completacao. O u
nico tipo de controle
considerado neste trabalho e este u
ltimo, por pressao especicada.
2.4
C
alculo do Valor Presente Lquido
Por m, o simulador sera utilizado para a previsao do Valor Presente Lquido
(VPL) obtidos ao aplicar-se uma estrategia de producao baseada exclusivamente na injecao de

agua, onde os controles dos pocos sao as pressoes de fundo aplicadas em cada um deles, tanto
produtores como injetores. Sendo assim, nos captulos 3, 4 e 5 o simulador sera considerado
como uma funcao V P L = f (p), onde p e o vetor de controles contendo todas as pressoes de
fundo. Desta forma, considere um campo com nw pocos simulados nos passos de tempo t ,
t = 1 . . . nt , o VPL pode ser calculado atraves da Equacao 2.39.
V PL =
nt
nw
t=1 w=1
1
(1+j)t
[POil qOil,w (pw )

CW P rod qW P rod,w (pw )
(2.39)
CW Inj qW Inj,w (pw )]

importante ressaltar que a taxa de desconto j deve relacionar-se ao mesmo
E
perodo a que se relacionam vazoes qw . Por exemplo, se j for uma taxa mensal, qw deve
ser vazao mensal, isto e, volume produzido/injetado em um mes. O preco do oleo e POil e
os custos de producao e injecao de agua sao respectivamente CW P rod e CW Inj . Todos sao
considerados constantes. A vazao do poco qw e determinada pelo simulador como a soma
das vazoes em todas as completacoes. Para tanto as pressoes em cada completacao deve ser
2.5. Comparacao com simulador comercial
43
calculada atraves da Equacao 2.35 para aplicar-se o modelo de poco da Equacao 2.33. A
rotina de calculo do Valor Presente Lquido e externa ao simulador e aplica a Equacao 2.39
apos receber a vazao de cada poco em cada passo de tempo.
2.5
Comparac
ao com simulador comercial
Como uma tentativa de validacao do simulador, buscou-se comparar os resultados
da simulacao de um modelo de reservatorios obtida com o uso do SIMPAR ao resultado

obtido com algum simulador comercial ja consagrado pela ind
ustria. Sendo assim, por ser
mais comumente utilizado na Petrobras, escolheu-se o IMEX da CMG como simulador a ser
comparado.
O primeiro caso teste proposto nesse estudo comparativo, e utilizado tambem nos
Captulos 3, 4 e 5, e uma porcao modicada do modelo SPE10, um reservatorio sintetico paralelepipedico (caixa de sapato) com canais proposto inicialmente em (Christie and Blunt,
2001). Esta modicacao, considerando a mesma porcao aqui utilizada, foi determinada em
(Cardoso, 2009) como um dos modelos para aplicacao da tecnica. O modelo e tridimensional
de dimensoes 60 80 5 celulas, isto e, possui 24000 celulas. Todas as celulas possuem
dimensoes de 50 ft 70 ft 20 ft. Ha 4 pocos produtores (nomeados P1-P4) e dois injetores
(I1 e I2). O valor medio para a permeabilidade na direcao x e kx = 418 mD. A permeabilidade vertical e denida como kz = 0,3kx nos canais e kz = 103 kx na porcao restante. As
saturacoes iniciais de oleo e agua sao respectivamente Soi = 0,8 e Swc = 0,2 e as residuais,
Swr = Sor = 0,2. Para o oleo tem-se o = 45 lb/ft3 e o = 3 cp e para a agua w = 60 lb/ft3
e w = 0.3 cp. O sistema e pouco compressvel com co = cw = cr = 106 psi1 (compressibiliadades dos uidos e da rocha iguais). O efeito da pressao capilar e desconsiderado. As
permeabilidades relativas sao calculadas atraves do modelo de Corey (Equacoes 2.19 e 2.20
0
0
com os seguintes parametros: kro
= krw
= 1 e a = b = 2. A gura 2.2 representa o mapa
de permeabilidades na direcao x, kx com os pocos posicionados. Neste teste comparativo,

todos os pocos foram controlados por pressao de fundo especicada, sendo para os produtores
Pw = 4000 psi e para os injetores Pw = 11000 psi. O tempo da simulacao e de 3000 dias.
Os resultados obtidos para este modelo SPE10 - Adaptado se encontram na Figura
2.3. A comparacao foi feita considerando as vazoes de oleo produzido (Figura 2.3(a)) a vazao
de agua produzida (Figura 2.3(b)) e a vazao de agua injetada (Figura 2.3(c)) por poco.
Estes mostraram quase perfeita aderencia entre as vazoes calculadas pelos dois simuladores
44
Fig. 2.2: Modelo sintetico (baseado no caso SPE10) com 24000 celulas, 5 pocos produtores
e 2 injetores. Mapa de permeabilidades na direcao x.
para todos os 3000 dias de simulacao. Portanto, nem a formulacao por fracoes massicas
nem qualquer outra diferenca que por ventura ambos os simuladores possuam, tiveram efeito
signicativo nos resultados. Este entao foi um dos modelos utilizados nos estudos contidos
nos Captulos 3, 4 e 5 posteriores.
Apesar disso, o desempenho do SIMPAR foi bastante inferior ao do IMEX em
termos de tempo de simulacao. Utilizando um computador com processador Intel Core 2
Duo 3 GHz com 4 GB de RAM e sistema operacional Windows 7, enquanto o IMEX utilizou
194 s, o SIMPAR utilizou 2175 s na simulacao. Observou-se que o u
ltimo cortou mais os passos
de tempo (em torno de duas vezes) e fez em torno de 4 vezes o n
umero de iteracoes lineares
total. Isto se deve às conguracoes numericas, mas tambem à qualidade do solver antigo e
menos eciente que e utilizado no SIMPAR. Na verdade, o solver desenvolvido no CENPES
no m da decada de 80 e do tipo orthomin (Vinsome, 1976), mas seu pre-condicionador esta
muito ultrapassado se comparado ao estado da arte atual neste area.
Este modelo SPE10 - Modicado foi bastante utilizado nos estudos de acuracia
do TPWL, otimizacao e incertezas. Entretanto, alem de ser um modelo pequeno em termos
de n
umero de celulas, possui poucos controles. Sao apenas 6 pocos onde somente os 4
produtores serao controlados nos estudos de otimizacao. Considerando-se o n
umero de 6
ciclos de controle, maximo utilizado, obtem-se um problema com 24 variaveis de projeto
para o problema de otimizacao.
45
(a) Vazao de Oleo

Produzido por Poco
(b) Vazao de Agua

Produzida por Poco
(c) Vazao de Agua

Injetada por Poco
Fig. 2.3: Comparacao de resultados do SIMPAR com IMEX - Modelo SPE10 - Modicado
46
Por outro lado, juntamente com a ideia de revitalizacao do simulador SIMPAR,

surgiu uma demanda por construcao de modelos para testes. Um campo que tem sido
utilizado frequentemente na literatura e tem um carater geologico mais realista e o campo de
Brugge (Peters et al., 2010), proposto como caso benchmark para problemas de otimizacao
um campo sintetico, cuja estrutura consiste em um domo alongado
e ajuste ao historico. E
de leste para oeste com uma falha de borda ao norte e uma falha interna com um rejeito
modesto. As dimensoes do campo sao de aproximadamente 10 km 3 km. A sequencia
vertical das formacoes diz respeito a estratigraa BRENT (formacoes Broom-Ranoch-EtiveNess-Tarbert).
O modelo de reservatorios proposto para um estudo comparativo em (Peters et al.,
2010) possui celulas de dimensoes aproximadas de 75 m 75 m 2, 5 m e um total de 60048
blocos, sendo 44550 ativos. Contem 20 pocos produtores e 10 pocos injetores, todos verticais. Esta subsaturado o que permite a simulacao bifasica e a construcao do modelo de ordem
reduzida TPWL. A gura 2.4 apresenta o mapa de permeabilidades na direcao x. As propriedades de uido, rocha e rocha-uido estao descritas em (Peters et al., 2010). Na descricao do
modelo foram fornecidas 104 realizacoes das propriedades de reservatorio (permeabilidades,
porosidade, razao net-to-gross, etc), tendo sido utilizada neste estudo a primeira delas. A
duracao da simulacao considerada aqui diz respeito somente ao perodo relativo ao historico
de producao proposto no estudo comparativo: 10 anos.
O SIMPAR, por ser um simulador antigo, possui algumas limitacoes em relacao
aos mais modernos. Sendo assim, para comparar seus resultados a respeito deste modelo com
um outro simulador (IMEX), fez-se necessario realizar algumas modicacoes que deveriam
ser replicadas nos modelos para os dois sumuladores. A primeira diz respeito à descricao
da malha de simulacao, nao possibilitando a utilizacao de malhas mais genericas, cando
limitado ao tipo cartesiano com topo variavel. O caso em questao possui uma malha do tipo
corner point que precisou ser convertida em cartesiano, utilizando-se a ferramenta Cyclope
desenvolvida em parceria Petrobras-ESSS (CENPES and ESSS, 2012).
Esta conversao (juntamente com as outras modicacoes descritas a seguir) alterou
consideravelmente o volume poroso (reducao de 16 %) e os volumes de oleo in place (aumento
de 5 %) e agua in place (reducao de 20 %), pois causa uma deformacao da malha nas partes
perifericas, onde as celulas da malha original sao muito diferentes de paraleleppedos. Os
volumes de rocha e uido do modelo antes da conversao encontram-se na primeira coluna
da tabela 2.1 para comparacao com o caso modicado. Esta diferenca se deve ao fato de
47
a conversao simplesmente fazer um mapeamento um para um das celulas das duas malhas
(original e convertida) mantendo assim a quantidade de celulas. O mais correto seria fazer um
recobrimento do espaco representado no modelo com a nova malha cartesiana minimizando
as diferencas de volumes, tarefa que pode vir a ser feita no futuro.
Fig. 2.4: Modelo de Brugge Modicado. Mapa de permeabilidades na direcao x.
Alem disso, houve a necessidade de se redenir o desenho dos pocos. Todos

no modelo original sao verticais, mas devido ao grid nao regular nao possuem todas as
completacoes com as mesmas coordenadas x e y. Entretanto, com a regularizacao da
malha, os pocos deixariam de ser verticais se fossem mantidas as coordenadas originais para
as completacoes. Sendo assim, alteraram-se as posicoes das completacoes e desprezou-se a
descricao exata da trajetoria (este u
ltimo recurso nao existe no SIMPAR).
Outras modicacoes foram realizadas tais como: (1) simplicacao do modelo de
uido, pois o SIMPAR nao admite tabelas PVT para um modelo bi-fasico; (2) razao de
solubilidade anulada, devido a diferenca de formulacao; (3) reposicionamento da profundidade
de referencia, pois o SIMPAR so permite que esteja no contato; (4) pressao capilar desprezada
devido a diferencas na forma de inicializacao que geravam discrepancias entre os volumes
iniciais de oleo e agua calculados pelos simuladores; (5) consideracao de uma u
nica curva de
48
permeabilidade relativa para todo o campo devido a complexidade de conversao do esquema

de re-escalamento das curvas utilizado no modelo IMEX. Devido a todas estas alteracoes no
modelo, este caso e chamadado daqui por diante de Brugge - Modicado.
Todos os pocos produtores foram controlados por vazao maxima de lquido de
3
320 m /d, exceto os pocos P10 e P15, onde a vazao maxima de lquido foi alterada para
220 m3 /d e o poco P9, que foi controlado por pressao mnima de fundo de 51 kgf/cm2 . Os
pocos injetores foram controlados por vazao maxima de agua injetada de 636 m3 /d.
Desta forma, todas estas modicacoes foram aplicadas tanto ao modelo simulado no IMEX quanto ao simulado pelo SIMPAR, possibilitando uma comparacao justa dos
resultados para ns de validacao. A Figura 2.5 contem as vazoes de oleo, agua e lquido produzidos e vazao de agua injetada total do campo obtidas pelos dois simuladores, utilizando-se
a primeira realizacao do modelo de Brugge, com todas as modicacoes descritas.
(a) Vaz
ao Total de Oleo
Produzido
(c) Vaz
ao Total de Lquido Produzido
(b) Vazao Total de Agua

Produzida
(d) Vazao Total de Agua

Injetada
Fig. 2.5: Comparacao de resultados do SIMPAR com IMEX
As vazoes totais produzidas e injetadas se mostraram praticamente identicas nos

resultados obtidos pelos dois simuladores. Houve uma pequena diferenca na producao de
49
oleo e de agua devida à pequenas discrepancias apos a erupcao de agua em alguns dos pocos
e a uma discrepancia razoavel nas vazoes calculadas para o poco controlado por pressao de
fundo. Em todos os pocos produtores, exceto neste u
ltimo, a vazao de lquido maxima e
atingida durante todo o tempo. As vazoes de injecao de todos os pocos se mativeram no
valor maximo nos dois resultados.
Outro importante resultado a ser comparado, calculado na inicializacao do simulador, sao os volumes de oleo e agua in place e o volume poroso. Como ambos os modelos
possuem a mesma malha e mesmos mapas espera-se que estes coincidam. A Tabela 2.1 apresenta os resultados. Pode-se observar que os volumes coincidem, mas isto so pode ser obtido
desprezando-se a pressao capilar. Diferencas no calculo da inicializacao (posicionamento dos
contatos) dos dois simuladores causavam discrepancias nos volumes de oleo e agua quando a
curva de pressao capilar foi considerada.
Tab. 2.1: Comparacao de volumes in place calculados pelos simuladores
IMEX - Inicial
Simpar
IMEX
Volume Poroso(m3 )
8,875 108
7,380 108
7,380 108
Volume de oleo (Sm3 )
1,318 108
1,387 108
1,388 108
Volume de agua (Sm3 )
7,589 108
6,028 108
6,027 108
44550
44550
44550
N
umero de celulas ativas
Apesar da proximidade dos resultados, assim como com o modelo SPE10 - Modicado, o desempenho do SIMPAR com o Brugge - Modicado foi bastante inferior ao do
IMEX em termos de tempo de simulacao. Utilizando um computador com processador Intel
Core 2 Duo 3GHz com 4GB de RAM e sistema operacional Windows 7, enquanto o IMEX
utilizou 247s, o SIMPAR utilizou 1477s na simulacao. Observou-se que o u
ltimo fez em
torno de 1,4 vezes o n
umero de iteracoes lineares total. Entretanto, o acrescimo de tempo
foi muito mais expressivo. Comparando com o primeiro modelo, demonstra-se que o solver
do SIMPAR nao e bem escalavel com o n
umero de celulas da simulacao.
O modelo de Brugge - Modicado foi utilizado nos estudos de otimizacao do
captulo 4 com mais uma modicacao: os controles utilizados foram somente pressoes de
fundo de poco para que fosse compatvel com o modelo de ordem reduzida.
3. MODELO DE ORDEM
REDUZIDA
Com o advento de modelos de simulacao cada vez maiores e mais detalhados e
com a necessidade de estudos que demandam cada vez mais simulacoes destes modelos, como
otimizacao de controles e posicao de pocos, analise de incertezas ou, ainda mais, otimizacao
sob incerteza, cresce a necessidade de construcao de modelos substitutos de ordem reduzida
que sejam capazes de obter resultados proximos aos dos simuladores com custo computacional
bem inferior.
Este captulo descreve os aspectos teoricos acerca do modelo substituto de ordem
reduzida utilizado neste trabalho, bem como os detalhes para a sua implementacao. A tecnica
escolhida para a reducao da complexidade numerica e conhecida como Trajectory Piecewise
Linearization - TPWL e consiste basicamente na linearizacao da equacao do resduo em
torno de estados salvos durante uma simulacao previamente executada, tambem chamada de
simulacao de treinamento. Tal tecnica foi proposta pela primeira vez em (Rewienski, 2003)
num contexto de microeletronica, mas foi aplicada inicialmente à problemas de simulacao de
reservatorios por Cardoso (Cardoso, 2009).
A simples aplicacao desta tecnica transforma o problema nao linear da simulacao
de escoamento em uma sequencia de solucoes de sistemas lineares. A dimensao deste problema ainda e a mesma do problema original. Portanto, faz-se necessario uma tecnica para
reducao da dimensao do problema. A tecnica de reducao escolhida e conhecida como Proper
Orthogonal Linearization - POD ou Principal Component Analysis - PCA amplamente aplicada em diversas areas da engenharia, tendo sido combinada com o TPWL ja em (Cardoso,
2009).
Por outro lado, ha um grande n
umero de trabalhos que mencionam um problema
de estabilidade com a tecnica (He, 2010; Gildin et al., 2013). Estudos mais recentes mostram
50
3.1. Linearizacao utilizando TPWL
51
que a tecnica pode ser estabilizada pela substituicao do tipo de projecao que era usado
inicialmente (Petrov-Galerkin) pela projecao de Bubnov-Galerkin (Carlberg et al., 2009; He
and Durlofsky, 2013). Isto foi utilizado em todos os estudos aqui apresentados, eliminando
problemas com estabilidade do metodo.
A primeira parte deste captulo consiste em explicacoes sobre a matematica e
o funcionamento algortmico do TPWL. A secao 3.1 apresenta os detalhes do metodo de
linearizacao aplicado à equacao de uxo. Em seguida, a secao 3.2 apresenta em detalhes a
forma das matrizes de derivadas que precisarao ser exportadas a partir do codigo do simulador
de reservatorios. A secao 3.3 detalha metodologia de reducao de dimensao por POD (Proper
Orthogonal Decomposition). A u
ltima secao desta primeira parte, secao 3.4, descreve o
modelo de ordem reduzida obtido pela combinacao da linearizacao com o TPWL e da reducao
de dimensao com o POD.
Na segunda parte sao expostos a implementacao do metodo acoplado ao simulador
SIMPAR, detalhando a construcao de rotinas de exportacao, a forma de comunicacao e o
desenvolvimento utilizando o Matlab na secao 3.5. Por m, apresentam-se alguns resultados
de medida de acuracia do metodo na secao 3.6, comparando valores obtidos para o Valor
Presente Lquido obtidos com o simulador e com o modelo de ordem reduzida. Isto ilustra a
sua qualidade e evidencia algumas das limitacoes.
3.1
Linearizac
ao utilizando TPWL
Para construir o modelo reduzido, primeiro e necessario analisar as equacoes de

possvel reescreve-las, dividindo-as em tres partes: termos de
uxo descritas em 2.26 e 2.27. E
acumulacao, que representa toda a massa acumulada no bloco e depende da compressibilidade
dos uidos, termo de uxo, que representa a massa que ui de um bloco para outro e depende
das transmissibilidades das interfaces, e termo de fonte/sumidouro, que representa a massa
produzida/injetada em eventuais pocos completados nos blocos e depende do modelo de poco.
A Equacao 3.1 representa estas tres parcelas que somadas resultam em zero, fechando assim
o balanco de massa.
g(xn+1 , xn , un+1 ) = A(xn+1 , xn ) + F(xn+1 ) + Q(xn+1 , un+1 ) = 0
(3.1)
52
Na Equacao 3.1, g representa o vetor de resduo para as duas equacoes que representam o modelo bifasico. Como a equacao e nao linear, utiliza-se o metodo de NewtonRaphson para a solucao. Os ndices n e n + 1 designam o passo de tempo da simulacao e A,
F e Q sao os termos de acumulacao, uxo e fonte/sumidouro respectivamente aqui representados em negrito por representarem vetores com uma componente para cada equacao, sendo
duas equacoes para cada bloco.
A tecnica conhecida como Trajectory Piecewise Linearization - TPWL se baseia
na linearizacao da equacao do resduo em torno de estados salvos durante uma simulacao
previamente executada, tambem chamada de simulacao de treinamento. A cada passo de
tempo lineariza-se o modelo em torno de um ponto de alguma trajetoria de treinamento,
cujos estados foram previamente convergidos e armazenados (Cardoso, 2009; He, 2010).
Analisando-se a equacao 3.1 sabe-se que o resduo g e funcao do vetor de estados
do passo atual xn+1 , do vetor de estados do passo anterior xn e do vetor de controles dos
pocos un+1 . Sendo assim, considere os vetores de estados xi+1 e xi convergidos e memorizados
durante uma simulacao de treinamento utilizando o vetor de controles ui+1 . Seja a expansao
em serie de Taylor do resduo gn+1 representado na equacao 3.1 em torno de xi+1 , xi e ui+1 .
Podemos aproximar o resduo em uma simulacao gn+1 a partir do estado calculado no passo
anterior xn , utilizando os dados memorizados pelo truncamento da expansao, representado
na equacao 3.2.
gn+1 = gi+1 +
gi+1 n+1
gi+1 n
gi+1 n+1
i+1
i
(x
x
)
+
(x
x
)
+
(u
ui+1 ),
xi+1
xi
ui+1
(3.2)
importante ressaltar que na Equacao 3.2, o sobrescrito i representa um passo

E
de tempo de uma simulacao de treinamento, onde as derivadas, estados e controles utilizados
foram convergidos e memorizados e o sobrescrito n representa os passos de tempo de uma nova
simulacao, considerando o mesmo estado inicial, mas outros controles. Alem disso, sao feitas
as seguintes simplicacoes de notacao gn+1 = g(xn+1 , xn , un+1 ) e gi+1 = g(xi+1 , xi , ui+1 ).
Por outro lado, gi+1 = 0, pois representa o resduo previamente convergido durante a simulacao de treinamento. Por denicao a matriz jacobiana e a derivada do resduo
em relacao ao estado. Desta forma a primeira derivada parcial que aparece na Equacao 3.2
pode ser renomeada conforme Equacao 3.3.
53
i+1
gi+1
=
xi+1
(3.3)
As outras duas derivadas parciais que aparecem na equacao do resduo podem

ser reescritas. Isto se deve ao fato de que o resduo e a soma de fatores que nao dependem
todos da tripla xi+1 , xi , ui+1 . Expandindo o resduo conforme Equacao 3.2 no calculo de sua
derivada em relacao ao estado xi , resulta a Equacao 3.4.
]
gi+1
[
=
A(xi+1 , xi ) + F(xi+1 ) + Q(xi+1 , ui+1 )
i
i
x
x
(3.4)
Como somente o termo de acumulacao A(xi+1 , xi ) possui dependencia em relacao

ao estado no passo de tempo anterior, a Equacao 3.4 pode ser simplicada como na Equacao
3.5.
gi+1
Ai+1
=
xi
xi
(3.5)
` primeira vista, a derivada na Equacao 3.5 parece nao estar disponvel facilmente
A
em um simulador. Entretanto, ao observar-se as Equacoes 2.26 e 2.27, nota-se que o termo de
acumulacao e composto por uma diferenca entre duas parcelas quase identicas. A primeira
tomada no passo atual (i + 1) e a segunda no passo anterior (i). Isto posto, pode-se expressar
uma relacao entre a derivada que aqui se deseja calcular
Ai+1
xi
e a derivada do termo de
acumulacao no passo anterior em relacao ao vetor de estados tambem do passo anterior

Para tanto, deve-se fazer uma correcao conforme se expressa na Equacao 3.6, onde t
Ai
.
xi
i+1
ti representam a duracao do passo de tempo atual e anterior respectivamente.

Ai+1
ti Ai
=
xi
ti+1 xi
(3.6)
A mesma simplicacao realizada na derivada do resduo em relacao ao vetor de

estados xi e que resulta na equacao 3.5 pode ser repetida na derivada em relacao ao vetor de
controles ui+1 . Como somente o termo de fonte/sumidouro Q(xi+1 , ui+1 ) possui dependencia
em relacao ao controle, a derivada
gi+1
ui+1
pode ser simplicada como na Equacao 3.7.
gi+1
Qi+1
=
.
ui+1
ui+1
(3.7)
54
Como o resduo gn+1 = 0, a Equacao 3.2 pode ser reescrita de forma mais compacta na Equacao 3.8. Esta e a forma da equacao motriz do TPWL expressa em (He, 2010).
[
i+1
n+1
(x
i+1
]
Ai+1 n
Qi+1 n+1
i
i+1
)=
(x x ) +
(u
u )
xi
ui+1
(3.8)
Observando a Equacao 3.8 percebe-se que esta e uma forma de relacionar o desvio
entre os vetores de estado simulado pelo TPWL e gravado na simulacao de treinamento
(xn+1 xi+1 ) com os desvios entres os estados simulados e gravados para o passo de tempo
anterior (xn xi ) e os desvios entre os controles aplicados na simulacao TPWL e na simulacao
de treinamento (un+1 ui+1 ).
Alem disso, observa-se que o TPWL aproxima a simulacao eliminando a necessidade de um processo iterativo de solucao. Isto ca mais claro ao explicitar-se o estado xn+1
na Equacao 3.8 resultando na Equacao 3.9.
n+1
=x
i+1
)
i+1 1
]
Ai+1 n
Qi+1 n+1
i
i+1
(x x ) +
(u
u )
xi
ui+1
(3.9)
Mas ainda ha um ponto em aberto na Equacao 3.9: como escolher os estados

gravados durante a simulacao de treinamento xi e xi+1 e as derivadas Ji+1 ,
Ai+1
xi
Qi+1
ui+1
serem utilizados a cada passo de tempo da simulacao TPWL?

Na verdade, basta determinar-se o ndice i do estado xi . A partir dele, determinase o estado consecutivo na simulacao de treino que sera xi+1 e as derivadas correspondentes a
este u
ltimo. Mas como determinar xi ? Este sera o estado mais proximo, segundo alguma
norma, ao estado calculado pelo TPWL no passo de tempo anterior xn . Existem varias
maneiras de se medir tal proximidade. A maneira escolhida e parecida com a denida em
(Cardoso, 2009) e tambem utilizada em (He, 2010). Seja zn o mapa de fracoes massicas no
passo de tempo n da simulacao TPWL, representado por somente as linhas de xn correspondentes às fracoes massicas. O estado gravado xi sera aquele cujo mapa de saturacoes zi for
mais proximo de zn medindo-se a distancia pela norma euclidiana. Sendo assim, determina-se
o ndice i do estado gravado a ser utilizado no passo de tempo n minimizando-se a distancia
no espaco das fracoes massicas como mostrado na Equacao 3.10.
i = arg min |zk zn |

k
(3.10)
55
Esta linearizacao e melhor se o estado simulado for mais proximo do estado gravado mais proximo. Alem disso e dependente da trajetoria, isto e, dos estados pelos quais
passou anteriormente. Sendo assim, existe em torno de cada estado da trajetoria de treinamento, uma regiao de validade para o modelo linearizado dentro da qual a aproximacao
e boa. Se a trajetoria simulada passar por dentro de tais regioes entao a aproximacao sera
melhor. A gura 3.1 foi extrada de (Albunni et al., 2008) esquematiza este raciocnio.
Fig. 3.1: Regiao Validade do TPWL em torno da trajetoria de treinamento
Desta forma, considere uma sequencia de controles (pressoes de fundo de poco)

c
{BHPt }N
t=1 ,
onde Nc e o n
umero de ciclos de controle ao longo do tempo de simulacao
T para os quais se desejam calcular as vazoes dos pocos numa simulacao do modelo de
ordem reduzida TPWL. Considere uma simulacao de reservatorios chamada de simulacao de
treinamento. Esta simulacao passa por Nt passos de tempo. Armazenam-se e exportam-se
todas as seguintes informacoes ao nal de todos os passos de tempo da simulacao apos a
convergencia do metodo de Newton:
t
os incrementos de tempo da simulacao {ti }N
i=1 ;
t
os controles utilizados {ui }N
i=1 ;
t
os estados convergidos {xi }N
i=1 ;
i+1
i+1
Q
Nt
Nt
A
t
as derivadas convergidas {Ji+1 }N
i=1 , { xi }i=1 e { ui+1 }i=1 ;
O algoritmo executado na simulacao TPWL consiste nos seguintes passos:

1. Faz-se n = i = 1, tn = 0 e xn = xi .
2. Determina-se o vetor de controles do passo de tempo de un+1 a partir da lista de
c
controles a serem simulados {BHPt }N
cos com m
ultipla completacao, faz-se
t=1 . Para po
necessario calcular a pressao nas celulas superiores à de fundo utilizando o modelo de
3.2. Exportacao de mapas de estados e derivadas
56
poco da Equacao 2.35.

t
3. Busca-se entre todos os estados gravados {xi }N
e mais proximo de xn considei=1 qual
rando somente as fracoes massicas. Determina-se i e selecionam-se os estados gravados

xi e xi+1 e o intervalo de tempo entre os passos de tempo i e i + 1, ti .
4. Selecionam-se tambem as derivadas Ji+1 ,
Ai+1
xi
Qi+1
.
ui+1
5. Calcula-se o vetor de estados xn+1 Resolve-se a Equacao 3.9 com os dados selecionados
e o estado anterior xn .
6. Determina-se o tempo transcorrido ate entao na simulacao por tn+1 = tn + ti . Alem
disso, atualiza-se o vetor de estados, xn xn+1 .
7. Calculam-se as vazoes nos pocos aplicando-se as pressoes das celulas dos pocos contidas
em xn+1 ao modelo de poco da Equacao 2.33.
8. se tn+1 < T retorna-se ao passo 2, caso contrario a simulacao termina.
importante ressaltar que ate agora nao houve nenhuma reducao de dimensao
E
do problema. Tal reducao sera realizada pela aplicacao de uma tecnica descrita na secao 3.3
conhecida como Proper Orthogonal Decomposition e modica minimamente o algoritmo do
TPWL.
3.2
Exportac
ao de mapas de estados e derivadas
A Equacao 3.9 demonstra que o TPWL basicamente transforma a solucao de um
sistema de equacoes nao lineares que modela o problema de escoamento em uma sequencia de
sistemas lineares. Entretanto, para que o metodo funcione, e necessario conhecer os mapas
de pressao e fracoes massicas em cada passo de tempo da simulacao de treinamento que
constituirao juntos os vetores de estado xi . Alem disso, tambem e necessario conhecer as
matrizes de derivadas convergidas em todos os passos de tempo, Ji+1 ,
Ai+1
xi
Qi+1
.
xi+1
Portanto, fez-se necessario alterar o codigo do SIMPAR de forma a que ele fosse
capaz de exportar todos estes dados enquanto executava a simulacao. Algumas rotinas foram
criadas, de uma forma menos intrusiva possvel, para que, a cada passo de tempo da simulacao
de uxo, as matrizes de derivadas e mapas fossem exportadas para arquivo texto para serem
lidos pelo programa TPWL. Nenhuma parte do calculo do simulador foi alterada, mas o
codigo precisou ser compreendido em um nvel razoalvelmente profundo para acessarem-se
57
todas as variaveis necessarias e replicarem-se alguns trechos na exportacao e na posterior

importacao no Matlab para treinamento.
Os mapas de pressao e fracoes massicas ja sao calculados a toda iteracao do metodo
de Newton-Raphson. Inclusive ja existe a opcao de sua exportacao para pos-processamento.
Sendo assim, bastou fazer a escrita de todos os valores em ordem predenida (sequencia de
celulas denida pelo simulador) apos a convergencia em cada passo de tempo.
A exportacao dos mapas de controle possui uma complicacao adicional. Basicamente ha um controle, ou seja, uma pressao xada, em cada bloco com completacao de
algum poco. Entretanto, o que se controla efetivamente e a pressao no fundo do poco (BHP
- Bottom Hole Pressure). Portanto, exporta-se o valor do BHP na celula mais profunda
correspondente a cada poco, mas deve-se tambem exportar a pressao em uxo, calculada na
equacao 2.35, para as celulas superiores de cada poco. Entao, aproveitou-se todo o calculo
do peso da coluna de fuido ja realizado para obter-se as pressoes em uxo de todos os blocos
dos pocos e exporta-las como controles.
Em se tratando das derivadas, a mais simples de exportar foi a matriz jacobiana,
uma vez que ela ja deve ser montada para a realizacao da simulacao. Para sua exportacao,
bastou copiar a rotina de montagem do jacobiano trocando a escrita na memoria por um
arquivo de sada. Esta rotina, como todas as outras de exportacao de derivadas, so pode ser
chamada apos a convergencia do metodo de Newton-Raphson.
importante ressaltar que devido a natureza do metodo de diferencas nitas e
E
da malha estruturada, esta matriz, no caso tridimensional, e praticamente heptadiagonal por
blocos (a excessao ocorre quando ha conexao entre celulas que nao sao vizinhas naturalmente
e isto acontece em casos de pinch-out em que uma camada desaparece, havendo a necessidade
de conectar duas camadas nao consecutivas ou no caso de falhas com rejeito, onde parte do
reservatorio se desloca para cima ou para baixo). Sendo assim, e uma matriz esparsa e
portanto nao ha a necessidade de exportar todos os seus elementos. Alem disso, como no
problema aqui em questao, so se admite controle dos pocos por pressao, esta matriz nao
possui as linhas e colunas correspondentes às equacoes de poco e seus elementos nao-nulos
sao sempre os mesmos ao longo do tempo. Portanto, exportam-se as coordenadas desses
elementos uma u
nica vez, so sendo necessario exportar os valores em cada passo de tempo.
Esse mesmo raciocnio se aplica às outras derivadas.
As outras derivadas normalmente nao precisariam ser calculadas durante a simulacao. Sendo assim, fez-se necessario a contrucao de rotinas para calculo e exportacao.
58
Portanto, antes de tentar implementa-las, foi necessario calcular qual seria a forma dessas
derivadas baseados em propriedades e derivadas que ja estivessem disponveis no decorrer
da simulacao. A Equacao 3.11 contem um bloco da derivada do termo de acumulacao em
importante ressaltar que este
relacao ao estado anterior para uma celula N , no passo i. E
bloco possui duas linhas, uma para cada equacao de balanco e duas colunas, uma para cada
componente (oleo e agua). A matriz
Ai+1
xi
para a formulacao totalmente implcita e bloco-
diagonal. Isto se deve ao fato de o termo de acumulacao da celula N so depender de termos

relacionados à propria celula, reduzindo o n
umero de elementos a serem exportados.
Ai+1
xi
)
=
N
VN
ti+1
O calculo desta derivada
m
m p
+
po
o
zw m p
o
Ai+1
xi
m
zw
po
m

zw
m
zw
zw
+ m
(3.11)
ja estava em parte implementado no SIMPAR,
pois e um dos componentes necessarios para o metodo adjunto, parcialmente implementado

no simulador. Note que, assim como exposto na Equacao 3.6, tal derivada depende de
propriedades calculadas no passo de tempo n e n + 1. Portanto, optou-se por exporta-la no
passo de tempo n + 1 junto com as outras matrizes e sem a divisao por tn+1 . O seu uso deve
ser entao atrasado no tempo o que implica que o passo de tempo utilizado no denominador
seria o imediatamente posterior.
Por m, uma outra rotina foi desenvolvida para exportarem-se as derivadas do
termo de fonte/sumidouro. A partir das Equacoes 2.26 e 2.27 tais derivadas puderam ser
calculadas. Seu calculo baseia-se no modelo de poco utilizado exposto na Equacao 2.33. A
Equacao 3.12 contem um bloco da matriz para a celula N que contenha um poco produtor
no passo de tempo i. Nesta equacao, o termo Fg e o fator geometrico do poco (Peaceman,
1983).
Note que um bloco desta matriz possui duas linhas, uma para cada equacao,
representando, a primeira, a vazao total de uido produzido ou injetado e, a segunda, a
vazao de agua. Ha uma u
nica coluna, pois so ha um controle no maximo por celula. Os
u
nicos blocos nao nulos sao os correspondentes às celulas com pocos completados, portanto,
esta matriz e bloco-diagonal, mas com pouqussimos termos nao nulos.
3.3. Reducao de dimensao - Proper Orthogonal Decomposition (POD)
Qi+1
ui+1
)
N
o
M
pwf
i+1
w
M
pwf
w
M
pwf
59
) i+1
(
Fg o kroo + w krw
w
)
(
krw
Fg w w
(3.12)
A equacao 3.13 contem um bloco da matriz para a celula N que contenha um

poco injetor no passo de tempo i. Note que neste caso as linhas correspondentes às duas
equacoes sao identicas, ja que a mobilidade da agua num poco injetor e a total para os dois
uidos, como denido na Equacao 2.34.
3.3
Qi+1
ui+1
)
N
w
M
pwf
w
M
pwf
i+1
(
Fg w
(
Fg w
kro
o
kro
o
+
+
krw
w
krw
w
) i+1
(3.13)
Reduc
ao de dimens
ao - Proper Orthogonal
Decomposition (POD)
A metodologia TPWL consiste em um redutor de complexidade numerica pois
lineariza o problema, eliminando a necessidade de um processo iterativo como NewtonRaphson para a solucao das equacoes em cada passo de tempo. Entretanto, a quantidade
de variaveis e equacoes permanece a mesma, nao havendo portanto reducao da dimensao
do problema. Sendo assim, faz-se necessario a combinacao do TPWL com alguma tecnica
eciente para a reducao de dimensao de modo a obter-se um modelo de ordem reduzida com
consequente reducao signicativa no tempo computacional.
A tecnica assim escolhida para promover a reducao de dimensao e conhecida como
Proper Orthogonal Decomposition - POD ou Principal Component Analysis - PCA (Jollie,
2002). Ela tira proveito da correlacao existente entre elementos de um mesmo conjunto de
dados. Pode ser aplicada em diversos ramos da engenharia.
Esta tecnica e amplamente utilizada em problemas de compressao, reconstrucao e
reconhecimento de faces devido à correlacao existente entre as faces humanas (Muller et al.,
2004). Por exemplo, no contexto de identicacao automatica de imagens, ao considerar-se um
conjunto de rostos de pessoas, apesar de todas diferirem entre si, ha caractersticas presentes
60
em todas elas. Todas as pessoas possuem dois olhos, duas orelhas, uma testa, uma boca,
etc, mais ou menos nas mesmas posicoes. Sendo assim, as imagens possuem muita correlacao
umas com as outras, o que sugere que o espaco vetorial gerado pelo conjunto de imagens
de faces humanas tem uma dimensao inferior ao n
umero de imagens consideradas, , se um
pequeno erro for tolerado.
Correlacoes similares ocorrem, por exemplo, entre os mapas de pressao e saturacao
resultantes de uma simulacao de reservatorios. Isto se deve ao fato de formarem-se frentes de
avanco que seguem uma tendencia fortemente dependente das caractersticas do meio simulado. Este trabalho visa avaliar a reconstrucao de tais mapas utilizando-se uma quantidade
menor de informacao. A ideia e descobrir as direcoes principais do espaco gerado pelos mapas
conhecidos, mas so considerar as mais signicativas com base em um criterio de energia.
A ideia e baseada na analise espectral da matriz de covariancia cujos autovalores
indicam a variabilidade em cada uma das direcoes principais, que sao os seus autovetores.
Direcoes principais com baixa variabilidade (pequenos autovalores) podem ser desprezadas.
Entretanto, nao ha a necessidade do calculo da matriz de covariancia; isto seria bastante
custoso. A teoria demonstra a equivalencia entre esse conceito e a decomposicao em valores
singulares, fatoracao de matrizes bastante conhecida pela algebra linear.
3.3.1 Descricao do POD

Considere um sistema de dimensao N , no caso deste trabalho, representando as
equacoes resolvidas pelo simulador de reservatorios e descritas na Equacao 2.26 e 2.27 e um
conjunto de M solucoes desse sistema, isto e, vetores de dimensao N , {xi }M
i=1 , chamados de
snapshots e que foram gerados por simulacao numerica. Monta-se a matriz X da Equacao
3.14 de dimensao N M em que as colunas representam os M snapshots .
X = [x1 , x2 , , xM ]
(3.14)
Como o modelo e uma aproximacao discreta de uma equacao diferencial parcial,

a dimensao do snapshot e normalmente muito maior que a sua quantidade (N >> M ). O
objetivo do POD e determinar ( < M << N ) vetores proprios ortonormais {i }i=1 de tal
modo que a distancia entre os snapshots e sua projecao no subespaco gerado pelos vetores
proprios apresentada na Equacao 3.15 seja minimizada para um dado (Markovinovic, 2003).
M

1
xi T xi
M i=1
Q() =
61
(3.15)
O subespaco gerado pelos vetores proprios {i }i=1 e denido pela matriz de

dimensao n apresentada na Equacao 3.16.
[
=
1 2
(3.16)
Pode-se mostrar que a solucao deste problema de minimizacao e dada por {i }i=1
considerando autovetores da matriz n n dada pela Equacao 3.17 e que representa a
covariancia entre os snapshots. Estes autovetores correspondem aos maiores autovalores
{i }i=1 .
R=
1
XXT
M
(3.17)
Em alguns casos, ao inves de utilizar-se a matriz de snapshots X diretamente no

conforme
calculo da matriz de covariancia R denida na Equacao 3.17, calcula-se a matriz R
Equacao 3.18.
M
1 T
1
)(xi x
)T
R=
XX =
(xi x
M
M i=1
(3.18)
e apresentada na Equacao 3.19, onde x

representa o snapshot medio
A matriz X
M
= (1/M ) i=1 xi .
x
= [x1 x
, x2 x
, , xM x
] ,
X
(3.19)
Geometricamente, a subtracao da media de um conjunto de pontos de cada um

dos pontos do conjunto e equivalente a mover o centro de massa do conjunto para a origem.
Nas aplicacoes de construcao de modelos de ordem reduzida determinsticos, esta translacao
dos pontos transformando-os em um conjunto de media zero nao e de grande importancia
(Markovinovic, 2003) e portanto nao sera considerada neste trabalho.
Determinar os autovetores da matriz de covariancia signica descobrir as direcoes
ortogonais nas quais os dados apresentem maior variabilidade. Ao desprezarem-se algumas
62
direcoes, as direcoes com pouca variabilidade, obtem-se uma aproximacao X conforme a

Equacao 3.20.
X = T X
(3.20)
O erro nesta aproximacao, entao, medido pela norma-2 da diferenca entre X e X

e no maximo igual ao maior valor singular desprezado, conforme representado na Equacao
3.21.
X X +1
(3.21)
Pode-se mostrar que X e a melhor aproximacao para X (no sentido da norma-2)

entre todas as matrizes com posto r . Se +1 e suciente pequeno, manter somente
valores singulares resulta em uma boa aproximacao e, portanto, se diz que o posto efetivo de
X e .
A reducao de dimensao ocorre atraves da projecao dos estados contidos na matriz
X de dimensao n em um subespaco de dimensao muito menor. Tal projecao e representada
pela matriz , chamada de base do POD, e gera estados reduzidos {zi }M
i=1 correspondentes
a {xi }M
cao pode ser aplicada a qualquer estado x no espaco de dimensao
i=1 . Esta transforma
M para o calculo de um estado reduzido z como mostrado na Equacao 3.22.
z = T x
(3.22)
Por m, para ilustrar o funcionamento do POD, considere o exemplo ilustrado

na Figura 3.2. Suponha que os estados de uma sistema sejam representados em um espaco
tridimensional dentro de um elipsoide como na Figura 3.2(a). As direcoes principais deste
conjunto sao os autovetores da matriz de covariancia e estao representadas na Figura 3.2(b)
por PC1, PC2 e PC3; o modulo dos vetores e proporcional aos autovalores e portanto à
variabilidade naquela direcao. Ao desprezar-se a direcao PC3 com menor autovalor, isto
e, com menor variabilidade, os pontos passam a ser representados de maneira aproximada
em um plano no interior de uma elipse como na Figura 3.2(c). Isto so e possvel pois a
variabilidade na direcao principal desprezada e bastante pequena.
63
Fig. 3.2: Funcionamento do POD - Consideram-se somente as direcoes de maior variabilidade
3.3.2 Decomposicao em Valores Singulares

Como descrito anteriormente, o POD necessita do calculo dos autovalores e autovetores da matriz de covariancia dos dados. Entretanto, so o calculo dessa matriz, por si
so, ja seria custoso. Alem disso, a determinacao de autovetores e uma operacao cara compu nesse sentido que se aplica a decomposicao em valores singulares descrita
tacionalemente. E
nesta subsecao.
Considere a matriz N M de snapshots de simulacao na qual sera aplicada
o POD. A sua decomposicao em valores singulares (sigla em ingles, SVD Singular Value
Decomposition) consiste na sua fatoracao em um produto de tres matrizes U, V e conforme
representado na Equacao 3.23.
X = U VT
(3.23)
U e V sao ortonormais e possuem dimensao N N e M M , respectivamente.

e uma matriz diagonal N M , contendo os valores singulares nao-negativos j , j =
1, . . . , min(N, M ), dispostos em ordem nao-crescente ao longo da diagonal. As colunas de U
e V sao denotadas pelos vetores uj , j = 1, . . . , n e vj , j = 1, . . . , M .
Duas importantes expressoes que relacionam U e V a estao nas Equacoes 3.24
e 3.25 e podem ser deduzidas diretamente da Equacao 3.23.
X XT U = U T
(3.24)
3.4. Modelo de Ordem Reduzida - TPWL/POD
64
XT X V = V T
(3.25)
Das Equacoes 3.24 e 3.25 conclui-se que as colunas de U sao autovalores de XXT
e as colunas de V sao autovalores de XT X. Alem disso, tanto os autovalores de X XT ,
encontrados na diagonal da matriz T , quanto os de XT X, na diagonal de T , sao
iguais aos quadrados dos valores singulares de X. Portanto, estas expressoes permitem que
se utilize a SVD para o calculo de autovalores e autovetores da matriz de covariancia.
possvel demonstrar que o posto de X e igual ao n
E
umero de valores singulares
diferentes de zero. Portanto, se rank(X) = r, e possvel reescrever a SVD em sua forma
reduzida. Na Equacao 3.26 , U+ e V+ sao as primeiras r colunas de U e V, respectivamente.
+ e uma matriz diagonal r x r. Esta forma para a decomposicao reduz o espaco em memoria
necessario na operacao.
T
X = U+ + V+
(3.26)
A computacao das direcoes principais da matriz de covariancia, que sao a solucao

do problema de minimizacao da Equacao 3.15 objetivo do POD, e feita utilizando-se a SVD
descrita na Equacao 3.26. A matriz U+ , de acordo com a Equacao 3.24, e a matriz de todos
os autovalores de X XT .
Sendo , < M << N , o n
umero de direcoes principais utilizadas na aproximacao
do POD, monta-se a matriz U , considerando-se somente as primeiras colunas de U+ .
As colunas estao ordenadas em ordem decrescente dos autovalores associados e, portanto,
correspondem aos maiores autovalores, representando os modos de maior energia.
Desta forma, U e a base do POD representada na Equacao 3.16. Isto esta exposto
na Equacao 3.27.
[
U = =
3.4
1 2
(3.27)
Modelo de Ordem Reduzida - TPWL/POD

A linearizacao em torno de estados convergidos e gravados reduz a complexidade
do modelo, eliminando a necessidade de metodos iterativos para solucao do sistema, transformando o problema de simulacao em uma sequencia de sistemas lineares. Neste trabalho,
65
a tecnica POD (Proper Orthogonal Decomposition) foi combinada ao TPWL (Trajectory Piecewise Linearization) com o objetivo de reduzir a dimensao do problema a ser resolvido. O
primeiro trabalho a aplicar este esquema à simulacao de reservatorios foi (Cardoso, 2009).
Faz-se necessario entao gerar a base do POD, matriz que projeta vetores de um
espaco de estados bastate grande (e. g., mapas de pressao e fracoes massicas gerados em uma
simulacao de reservatorios) em um espaco de dimensao reduzida que contem a maior parte
da informacao necessaria. Para tanto, efetua-se uma ou mais simulacoes do reservatorio
estudado, armazenando os estados (ou snapshots) pelos quais a simulacao passou a cada
passo de tempo simulado. Entende-se por snapshot um par de vetores xp e xz contendo,
respectivamente, os valores de pressao e fracao massica de todos as Nc celulas do modelo.
Considere entao que Xp e Xz sao matrizes que contem em suas colunas todos os snapshots
calculados em todos os N passos de tempo, como mostra a Equacao 3.28.
[
]
[ 1 2
]
N
Xp = x1p , x2p , , xN
p , X z = xz , xz , , xz
(3.28)
Note que, o TPWL/POD ja havia sido aplicado à formulacao oleo-agua que considera as variaveis de estado: pressao e saturacao (Cardoso, 2009; He, 2010). Portanto, o
modelo de ordem reduzida aqui desenvolvido possui esta diferenca. Uma aplicacao parecida
foi realizada em (He and Durlofsky, 2013), que considerou um modelo composicional por
fracoes molares.
importante ressaltar que, por causa da diferenca de magnitude entre os valores
E
de pressao e fracoes massicas, com o objetivo de evitar problemas numericos no algoritmo,
os estados sao normalizados conforme e mostrado na Equacao 3.29.
xpi =
(pi pmin )
(zi zmin )
, x zi =
(pmax pmin )
(zmax zmin )
(3.29)
A base do POD utilizada para reducao da dimensao dos mapas de pressao e saturacao e a matriz U da decomposicao em valores singulares da matriz de snapshots. Sao
realizadas duas decomposicoes em separado com os mapas normalizados de pressoes e os de
fracoes massicas, obtendo-se as matrizes p e z . Isto permite a escolha de um n
umero de autovalores diferentes para as grandezas que tem naturezas bastante distintas. Ao combinaremse essas duas matrizes, obtem-se a base que sera usada nos calculos de reducao da dimensao
do TPWL como projecao dos estados no espaco reduzido representada na Equacao 3.30.
66
x=z
(3.30)
Em suma, p foi determinada a partir da decomposicao da matriz de snapshots de

pressao Xp e z e foi calculada a partir da decomposicao da matriz de snapshots de fracoes
massicas Xz . Os snapshots de dimensao reduzida tem duas partes tambem. A maneira como
as bases e snapshots foram combinados esta descrita na Equacao 3.31.
xp1
xz1
xp2
xz2
..
.
xpNc
xzNc
1p1

0

1
p2

0

..
.

1
pNc
0
p1p
1z1
z1z
p2p
...
0
..
.
1z2
..
.
...
z2z
..
.
pNp c
1zNc
zNz c
zp1
.
..

zpp
z
z1
.
..

zzz
(3.31)
Finalmente, a reducao de dimensao pode ser aplicada ao TPWL. A Equacao

3.32 mostra como ca a expressao do TPWL que era representada pela Equacao 3.9 apos a
aplicacao do POD para reducao da dimensao atraves da projecao da Equacao 3.30. Note que
os snapshots x de dimensao completa se transformam em z de dimensao reduzida atraves da
transformacao representada na Equacao 3.30.
n+1
i+1
=z
)1
Ji+1 r
[(
Ai+1
xi
(
(z z ) +
n
Qi+1
ui+1
)
(u
n+1
i+1
]
)
(3.32)
Por outro
necessidade
de calcular tambem as derivadas com dimensao
( lado,
) h
(a a i+1
)
i+1
reduzida (Ji+1 )r , A
, Q
. Coerentemente com a Equacao 3.30, faz-se necessario
xi
ui+1
r
pos-multiplicar todas as derivadas em relacao aos estados pela base do POD. Entretanto, isto
faz com que o sistema que com mais equacoes do que incognitas.
Existem diferentes estrategias para resolver este sistema. A primeira maneira,
ja utilizada em um contexto de elementos nitos, e conhecida como projecao de BubnovGalerkin e representa uma projecao ortogonal no espaco de estados reduzido. Foi aplicada
67
a este problema de construcao de modelo de ordem reduzida em simulacao de reservatorios

em (Cardoso, 2009; He, 2010). Consiste em pre-multiplicar as derivadas pela transposta da
base, T , e, portanto, e uma projecao ortogonal no espaco reduzido. Entretanto, problemas
de estabilidade do metodo foram relatados em (He, 2010; Gildin et al., 2013) o que levou a
busca de outras formas.
A projecao escolhida neste trabalho e a de Petrov-Galerkin. Foi relatada como responsavel pela estabilizacao em (Carlberg et al., 2009; He and Durlofsky, 2013) e e equivalente
a resolver o sistema por mnimos quadrados, ja que consiste em pre-multiplicar as derivadas
T
uma projecao oblqua no espaco de dimensao reduzida. A Equacao 3.33
por T (Ji+1 ) . E
mostra todas as tres derivadas com dimensoes reduzidas a serem utilizadas em 3.32.
(Ji+1 )r = T (Ji+1 ) Ji+1
( i+1 )
( i+1 )
A
A
T
i+1 T
(J
)
xi
xi
r
( i+1 )
( i+1 )
T
i+1 T
Qi+1
= (J ) Q
u
ui+1
(3.33)
Por m, a construcao do modelo de ordem reduzida e o que se chama aqui de

treinamento e precisa calcular todos os objetos utilizadas na solucao sequencial da Equacao
3.32. O processo de treinamento do TPWL/POD engloba a execucao de uma ou mais simulacoes do SIMPAR armazenando os mapas e derivadas convergidos, seguida do calculo da
base e dos mapas reduzidos e nalmente o calculo das derivadas reduzidas.
Neste trabalho o treinamento foi realizado com uma u
nica simulacao do SIMPAR com controles de pressao de fundo variando aleatoriamente entre os limites maximo e
mnimo estipulados. Estes controles variam com uma frequencia maior do que sera utilizado
na simulacao posterior para estimular a variabilidade dos estados pelos quais a trajetoria de
treinamento passa. A quantidade de autovalores (p e z ) considerados na reducao da dimensao e denida empiricamente atraves de um simples estudo da qualidade da aproximacao.
O algoritmo de treinamento da maneira como foi implementado esta representado abaixo:
1. Seleciona-se uma sequencia aleatoria de controles de pressao de fundo a serem aplicadas
na simulacao de treinamento.
2. Realiza-se a simulacao de treinamento. Armazenam-se os mapas, derivadas, controles
utilizados, informacoes de pocos, etc. em um arquivo binario.
68
3. Leem-se os mapas e montam-se as matrizes normalizadas de snapshots de pressao Xp

e fracoes massicas Xz .
4. Calculam-se as bases p e z atraves da SVD considerando as quantidades de autovalores p e z respectivamente. Combinam-se as bases, obtendo-se .
5. Calculam-se os mapas reduzidos zi atraves da Equacao 3.30, mantendo-os na memoria
para uso futuro.
6. Leem-se as derivadas (Ji+1 ),
Ai+1
xi
) ( i+1 )
, Q
exportadas durante a simulacao de
ui+1
treinamento.
7. Calculam-se as derivadas reduzidas (J
i+1
(
)r ,
Ai+1
xi
) ( i+1 )
, Q
conforme Equacao 3.33,
ui+1
r
mantendo-as na memoria.
8. Realiza-se a simulacao TPWL/POD utilizando-se a Equacao 3.32 e o algoritmo de
simulacao TPWL descrito na secao 3.1 com os controles utilizados para o treinamento
com o objetivo de avaliar a qualidade da aproximacao.
Tambem foi desenvolvida uma metodologia para retreinamento. Isto consiste na
adicao dos estados e derivadas calculados em uma nova simulacao ao conjunto de estados
considerados no treinamento inicial. A base precisa ser recalculada considerando os estados de todas as simulacoes. A justicativa para o retreinamento e extrapolar a capacidade
de representacao do TPWL/POD em uma trajetoria proxima a um conjunto de controles
especco e sera u
til durante a otimizacao na medida em que o processo avance e a qualidade da aproximacao diminua. No captulo 4 sera desenvolvido um criterio para iniciar o
retreinamento.
O algoritmo de retreinamento pressupoe que um conjunto de simulacoes com o
SIMPAR ja foi realizado e que uma delas teve os mapas e derivadas exportadas para serem
considerados na reconstrucao do TPWL/POD. Pode considerar uma ou mais simulacoes no
conjunto para retreinamento, dependendo da conguracao escolhida. Note que os mapas
e derivadas reduzidos de todas as simulacoes cam na memoria, disponveis para serem
utilizados e cuidados devem ser tomados para nao perder a sua correspondencia temporal.
Os passos do retreinamento, apos a simulacao do SIMPAR, sao:
1. Realiza-se a leitura dos mapas de pressao e fracoes massicas da primeira simulacao
de treinamento e de todas aquelas simulacoes que se deseja utilizar no retreinamento.
Montam-se as matrizes normalizadas de snapshots de pressao Xp e fracoes massicas Xz
3.5. Detalhes de Implementacao
69
com os mapas de todas as simulacoes concatenados.

2. Executam-se os passos 4 a 7 do algoritmo (de treinamento
os mapas redu) ( i+1obtendo-se
)
i+1
zidos zi e as derivadas reduzidas (Ji+1 )r , A
, Q
de todas as simulacoes
xi
ui+1
r
(treinamento e retreinamento).
3. Realizam-se a simulacoes TPWL/POD utilizando-se a Equacao 3.32 e o algoritmo descrito na secao 3.1 com os controles utilizados para o retreinamento e outras sequencias
de controles que ja tenham sido simuladas com o objetivo de corrigir o resultado.
Foi desenvolvida uma maneira de medir a qualidade da aproximacao realizada pelo
modelo de ordem reduzida baseada nos estados calculados na simulacao. Isto e necessario
para o algoritmo de otimizacao estudado no Captulo 4 como um mecanismo para avaliar a
necessidade de retreinamento. Na equacao 3.32, observa-se que o modelo linear que constitui
o TPWL/POD e baseado na distancia entre os estados e controles gravados e calculados
durante a simulacao. O estado reduzido gravado zi a ser utilizado no passo de tempo n e
escolhido de forma a minimizar a distancia ao u
ltimo estado zn gravado na simulacao pelo
TPWL/POD. Esta distancia considerada diz respeito somente à parte do vetor de estados
correspondente às fracoes massicas znz ziz = (znz ziz )T (znz ziz ). Sendo assim, a
medida de erro na estimativa de estados realizada pelo modelo Etpwl foi denida como o valor
medio normalizado desta distancia ao longo do tempo de simulacao T , conforme equacao 3.34.
Etpwl
3.5
( n
)
1
zz ziz tn
=
T z n=1
(3.34)
Detalhes de Implementa
c
ao
A implementacao do algoritmo TPWL foi totalmente realizada utilizando-se o
Matlab. Entretanto, foi necessario alterar o codigo do SIMPAR de forma a proporcionar

a exportacao dos dados necessarios para a construcao do modelo de ordem reduzida. Este
simulador e em sua maior parte desenvolvido em FORTRAN 77, contendo algumas rotinas
e modulos em FORTRAN 90.
Desta forma, foram desenvolvidas algumas rotinas dentro do simulador que acessassem as variaveis e matrizes a serem exportadas e escrevessem em um arquivo de interface.
Isto faz com que o TPWL seja considerado uma tecnica semi-intrusiva, uma vez que nao
70
se precisa interferir nos calculos do simulador, mas necessita acessar variaveis internas que
normalmente nao estariam disponveis.
A u
nica interferencia nos calculos do simulador diz respeito ao criterio de convergencia do metodo de Newton-Raphson. Ha dois criterios para que o metodo pare de
iterar: o primeiro pelo valor do resduo, que deve tender a zero (g < ) e o segundo
por variacao do vetor de estados que tambem tende a zerox < . Entretanto, caso a
convergencia ocorra devido à variacao dos estados, o simulador nao tem a necessidade de
atualizar as derivadas para o calculo do resduo. Sendo assim, os estados cam defasados
em relacao às derivadas, o que gera uma incoerencia e traz problemas ao funcionamento do
TPWL. Portanto, ha duas formas de resolver o problema. A mais robusta e mais intrusiva
seria alterar o loop do metodo de Newton de modo a obrigar a atualizacao das derivadas
em qualquer caso. Entretanto, a forma escolhida neste trabalho, consiste em desabilitar a
convergencia por variacao dos estados, so permitindo que o processo iterativo pare com um
resduo sucientemente pequeno e com as derivadas calculadas coerentemente com os mapas
de estados.
Outro aspecto importante que reforca o aspecto semi-intrusivo do metamodelo
necessario conhecer precisamente os detalhes de
esta relacionado ao modelo de poco. E
implementacao do modelo de poco utilizado pelo simulador. O TPWL so e capaz de estimar
as variaveis de estado (pressao e fracoes massicas), mas o que de fato se esta interessado
em calcular sao as vazoes de uido produzido/injetado. Este calculo e realizado a partir das
variaveis de estado nas celulas dos pocos pelo modelo de poco do simulador, que deve estar
inteiramente reproduzido dentro do metamodelo.
Ainda tratando dos pocos, o TPWL/POD precisa fazer o calculo das variaveis de
estado nas celulas dos pocos para que o modelo de poco possa ser aplicado e permitindo o
calculo de vazao. Entretanto, o restante e inteiramente computado no espaco reduzido, onde
o vetor de estado nao tem signicado fsico direto. Desta forma, utilizam-se somente as linhas
correspondentes às celulas dos pocos na matriz para reverter-se a reducao de dimensao.
Isto reduz o produto de matrizes a ser efetuado e o custo computacional.
Um problema relacionado à aproximacao realizada pelo TPWL, e que ainda nao
foi abordado na literatura, e o fato de ele poder calcular valores nao-fsicos para os estados
como, por exemplo, pressoes menores que zero e fracoes massicas fora da faixa entre zero e
um. No u
ltimo caso, propaga-se o problema para as saturacoes obtidas pela Equacao 2.18,
o que leva a um erro no calculo da permeabilidade relativa e mobilidade de cada uido no
71
poco (ver Equacao 2.34) e a uma estimacao erronea da vazao produzida/injetada.

Este problema foi de certa forma evitado, impondo-se limites fsicos às fracoes
massicas nos pocos antes dos calculos do modelo de poco. Entretanto, e possvel que as
variaveis de estado calculadas pelo metamodelo possam assumir valores nao-fsicos em muitas
celulas e estes valores sejam propagados ao longo do tempo. Como o TPWL e inteiramente
computado no espaco reduzido, a u
nica forma de avaliar a viabilidade das variaveis de estado
e aplicar os limites fsicos seria reverter a reducao de dimensao em todas as celulas, o que
poderia tornar o calculo bastante caro. Testes estao sendo realizados nesse sentido.
Um ponto crtico desta implementacao esta exatamente na troca de informacoes
entre o simulador e a ferramenta desenvolvida no Matlab. De fato, esta exportacao das
derivadas e mapas precisa de uma boa quantidade de espaco em disco e consome tempo
de escrita/leitura dos arquivos. Portanto, a escolha do formato deste arquivo tem grande
inuencia no desempenho da ferramenta.
Inicialmente, o formato escolhido para a troca de informacoes era basicamente
um conjunto de arquivos-texto. Entretanto, o volume de dados escrito era bastante grande
e, por causa da lentidao da escrita, o tempo de simulacao era multiplicado por tres. Alem
disso, a leitura destes dados fazia com que o tempo para treinamento se comparasse ao de
duas simulacoes com o SIMPAR. Com este tempo de treinamento de cinco a sete vezes o de
uma simulacao, tornar-se-ia proibitivo realizar um retreinamento ao longo de um processo de
otimizacao caso fosse necessario.
Sendo assim, iniciou-se a busca de um formato de arquivo que fosse mais eciente.
O ideal e que tal formato fosse binario, para economizar espaco e reduzir o tempo de acesso
atraves de acesso direto. Entretanto, o formato binario do FORTRAN padrao nao se mostrou
compatvel com o Matlab, o que demandaria a construcao de rotinas complexas para leitura
e a concepcao de um padrao de ponteiros e organizacao do arquivo.
Decidiu-se entao utilizar o formato HDF - Hierarchical Data Format, que esta
em sua quinta versao: HDF5. (HDFGroup, 2014) Tal formato e binario e generico, onde as
informacoes podem ser organizadas de maneira hierarquica, como numa arvore de diretorios,
mas sao escritas de forma sequencial. Para acessa-las existe um sistema de ponteiros que
permitem a leitura de maneira direta. Outra importante vantagem reside no fato de tudo
isto ser totalmente transparente ao usuario. Existe uma biblioteca para diversas linguagens de
programacao como C, C++ e Fortran, o que permite utiliza-lo de maneira bastante simples.
Alem disso, o Matlab ja possui funcoes relativamente simples para leitura. Ao optar-se por
72
esta forma de exportacao reduziu-se signicamente o tempo de escrita e de leitura, bem como
o volume de dados gerados.
Todas as informacoes exportadas, vazoes, mapas, derivadas, controles, etc, sao
encapsuladas em um arquivo HDF que contem uma estrutura dividida por categorias. Sendo
assim, deixou-se de exportar um conjunto de arquivos-texto para exportar-se um u
nico arquivo binario com toda a informacao necessaria. Com o uso do HDF o tempo de treinamento,
considerando a simulacao com exportacao de dados, somado ao tempo de leitura dos mapas
e derivadas, construcao da base e calculo das derivadas reduzidas, equivale ao tempo de uma
e meia simulacao simples.
Outro aspecto importante da implementacao e que o processo de treinamento foi
dividido em duas etapas. A primeira parte le todos os mapas e realiza o calculo da base
utilizando SVD e o calculo dos mapas reduzidos. A segunda parte faz a leitura das derivadas
e controles utilizados e efetua a reducao da dimensao, efetuando o produto da base pelas
matrizes de cada passo de tempo. Estas rotinas foram separadas para permitir que a base
fosse calculada a partir de uma simulacao, e as derivadas, caso se zesse necessario, a partir
de uma simulacao diferente.
A terceira rotina implementada no MATLAB, e que integra a base do modelo
substituto, e responsavel pela simulacao, isto e, a sequencia de solucoes de sistemas lineares
que representa a simplicacao do problema de simulacao. Esta e a rotina que deve ser
chamada ao longo do processo de otimizacao como substituta do SIMPAR.
Vale ressaltar que inicialmente os mapas reduzidos, as respectivas derivadas reduzidas, os controles e todos os outros dados necessarios eram mantidos em arquivos binarios
do MATLAB. Entretanto, isto se mostrou ineciente, uma vez que para cada simulacao do
TPWL era necessario a leitura de arquivos. Isto posto, uma vez que a rotina de otimizacao
que chamaria o modelo substituto sera tambem desenvolvida em MATLAB e executada pela
mesma instancia, optou-se por manter todas aquelas variaveis na memoria, como variaveis
globais, pagando-se o preco de ocupar uma quantidade signicativa de memoria RAM.
Tambem foram construdas rotinas para encapsular a execucao do TPWL, bem
como a execucao do simulador. Na verdade, o papel dela e permitir que o otimizador em
processo de desenvolvimento seja capaz de executar o SIMPAR e o TPWL com controles
normalizados entre zero e um, onde zero signica o valor mnimo da pressao de fundo e um,
o valor maximo.
3.6. Comparacao com o modelo de alta delidade
73
Por m, foi desenvolvida uma rotina para retreinamento. Esta basicamente inclui
entre os mapas e derivadas reduzidas ja calculados um novo conjunto obtido com outra
simulacao. Para tanto, precisa recalcular a base considerando todos os mapas. Alem disso,
como a base e recalculada, e necessario recalcular os mapas reduzidos da simulacao que ja
haviam sido calculados no treinamento.
3.6
Comparac
ao com o modelo de alta delidade
Com o objetivo de avaliar a qualidade da aproximacao realizada pelo modelo de
ordem reduzida aqui estudado, foram executados alguns estudos comparativos. O u

nico
modelo de reservatorios aqui considerado e o SPE10 - Modicado descrito no captulo 2,
considerando tres variacoes. A primeira, mais simples, considera que as compressibilidades do
oleo, agua e rocha sao nulas e que as densidades dos uidos sao identicas. A segunda tambem
e incompressvel, mas considera uma diferenca de densidades entre agua e oleo de 5 lbm/ft3 .
A terceira e um modelo compressvel com a mesma diferenca de densidades entre uidos;
considera compressibilidades do oleo de co = 3 106 psi1 , da agua cw = 1 106 psi1 e
da rocha, cr = 1 107 psi1 . A primeira variacao se deve ao fato de o problema ser menos
nao-linear e portanto mais reprodutvel pelo modelo de ordem reduzido aqui considerado.
importante ressaltar que na literatura ainda e bastante comum considerar-se os casos
E
incompressveis para avaliar o uso dessa tecnica (Cardoso, 2009; He, 2010; He et al., 2013).
A comparacao de resultados e feita em termos do VPL (Valor Presente Lquido)
que representa a funcao objetivo a ser otimizada. O preco do oleo e 100 $/BBL e os custos de
injecao e producao de agua sao de 10 $/BBL e a taxa de desconto e de 10 % a. a. Ha quatro
pocos produtores e dois injetores instalados, todos abrindo no incio da simulacao. A pressao
de injecao e xada em 12000 psi no fundo do poco. A pressao de fundo em uxo (BHP) nos
pocos produtores varia entre 2000 psi e 6000 psi. O perodo de simulacao aqui considerado e
de 3000 dias. O reservatorio (mapa de permeabilidade) esta representado na Figura 2.2.
A sequencia de controles para o primeiro treinamento foi determinada aleatoriamente atraves de um hipercubo latino considerando-se os controles dos quatro pocos a
cada 200 dias como variaveis. Portanto ha 15 ciclos de controles. As sequencias utilizadas em todos os pocos estao representadas na Figura 3.3. O que se espera com isto e uma
maior variabilidade dos estados gravados com o incremento da capacidade de aproximacao
do TPWL/POD. O processo de retreinamento que sera aplicado a este teste considera os
74
estados gravados inicialmente adicionando os estados de mais uma simulacao ao conjunto.

6000
Presso de Fundo (psi)
5500
5000
4500
4000
3500
3000
2500
2000
0
W1
500
W2
1000
W3
1500
W4
2000 2500 3000

Tempo (Dias)
Fig. 3.3: Sequencia de controles de treinamento (pressoes de fundo) aplicados aos pocos
produtores
O n
umero de autovalores considerados na reducao de dimensao do POD foi de
importante ressaltar que
p = 128, para a pressao e z = 256, para as fracoes massicas. E
a duracao maxima dos passos de tempo neste problema foi de 30 dias, mas o simulador
decidiu corta-los bastante o que gerou estados sucientes para utilizar tamanha quantidade
autovalores. A escolha do n
umero de autovalores foi feita apos um conjunto rapido de testes
que mostrou que estas quantidades eram sucientes para uma boa aproximacao. Os u
ltimos
valores singulares considerados estao entre a ordem de 103 e 104 . A gura 3.4 apresenta
um graco dos valores singulares para a SVD da matriz de snapshots de pressoes (3.4(a))
e de fracoes massicas (3.4(b)) na simulacao de treinamento dispostos em ordem decrescente
com a indicacao dos respectivos pontos de corte escolhidos.
Portanto, em resumo, o teste aqui realizado para avaliacao da acuracia do modelo
reduzido pode ser descrito pelos passos a seguir.
1. Escolhem-se aleatoriamente um conjunto de 15 controles entre 2000 psi e 6000 psi para
cada poco produtor utilizando-se hipercubo latino. Estes controles serao aplicados aos
pocos, mudando-se o valor a cada 200 dias, totalizando 3000 dias de simulacao.
2. Utilizando-se o SIMPAR, realiza-se a simulacao do modelo aplicando-se os controles
escolhidos.
75
10
10
Incompressvel Dens. Iguais

Incompressvel Dens. Dif.
Compressvel Dens. Dif.
10
10
10
10
10
10
10
100
200
300
400
(a) Pressao
500
600
700
10
100
200
300
400
500
600
700
(b) Fracao massica
Fig. 3.4: Valores singulares dispostos em ordem decrescente - Modelo SPE10-Modicado

3. Executam-se em sequencia as rotinas de calculo da base e mapas reduzidos (POD) e de
calculo das derivadas reduzidas, realizando-se assim o treinamento do modelo de ordem
reduzida.
4. Executam-se algumas simulacoes com o SIMPAR com duracao de 3000 dias, considerando-se que em cada havera 3 ciclos de controle de 1000 dias. Anotam-se para cada uma
delas o valor de VPL calculado. Exportam-se todos os dados de mapas e derivadas,
para que se possa vir a fazer retreinamento do TPWL no futuro. Considera-se que os
controles de pressao aplicados em todos os pocos sao iguais, permitindo-se a variacao
dos controles de um ciclo para outro. Sao tres os valores que serao avaliados em cada
ciclo: 2000 psi (limite inferior), 4000 psi (meio da escala) e 6000 psi (limite superior).
Como os controles sao iguais para todos os pocos, tem-se tres variaveis, uma para cada
ciclo. Como sao tres ciclos, com a possibilidade de tres valores para cada, serao assim
27 simulacoes no total.
5. Executam-se as mesmas simulacoes com o TPWL treinado no passo 3, anotando-se o
seu resultado de VPL.
6. Efetua-se o retreinamento do TPWL, adicionando-se os mapas e derivadas de uma
simulacao escolhida entre todas as calculadas no passo 4. Utiliza-se para isso o algoritmo
de retreinamento descrito na secao 3.4, que sempre mantem as informacoes da simulacao
realizada no passo 2 no conjunto de dados do modelo de ordem reduzida. Adicionam-se
as informacoes de uma das simulacoes efetuadas em 4 eliminando-se as informacoes do
76
u
ltimo retreinamento.
7. Executam-se as mesmas 27 simulacoes com o TPWL retreinado, anotando o VPL.
8. Retorna-se ao passo 6, de modo a retreinar o TPWL com uma outra simulacao. Repetese este ciclo ate esgotar as simulacoes escolhidas para retreinamento.
A tabela 3.1 contem as 27 sequencias dos controles aplicados igualmente aos quatro
pocos nos tres ciclos de controle. Nesta tabela, a palvra MIN, siginica valor mnimo do
controle, 2000 psi, a palavra MED representa valor medio, 4000 psi e MAX, o maximo, 6000
psi.
As simulacoes escolhidas para retreinamento do TPWL no passo 6 do teste sao as
obtidas com as sequencias de controles de n
umero 1, 5, 10, 20, 24 e 27. Estas foram escolhidas
de forma a que haja a mesma quantidade de simulacoes de retreinamento com os tres nveis
de controle no primeiro ciclo. Tal escolha se deve à forte dependencia que se espera haver
entre o VPL e o valor inicial dos controles devido a taxa de desconto. Sendo assim, entre as
simulacoes utilizadas para retreinamento ha duas com valor maximo de pressao de fundo no
primeiro ciclo, duas com valor medio e duas com valor mnimo.
Para avaliar a qualidade da aproximacao de maneira rapida e visualmente simples,
foram construdos crossplots nos quais o eixo x representa o VPL calculado pelo SIMPAR,
que seria a medida real, e o eixo y representa a aproximacao pelo modelo de ordem reduzida.
Sendo assim, se o TPWL fosse perfeito, todos os pontos cairiam sobre a reta identidade em
azul. Ha um conjunto de crossplots para o caso incompressvel com densidades iguais, um
para o caso incompressvel com densidades diferentes e um para o compressvel. Em cada
conjunto foi feito um graco para o primeiro treinamento e um para cada retreinamento
considerado no teste, como mostram as Figuras 3.5, 3.6 e 3.7.
Na Figura 3.5 e considerado o modelo SPE10 - modicado sem compressibilidades
e densidades iguais para agua e oleo. Em cada crossplot o eixo x representa o VPL obtido
na simulacao do SIMPAR e o eixo y o VPL calculado com o TPWL. As nuvens representam
os seguintes casos: (a) sem retreinamento, (b) com retreinamento na simulacao 1, (c) com
retreinamento na simulacao 5, (d) com retreinamento na simulacao 10, (e) com retreinamento
na simulacao 20, (f) com retreinamento na simulacao 24 e (g) com retreinamento na simulacao
27. Neste caso, obtem-se boa aderencia entre simulador e modelo de ordem reduzida devido
ao baixo nvel de nao linearidades proporcionado pela ausencia de diferencas em densidades
dos uidos.
77
1o Ciclo
2o Ciclo
3o Ciclo
MIN
MIN
MIN
MED
MIN
MIN
MAX
MIN
MIN
MIN
MED
MIN
MED
MED
MIN
MAX
MED
MIN
MIN
MAX
MIN
MED
MAX
MIN
MAX
MAX
MIN
10
MIN
MIN
MED
11
MED
MIN
MED
12
MAX
MIN
MED
13
MIN
MED
MED
14
MED
MED
MED
15
MAX
MED
MED
16
MIN
MAX
MED
17
MED
MAX
MED
18
MAX
MAX
MED
19
MIN
MIN
MAX
20
MED
MIN
MAX
21
MAX
MIN
MAX
22
MIN
MED
MAX
23
MED
MED
MAX
24
MAX
MED
MAX
25
MIN
MAX
MAX
26
MED
MAX
MAX
27
MAX
MAX
MAX
Tab. 3.1: Sequencias de controles utilizadas no estudo
78
7.5
7.5
7.5
6.5
6.5
6.5
5.5
5.5
5.5
4.5
4.5
4.5
4
4
(a) Somente Treinamento
4
4
(b) Retreinamento - Sim. 01
4
4
7.5
7.5
6.5
6.5
6.5
5.5
5.5
5.5
4.5
4.5
4.5
(d) Retreinamento - Sim. 10
4
4
(c) Retreinamento - Sim. 05
7.5
4
4
(e) Retreinamento - Sim. 20
4
4
(f) Retreinamento - Sim. 24
8
7.5
7
6.5
6
5.5
5
4.5
4
4
(g) Retreinamento - Sim. 27
Fig. 3.5: Comparacao do VPL calculado pelo SIMPAR e pelo TPWL/POD para o modelo
SPE10 - Modicado sem compressibilidades e densidades iguais.
Ja na Figura 3.6 e considerado o modelo SPE10 - modicado sem compressibilidades e densidades diferentes para agua e oleo. A ordem dos casos de retreinamento e identica
à Figura 3.5. Nota-se uma piora signicativa na qualidade da aproximacao com grandes discrepancias devido ao aumento da nao-linearidade por causa da diferenca entre as densidades
dos uidos.
Finalmente, a Figura 3.7 mostra o resultado para o modelo SPE10 - modicado
com compressibilidades e densidades diferentes para agua e oleo. A ordem dos casos de
retreinamento e identica às Figuras 3.5 e 3.6. Ocorrem resultados ainda mais discrepantes
entre TPWL e SIMPAR devido à atribuicao de compressibilidade acarretando a dependencia
79
7.5
7.5
7.5
6.5
6.5
6.5
5.5
5.5
5.5
4.5
4.5
4.5
4
4
4
4
4
4
7.5
7.5
6.5
6.5
6.5
5.5
5.5
5.5
4.5
4.5
4.5
4
4
7.5
4
4
4
4
8
7.5
7
6.5
6
5.5
5
4.5
4
4
SPE10 - Modicado sem compressibilidades e densidades diferentes.
temporal dos resultados.
Em todos os tres casos estudados observou-se uma dependencia muito forte da
qualidade dos resultados do TPWL com a escolha do primeiro controle da simulacao utilizada
para retreinamento. Nos crossplots apresentados nas Figuras 3.5, 3.6 e 3.7, os pontos verdes
representam simulacoes cujo primeiro controle e o valor maximo para a pressao de fundo, os
pontos pretos tem o primeiro controle no valor mnimo e os vermelhos o tem primeiro controle
no valor intermediario. O ponto marcado com um diamante rosa representa a simulacao
utilizada para retreinamento e por isso recai sobre a reta, ja que seu resultado passa a ser
praticamente exato.
80
7.5
7.5
7.5
6.5
6.5
6.5
5.5
5.5
5.5
4.5
4.5
4.5
4
4
4
4
4
4
7.5
7.5
6.5
6.5
6.5
5.5
5.5
5.5
4.5
4.5
4.5
4
4
7.5
4
4
4
4
8
7.5
7
6.5
6
5.5
5
4.5
4
4
SPE10 - Modicado com compressibilidades e densidades diferentes.
Observa-se uma certa estraticacao, onde o valor utilizado para o primeiro controle
divide a nuvem em tres grupos de pontos quase colineares. Isto se deve à grande forca do
primeiro ciclo de controle na formacao do VPL por causa da taxa de desconto, que maximiza
a inuencia de erros no primeiro ciclo no erro total. Entretanto, o mais interessante e que o
retreinamento se mostra menos efetivo quando a simulacao utilizada possui o primeiro ciclo
controlado pelo valor de pressao intermediario (pontos pretos). Uma explicacao para este
fato e que a sequencia de treinamento utilizada tem media proxima do valor intermediario
e, portanto, a adicao de uma simulacao de retreinamento com primeiro ciclo controlado no
valor medio nao agrega muita informacao para o modelo TPWL/POD.
81
Outra forma escolhida para medir a qualidade da aproximacao e atraves do erro

medio quadratico considerando-se os resultados de todas as simulacoes. Para o caso incompressvel e o compressvel foram tabelados os valores de VPL obtidos com a simulacao
do SIMPAR e do TPWL sem retreinamento e com retreinamento. Considerando V P LREF
e V P LROM respctivamente o valor calculado pelo SIMPAR (referencia) e o calculado pelo
modelo de ordem reduzida, calculam-se os desvios medios quadraticos pela Equacao 3.35
levando-se em conta as N = 27 simulacoes em cada um dos casos considerados.
RM SD =
v
uN (
u V P LROM V P LREF )2
u
V P LREF
t i=1
N
100%
(3.35)
Os valores obtidos para o RMSD estao compilados na Tabela 3.2, de onde e

possvel observar que os casos com densidades diferentes, devido a sua nao linearidade maior
apresentam desvios maiores. Note que a presenca de compressibilidade tambem aumenta o
desvio medio.
Tab. 3.2: RMSD percentual para os dois casos considerados
Incompressvel Incompressvel Compressvel

Dens. Iguais
Dens. Dif.
Sem Retreinamento
3, 06
8, 83
11, 17
Retreinamento na 1a sim.
3, 18
3, 59
4, 90
2, 33
8, 93
9, 49
Retreinamento na 10 sim.
3, 53
3, 38
4, 97
2, 62
6, 99
7, 72
1, 92
4, 60
4, 65
1, 98
5, 11
5, 72
Outro importante resultado diz respeito aos tempos de simulacao. Vale a pena
utilizar um modelo de ordem reduzida que reproduz os resultados do modelo de alta delidade
consumindo menos tempo de simulacao. Da-se o nome de speedup à razao entre os tempos
de simulacao de alta e baixa delidade.
O modelo TPWL/POD foi desenvolvido em Matlab, equanto que o SIMPAR e
escrito em FORTRAN. Isto pode limitar um pouco o speedup, pois o Matlab, apesar de
possuir muito boas bibliotecas, com funcoes e metodos desenvolvidos para serem rapidos,
82
acaba se mostrando lento por ser interpretado. O computador em que estes estudos foram
realizados consiste em um Intel Xeon X5680 3,33 GHz, com 24 GB de RAM, 12 n
ucleos e
sistema operacional Windows 7.
Uma simulacao do modelo de reservatorios aqui estudado para o caso compressvel
com densidades diferentes utilizando o SIMPAR levou em media 1873 s, considerando-se as 27
realizadas no estudo. Por outro lado, as simulacoes correspondentes do TPWL/POD custaram em media 4,8 s, o que resulta em um speedup de 390. Alem disso, apos o retreinamento,
o custo do TPWL/POD passou a ser em media 6,4 s, resultando em um speedup de 292.
Este aumento no custo computacional do TPWL/POD apos o retreinamento era esperado e
e devido ao maior n
umero de estados gravados, o que complica o processo de busca do mais
proximo. Entretanto, note que as avaliacoes do SIMPAR podem ser realizadas em paralelo (a
rotina ja contempla isso), mas as do TPWL/POD devem ser feitas sequencialmente devido
a falta de licencas do modulo de processamento paralelo do Matlab.
Outro tempo importante a ser avaliado e o tempo de treinamento. Considerando o
mesmo caso compressvel com densidades diferentes, a simulacao do SIMPAR com controles
aleatorios para treinamento custou 1830 s. O processo de calculo da base do POD e dos
estados reduzidos levou 44 s considerando a leitura dos mapas, o processo de calculo das
derivadas reduzidas levou 580 s, tempo consumido em grande parte pela leitura das derivadas
e a simulacao do TPWL/POD da mesma sequencia de controles de treinamento utilizou 5 s.
Sendo assim, o processo de treinamento custou mais ou menos 1,4 simulacoes.
O processo de retreinamento e um pouco mais caro. Nao ha a necessidade de uma
simulacao do SIMPAR exclusiva para o retreino, ja que a ideia e utilizar uma das simulacoes
ja executadas durante o processo de otimizacao. Entretanto, ha a necessidade de realizar
o POD considerando os mapas utilizados no primeiro treinamento e os da nova simulacao.
Desta forma consumiu-se nessa etapa um tempo de em torno de 80s. O calculo das derivadas
reduzidas durante o retreinamento e bem mais caro, consumindo em torno de 1200s devido
a uma maior quantidade de derivadas a serem lidas e reduzidas. Alem disto, e necessario
recalcular o VPL utilizando o TPWL/POD retreinado em todos os pontos nos quais ja
havia sido calculado anteriormente, o que pode custar bastante, dependendo da quantidade
de avaliacoes a serem realizadas, ja que as avaliacoes do modelo reduzido devem ser feitas
sequencialmente.
Au
ltima analise realizada neste estudo diz respeito ao efeito de estabilizacao causado pelo uso da projecao de Petrov-Galerkin no POD. Inicialmente, foi utilizada a projecao
83
de Bubnov-Galerkin, como na maioria dos trabalhos sobre o assunto (Cardoso, 2009; He,
2010). Entao, observou-se uma tendencia muito forte à instabilidade. Entretanto, alguns
trabalhos demonstraram que o uso da projecao de Petrov-Galerkin (equivalente à solucao
por mnimos quadrados) leva à estabilizacao do processo (Carlberg et al., 2009; He and Durlofsky, 2013). Ao utilizar-se tal recurso nao se experimentou em nenhuma simulacao qualquer
problema de instabilidade.
A Figura 3.8 mostra sobrepostos tres gracos. Todos representam a vazao de
oleo dos quatro pocos no modelo SPE10 Modicado com compressibilidades e diferenca de
densidades e com os controles da simulacao 1 utilizados no estudo de acuracia. As linhas
cheias representam as vazoes de oleo dos pocos produtores calculada pelo SIMPAR, as cruzes
(x) sao as vazoes calculadas pelo TPWL/POD estabilizado pelo uso da projecao de PetrovGalerkin (pre-multiplicacao das derivadas por T (J i+1 )T ) e os crculos (o) representam as
vazoes calculadas pelo TPWL/POD com projecao de Bubnov-Galerkin (pre-multiplicacao
por T ).
6000
W1(SIMPAR)
W2(SIMPAR)
W3(SIMPAR)
W4(SIMPAR)
W1(TPWLPetrov)
W2(TPWLPetrov)
W3(TPWLPetrov)
W4(TPWLPetrov)
W1(TPWLBubnov)
W2(TPWLBubnov)
W3(TPWLBubnov)
W4(TPWLBubnov)
5000
4000
3000
2000
1000
500
1000
1500
2000
2500
3000
3500
Fig. 3.8: Vazao de oleo dos pocos - SPE10 - Modicado compressvel e com densidades de
uidos diferentes
84
Note que a vazao calculada pelo TPWL/POD com a projecao de Petrov-Galerkin

mostra alguns desvios em relacao à obtida pelo simulador. De fato, o erro no VPL para este
caso foi o maior entre todas as 27 simulacoes sem retreinamento, atingindo 21 %. Entretanto,
percebe-se que o resultado e estavel e os erros podem ser atribudos às variacoes frequentes
dos controle na simulacao de treinamento.
Por outro lado, a vazao calculada utilizando a outra projecao se mostra verdadeiramente instavel. O VPL calculado nao faz nenhum sentido e quando se observam os
mapas de pressao e saturacoes, muitos valores negativos ou acima dos limites podem ser encontrados. Este problema de instabilidade foi reportado na literatura (Gildin et al., 2013) e
depende do n
umero de autovalores escolhidos (ver (He, 2010), onde um estudo mais detalhado
foi realizado).
Por outro lado, a solucao de utilizar-se a projecao de Petrov-Galerkin tambem
foi apontada anteriormente (Carlberg et al., 2009; He and Durlofsky, 2013) e se mostrou
bastante ecaz. Nao foram observados problemas de instabilidade em nenhuma execucao
do TPWL/POD com qualquer modelo quando utilizou-se a projecao de Petrov-Galerkin.
Isto nao pode ser conclusivo, mas e um bom indicativo do papel estabilizador da tecnica. E
necessario fazer um estudo mais cuidadoso sobre a estabilidade do metodo, aplicando tecnicas
apropriadas de analise numerica.
EM OTIMIZAC
4. APLICAC
AO
AO
Em diversos ramos da engenharia os estudos de otimizacao tem se tornado indispensaveis. Na area de gerenciamento de reservatorios os estudos de otimizacao vem se
tornando cada vez mais comuns. Os objetivos podem ser variados, como a determinacao
das posicoes para perfuracao de novos pocos, ou a denicao da sequencia otima de controles
a serem aplicados aos pocos. A funcao-objetivo utilizada tambem pode variar, como, por
exemplo, minimizar a producao de agua instantanea ou maximizar o valor presente lquido
de todo o tempo de vida do empreendimento de producao do oleo do reservatorio.
Entretanto, os modelos de simulacao utilizados nesta area possuem elevado custo
computacional. Ultimamente, cada vez mais detalhes sao includos nos modelos e, apesar
dos avancos dos computadores, o tempo de avaliacao de um modelo destes e razoavelmente
alto. Por outro lado, a quantidade de avaliacoes que devem ser realizadas durante o processo
de otimizacao, por mais eciente que seja o algoritmo, pode ser bastante grande. Sendo
assim, fazem-se necessarios esforcos para reduzir o custo computacional total do processo de
otimizacao, reduzindo-se assim o tempo para a obtencao dos resultados. Uma alternativa que
vem sendo empregada e a utilizacao de modelos de ordem reduzida substitutos da simulacao
que aproximam o seu resultado com boa acuracia, mas sao executados em um tempo bem
menor.
O algoritmo de otimizacao sequencial aproximada (Sequential Approximate Optimization - SAO) e um daqueles baseados em modelos substitutos (Surrogate Based Optimization SBO) e realiza a otimizacao de uma funcao cuja avaliacao e custosa atraves de uma
sequencia de otimizacoes de modelos substitutos que tem validade em uma regiao limitada e
que vao sendo melhorados à medida que o processo avanca (Giunta and Eldred, 2000). Uma
aplicacao deste algoritmo ao problema de otimizacao do gerenciamento de reservatorios de
petroleo pode ser encontrada em (Horowitz et al., 2013).
Sua versao tradicional utiliza como modelo de ordem reduzida uma abordagem
85
86
baseada em processos estocasticos (Jones et al., 1998). Tal abordagem e conhecida por kriging
(Forrester et al., 2008) ou krigagem e utiliza pontos que tenham sido previamente amostrados
e avaliados no modelo de alta delidade. Este modelo e exclusivamente baseado em dados e,
portanto, e dito data driven.
Entretanto, o algoritmo aqui desenvolvido permite utilizar um segundo modelo
substituto com base na fsica do problema. Sendo assim, a krigagem e utilizada somente para
corrigir possveis erros que este modelo fsico possa vir a cometer na estimacao do modelo de
alta delidade. Este e chamado de modelo de baixa delidade. Portanto, o metamodelo ou
modelo substituto que e de fato utilizado pelo algoritmo SAO passa a ser a soma do modelo
baseado no kriging com o modelo de baixa delidade.
A rotina desenvolvida permite a utilizacao dos dois modelos em conjunto o que
e conhecido como multidelidade mas tambem permite que o usuario opte por utilizar
SAO tradicional, caso um modelo fsico de baixa delidade nao esteja disponvel.
Todo o algoritmo foi desenvolvido em Matlab (Mathworks, 2012), considerando-se
como funcao de alta delidade o simulador de reservatorios SIMPAR, descrito no Captulo
2 e como funcao de baixa delidade o modelo de ordem reduzida TPWL/POD desenvolvido
no Captulo 3. Em ambos os modelos a sada utilizada como funcao-objetivo no processo de
otimizacao e o Valor Presente Lquido denido na secao 2.4 e os controles sao as pressoes de
fundo dos pocos produtores.
O algoritmo aqui desenvolvido recebe o nome de SAO Multidelidade (MSAO
e a sigla em ingles). Foi concebido de forma a permitir o acoplamento com qualquer tipo
de modelo e, portanto, para a integracao destes modelos, foram construdas rotinas que
recebem como parametros as variaveis de projeto da otimizacao normalizadas, aplicando-as
aos simuladores e recebem os resultados de VPL das simulacoes, normalizando-os para que
sejam avaliados pelo otimizador.
O presente captulo comeca fazendo primeiramente algumas consideracoes teoricas
sobre as tecnicas que sao utilizadas pelo algoritmo desenvolvido e sobre as diretrizes nele
aplicadas. Logo em seguida descreve-se o algoritmo MSAO e o seu desenvolvimento no
Matlab. Por m sao apresentados alguns resultados obtidos com os dois diferentes modelos
de reservatorios descritos no Captulo 2.
4.1. Algoritmos de Otimizacao baseados em Modelos Substitutos
4.1
87
Algoritmos de Otimizac
ao baseados em Modelos
Substitutos
O algoritmo de otimizacao aqui desenvolvido e uma adaptacao do algoritmo de
otimizacao sequencial aproximada tradicional. Como em qualquer algoritmo baseado em modelos substitutos ou proxy models, ocorrera a aproximacao atraves de modelos simplicados
de um problema de elevado custo computacional, representado em um primeiro momento
por um modelo de alta delidade. Este modelo de alta delidade pode ser, por exemplo, um
modelo de simulacao de reservatorios e pode representar a funcao-objetivo ou as restricoes
do problema de otimizacao. Ja os modelos substitutos podem ser dos seguintes tipos, assim
classicados em (Afonso et al., 2011):
1. Aproximacao funcional baseada na interpolacao de respostas obtidas a partir do
modelo de alta delidade atraves de uma funcao especicada; esta aproximacao tambem
e dita baseada em dados ou data driven. Exemplos deste tipo de aproximacoes sao as
redes neurais, funcoes de base radial (radial basis fuctions) a krigagem ou kriging.
2. Aproximacao fsica baseada na fsica do problema real, ou seja, o modelo de ordem
reduzida e obtido a partir de alguma simplicacao no equacionamento do problema de
alta ordem. Um exemplo para este tipo e a combinacao da tecnica TPWL (Trajectory
Piecewise Linearization) com POD (Proper Orthogonal Decomposition). A primeira
lineariza o problema real em torno de estados gravados a partir da simulacao de alta
delidade enquanto a segunda reduz a dimensao do problema atraves da decomposicao
em direcoes principais e eliminacao das direcoes menos importantes.
3. Aproximacao mista e um misto dos dois tipos anteriores, onde se combinam tecnicas
este tipo de aproximacao que foi considerada neste
fsicas com tecnicas funcionais. E
trabalho.
Existe uma classe de algoritmos utilizados para otimizacao que sao ditos baseados
em modelos substitutos (Surrogate Based Optimization - SBO). Estes algoritmos se baseiam
na aproximacao do modelo de alta delidade, complexo e de elevado custo computacional,
de alguma das tres formas descritas acima.
Um destes algoritmos e o SAO (Sequential Approximate Optimization) (Afonso
et al., 2011). A ideia basica e que essa aproximacao e conavel dentro de uma regiao de
conanca cujo raio sera avaliado a cada iteracao. Sendo assim, a otimizacao e realizada sobre
4.2. Modelos de Kriging
88
a funcao aproximada, simples e de baixo custo computacional. O ponto otimo obtido com o
modelo aproximado e aplicado ao modelo real e os resultados sao comparados segundo algum
criterio. Dependendo da proximidade dos dois resultados, o ponto otimo e aceito como centro
da regiao de conanca da proxima iteracao do algoritmo ou nao e o raio da nova regiao e
atualizado, podendo ser reduzido, aumentado ou mantido. Um novo modelo substituto e
construdo para a nova regiao de conanca e a otimizacao e novamente realizada. Desta
sequencia de otimizacoes advem o nome do algoritmo. Note que no caso deste trabalho,
nao havera outras restricoes alem dos limites das variaveis de projeto, e portanto so se faz
necessario a aproximacao do modelo de simulacao utilizado como funcao-objetivo. Mas num
caso geral, onde existam restricoes nao-lineares baseadas em simulacao, modelos substitutos
podem ser utilizados tambem para as restricoes.
No caso do SAO comumente encontrado na literatura, um modelo reduzido comumente utilizado e o kriging (ou krigagem em portugues), um tipo de aproximacao funcional
que interpola resultados obtidos a partir do modelo de alta delidade. Portanto, uma desvantagem direta e que este modelo real deve ser simulado algumas vezes para obtencao de pontos
que serao utilizados na construcao do modelo substituto, fazendo-o sofrer da maldicao de
dimensionalidade, pois quanto mais mais variaveis o problema considerar, mais simulacoes
de alta delidade devem ser realizadas para construcao da aproximacao.
O algoritmo MSAO aqui desenvolvido utilizara uma forma de aproximacao mista
como modelo substituto, a qual e resultado da composicao de um modelo fsico, o TPWL,
desenvolvido no captulo 3 e uma correcao baseada em krigagem. O MSAO, assim como o
SAO tradicional, e baseado em regioes de conanca e possui as mesmas regras para atualiazacao do centro e do tamanho da regiao de conanca, necessitando fazer algumas amostras
no interior desta regiao. Foi nomeado Multifidelity Sequential Aproximate Optmization por
se basear em dois nveis de delidade.
4.2
Modelos de Kriging
A krigagem, do nome do criador Krige (Krige, 1951), faz a interpolacao de dados
atraves da associacao de um polinomio (regressao polinomial) a uma funcao erro cuja matriz
de covariancia e conhecida. Nesta aproximacao, assume-se que os dados possuem correlacao
entre si e que esta correlacao depende da distancia (Forrester et al., 2008).
Este tipo de modelo e bastante utilizado nas areas da estatstica e geo-estatstica
89
e foi inicialmente introduzido por (Matheron, 1963) baseado na dissertacao de mestrado

(Krige, 1951). O modelo considera a covariancia entre os pontos da amostra usando uma
correlacao espacial atraves de uma distribuicao gaussiana em cada ponto. Devido a isto,
metodos que utilizam esta tecnica sao facilmente inuenciados pelo arranjo dos pontos das
amostras (da Silva, 2009).
A krigagem, diferentemente dos modelos de regressao tradicionais (que utilizam
polinomios), em geral sao capazes de prover aproximacoes globais à resposta e tambem capturar tendencias oscilatorias (Afonso et al., 2011).
O modelo de krigagem e um interpolador que, de forma geral, pode ser expresso
segundo a Equacao 4.1.
f (x) =
j Nj (x) + Z(x)
(4.1)
j=1
Na denicao do modelo de krigagem, Nj (x) representam funcoes polinomiais ponderadas por coecientes j ajustados por regressao e Z(x) e um desvio localizado considerando uma funcao aleatoria que normalmente segue uma distribuicao gaussiana.
Suponha que exitem m observacoes da funcao a ser ajustada. Alem disso o vetor
de entradas do modelo tem dimensao n. O termo aleatorio Z(x) e construdo assumindo
media igual a zero e covariancia dada pelo variograma da Equacao 4.2, onde os ndices i e j
representam as diferentes observacoes e portanto 1 < i, j < m..
[
]
(
)
cov Z(xi ), Z(xj ) = 2 R , xi , xj
(4.2)
A matriz de correlacao R tem dimensao m m e e denida na Equacao 4.3 e

correlaciona xi e xj , i, j = 1 . . . m. Esta utiliza um tipo de funcao de correlacao dependente
dos parametros k , k = 1 . . . n inicialmente desconhecidos.
n
)
(
)
(
Rl l , xil , xjl
Rij , xi , xj =
(4.3)
l=1
Existem varias formas para as funcoes de correlacao Rl que podem ser utilizadas
na montagem de R. A funcao de correlacao aqui considerada e conhecida como exponencial
gaussiana e tem a forma apresentada na Equacao 4.4.
90
[
]
Rk = exp k (xil xjl )2
(4.4)
Uma estimativa do modelo a ser aproximado em qualquer ponto do espaco, f(x),

considerando as respostas ja obtidas da funcao real f (x) pode ser calculada como na Equacao
4.5.
f(x) = E [[f (x)|f (x1 ), . . . , f (xm )]]
(4.5)
Para avaliar a qualidade desta aproximacao faz necessario uma medida de erro. E
escolhido entao o Erro Medio Quadratico (Mean Square Error (MSE)), que mede a diferenca
entre a funcao aproximada pelo modelo de krigagem e a funcao real em todo o espaco de
projeto conforme exposto na Equacao 4.6 (Horowitz et al., 2012).
MSE = E
[(
)2 ]
fk (x) f (x)
(4.6)
O estimador fk (x) que minimiza o MSE pode ser calculado conforme a

Equacao 4.7.
(
)
fk (x) = N(x)T + r(x)R1 fS N T
(4.7)
Para compreensao deste resultado fazem-se necessarias as denicoes listadas

abaixo.
N(x) = [N1 (x) . . . Nk (x)] e um vetor contendo os polinomios utilizados na regressao;
e um vetor de coecientes do modelo de regressao;
fS = [f1 . . . fm ]T e um vetor com os valores do modelo real avaliado nos pontos amostrados;
N e uma matriz m k que contem os polinomios escolhidos para a criacao do modelo
de regressao numerica aplicados nas amostras com o seguinte arranjo apresentado na
Equacao 4.8.
N1 (x1 )
..
N =
.
N1 (xm )
Nk (x1 )
..
Nk (xm )
(4.8)
91
r(x) = [R(, x, x1 ) . . . R(, x, xm )]T e o vetor de correlacao entre os pontos da amostra

à qualquer ponto dentro de espaco de projeto.
Os coecientes da regressao e a covariancia 2 sao obtidos usando o metodo dos
mnimos quadrados segundo a Equacao 4.9.
(
)1 T 1
= N T R1 N
N R fS
2 =
1
m
fS N T
)T
R1 fS N T
(4.9)
Note que r e R dependem do vetor de parametros . Para determina-los utilizase a estimativa de maxima verossimilhanca, obtida atraves da solucao de um problema de
minimizacao denido na Equacao 4.10.
= arg min 12 [m ln 2 + ln |R|]
s. a. 0
(4.10)
Ao resolver este problema de otimizacao que esta acoplado a Equacao 4.9, o

modelo kriging esta construdo.
Resumindo, a krigagem funciona como mostrado na gura 4.1. Na gura 4.1(a) e
possvel observar uma aproximacao de um conjunto de pontos por regressao de um polinomio
de segundo grau, uma parabola. Note que a curva nao honra nenhum deles, possuindo erro
maior que zero para todos, ja que estes pontos nao recaem sobre uma curva polinomial.
Nas guras 4.1(b) e 4.1(c) observa-se a aproximacao por krigagem. Note que a parabola
foi combinada a um desvio local associado à parte estocastica do kriging que deforma a
curva polinomial (pontilhada) de tal forma a faze-la honrar todos os pontos. O efeito de tal
deformacao depende do raio de correlacao utilizado no kriging. Na gura 4.1(b) utilizou-se
um raio de correlacao menor enquanto na gura 4.1(c) utilizou-se um raio maior. Observa-se
uma diferenca na distancia em que a krigagem atua. Observa-se tambem que, com um raio
mais longo, o metodo altera a extrapolacao polinomial, nao honrando mais a parabola alem
dos limites dos pontos conhecidos.
92
10
10
4.3. Amostragem por Hipercubo Latino
10
20
20
40
60
80
100
10
20
120
20
40
60
80
100
120
(a) Regressao polinomial
(b) Krigagem - correlacao de curto alcance
10
10
20
20
40
60
80
100
120
(c) Krigagem - correlacao de longo alcance
Fig. 4.1: Interpolacao por krigagem - regressao polinomial adicionada a deformacoes locais
causadas por uma funcao aleatoria com correlacao espacial denida
4.3
Amostragem por Hipercubo Latino

Para realizar a krigagem e, portanto, construir o interpolador, como mencionado
anteriormente, faz-se necessario avaliar-se o modelo de alta delidade em diferentes pontos

do espaco de projeto dentro da regiao de conanca, de tal forma que precisa-se amostrar tal
espaco. Para tanto existem alguns metodos de amostragem (Forrester et al., 2008; Afonso
et al., 2011), podendo-se entre eles destacar: QuasiMonte Carlo (QMC), Centroidal Voronoi
Tesselation (CVT) e Latin Hypercube Sampling (LHS). A tecnica aqui escolhida foi a LHS
(Giunta, 2002).
Para obter o conjunto de amostras pelo metodo LHS, o intervalo de cada variavel
deve ser dividido em m subintervalos equiprovaveis, onde m e o n
umero de amostras. Se
4.4. Algoritmo SAO Multidelidade
93
considerarmos n variaveis, esta divisao resulta em mn subdivisoes no espaco de projeto. Sendo

assim, m amostras sao selecionadas aleatoriamente dentro do espaco de projeto satisfazendo
as seguintes restricoes: cada amostra e aleatoriamente posicionada dentro de uma particao
do domnio e para toda projecao unidimensional das amostras e particoes, havera uma e
somente uma amostra em cada particao (Horowitz et al., 2012).
Fig. 4.2: Hipercubo latino 2D com 4 amostras
A gura 4.3 mostra como exemplo o que seria um hipercubo latino em 2D, isto e,
para duas variaveis (x1 e x2 ). Neste caso o n
umero de amostras m = 4 e portanto 4 particoes
sao construdas nos dois eixos. Isso resulta em 16 subespacos dos quais 4 sao escolhidos
de forma a satisfazer às duas restricoes. As amostras sao representadas pelos pontos pretos
posicionados no interior de cada quadrado e foram sorteados aleatoriamente.
4.4
Algoritmo SAO Multidelidade

O algoritmo de otimizacao sequencial aproximada - SAO aqui desenvolvido possui
uma diferenca basica com relacao ao tradicionalmente explorado na literatura. Este nao
utiliza a krigagem dos dados diretamente como modelo substituto. Um modelo de ordem
reduzida, que no caso desta dissertacao e representado pelo TPWL apresentado no captulo
3, e utilizado e, portanto, a krigagem e aplicada à diferenca entre as respostas do modelo real
e deste modelo substituto fsico. Sendo assim, existem duas funcoes que devem ser avaliadas:
o modelo real, chamado de modelo de alta delidade e o modelo reduzido, chamado de
modelo de baixa delidade. O proxy ou metamodelo utilizado pelo algoritmo de otimizacao
e, portanto, a soma do modelo de baixa delidade com a correcao por kriging. A rotina
94
desenvolvida tambem permite o uso do algoritmo SAO tradicional caso nao haja modelo de
baixa delidade disponvel.
O objetivo e resolver o problema de otimizacao descrito na Equacao 4.11, onde
f (x) representa o modelo alta delidade que no caso em questao e o Valor Presente Lquido
calculado por uma simulacao de reservatorios utilizando o SIMPAR. x e o vetor de variaveis
de projeto, isto e, a pressao de fundo de poco a ser aplicada como controle dos pocos em cada
ciclo de controle. xl , xu sao os limites superiores e inferiores do espaco de projeto, isto e, os
valores maximos e mnimos para as pressoes de fundo em cada poco e cada ciclo.
max
f (x)
s.a. xl x xu
(4.11)
Expressando matematicamente, a ideia por tras do SAO multidelidade e converter o problema de otimizacao em uma sequencia de problemas aproximados da forma
expressada na Equacao 4.12. Note que a funcao de alta delidade f (x) e substituda pelo
metamodelo ou modelo aproximado f(x) resultante da composicao de um modelo de ordem
reduzida e um modelo de correcao e e valido no interior de uma regiao de conanca. F k (x) e
um modelo de baixa delidade que aproxima a fsica de f (x) com ordem reduzida. No caso
deste trabalho F k (x) representa o VPL calculado pela simulacao do TPWL e pode ser atualizado ou retreinado caso seja necessario. k (x) e um modelo de krigagem construdo a partir
da diferenca entre o de alta delidade f (x) e o de baixa F k (x) servindo como elemento de
correcao ao de baixa delidade. xkl , xku sao respectivamente os limites superiores e inferiores
da regiao de conanca da iteracao e devem ser atualizados a cada iteracao do algoritmo. k e
xkc , k sao respectivamente o centro e o raio da regiao de conanca da iteracao k e tambem
sao recalculados a cada passo.
max fk (x) = F k (x) + k (x)
s.a. xl xkl x xku xu
xkl = xkc k
(4.12)
xku = xkc + k
k = 0, 1, 2, . . .
O algoritmo utilizado para a otimizacao em cada um dos problemas da sequencia
e o de programacao quadratica sequencial (em ingles, Sequential Quadratic Programing -
95
SQP) (Biggs, 1979), ja implementado na funcao fmincon do Matlab. Entretanto, qualquer

algoritmo de otimizacao pode ser empregado.
A regiao de conanca consiste em um paraleleppedo multidimensional no espaco
de projeto cujas dimensoes podem ser iguais ou diferentes dentro do qual se supoe boa a
aproximacao feita pelo metamodelo. Genericamente seu tamanho (dado por uma ou mais
medidas se as dimensoes forem diferentes) e conhecido como raio. Alem do raio, a regiao de
conanca possui um centro. O primeiro raio e centro sao pre-denidos e podem ter inuencia
no desempenho do algoritmo.
` medida que o algoritmo avanca, a cada iteracao, e necessario atualizar o centro e
A
do raio regiao de conanca. Para tanto, e necessario medir a qualidade da aproximacao que o
metamodelo esta realizando. Sendo assim, o ponto otimo obtido com o metamodelo e aplicado
ao modelo de alta delidade. De posse das respostas dos dois modelos, calcula-se o parametro
de qualidade da aproximacao k atraves da Equacao 4.13 onde f (xk ), f (xk ), fk (xk ), fk (xk )
c
sao respectivamente o modelo de alta delidade avaliado no centro e no ponto otimo calculado na iteracao k e o modelo aproximado (composto) avaliado no centro e no ponto otimo
calculado na iteracao k.
kf =
f (xkc ) f (xk )
fk (xk ) fk (xk )
c
(4.13)
A regra aplicada pelo algoritmo para atualizacao do raio da regiao de conanca e

de fato a arte do metodo. Neste trabalho utilizou-se a mesma regra prosposta em (Giunta
and Eldred, 2000) exposta na equacao 4.14.
k+1
0, 25k ,
k
0, 25k ,
0 k
=
k , 0, 25 k
2k ,
k
0
0, 25
0, 75
(4.14)
0, 75
A regra para atualizacao do centro da regiao e tambem proposta em (Giunta and

e o centro da proxima iteracao, xkc
Eldred, 2000) e esta descrita na Equacao 4.15 onde xk+1
c
e o centro da iteracao corrente e xk e o ponto otimo calculado utilizando o metamodelo na
iteracao corrente.
96
{
xk+1
c
xk , > 0
xkc , < 0
(4.15)
Fig. 4.3: Esquema de amostragem e atualizacao da regiao de conanca no algoritmo MSAO
A gura 4.4 esquematiza como o algoritmo MSAO funciona na busca pelo otimo.
Nela esta representado um problema de duas variaveis de projeto (funcao banana de Rosenbrok). A estrela representa o ponto otimo. A cada iteracao o algoritmo considera uma
regiao de conanca representada pelos retangulos. Faz-se a amostragem de um conjunto de
pontos no interior desta regiao, avaliando-se os modelos de alta e baixa delidade (SIMPAR
e TPWL/POD) em todos os pontos amostrados. Constroi-se o modelo de correcao por krigagem utilizando-se a diferenca entre os resultados nos dois nveis de delidade. Otimiza-se no
interior da regiao de conanca utilizando-se o metamodelo representado pelo modelo de baixa
delidade corrigido. O resultado ao m de cada iteracao e um ponto candidato a otimo que
deve ser aplicado ao modelo de alta delidade e ao de baixa delidade corrigido. Com base
na metodologia aqui exposta, representada pelas Equacoes 4.14 e 4.15, o algoritmo calcula as
dimensoes e o centro da proxima regiao de conanca, repetindo todo o processo na proxima
iteracao.
Os criterios de parada que sao testados pelo algoritmo e que levam à parada do
processo estao listados a seguir e, para que qualquer um dos criterios acima leve à parada do
processo, e necessario que a situacao ocorra em um n
umero de iteracoes consecutivas denido
pelo usuario.
1. Distancia mnima entre os pontos de otimo atingida;
97
2. Variacao mnima da funcao-objetivo atingida;

3. Raio mnimo da regiao de conanca atingido;
4. N
umero maximo de iteracoes atingido.
O algoritmo MSAO tambem foi concebido de forma a permitir que o modelo de
ordem reduzida seja retreinado ao longo do processo de otimizacao. Na realidade, observouse uma tendencia de reducao da qualidade do metamodelo ao se aproximar do ponto otimo.
Isto pode ser atribudo ao pequeno raio da regiao de conanca que pode levar a variacoes
com sinais diferentes do VPL calculado pelo simulador e o calculado pelo metamodelo. Neste
caso, nao se deseja o retreinamento, mas sim parar o algoritmo. Entretanto, o parametro de
qualidade kf pode car com sinal negativo, o que pode ser confundido com qualidade ruim
do metamodelo e portanto gerar a necessidade de retreinar o modelo de ordem reduzida.
Com o objetivo de avaliar se o defeito do metamodelo e o TPWL/POD, foi proposto o parametro de qualidade ET P W L da Equacao 3.34. Este representa uma soma acumulada das distancias entre os estados calculados pelo modelo reduzido e os estados gravados
utilizados na linearizacao, sendo considerado uma medida da distancia da trajetoria simulada
pelo TPWL/POD e a trajetoria em torno da qual a linearizacao foi realizada. Devido ao
custo computacional elevado do retreinamento, espera-se que este so seja necessario quando
esta medida for grande. Portanto, so se cogita retreinar quando kf < min e ET P W L > Emax ,
onde min e Emax sao denidos pelo usuario devido a experiencia com o problema a ser
otimizado.
Desta forma, o algoritmo SAO multidelidade aqui desenvolvido pode ser resumidamente descrito como a seguir. Considere x0c , a coordenada do centro e 0 o raio da
primeira regiao de conanca. Considere tambem que ja foi executada uma simulacao de
treinamento do SIMPAR com uma sequencia aleatoria de controles. Esta foi utilizada para
a construcao do modelo TPWL/POD inicial, F 0 .
1. Inicializa o contador de iteracoes k = 0.
2. Calcula o modelo de alta e baixa delidade (VPL atraves da simulacao SIMPAR e
TPWL/POD respectivamente) no centro, f (x0c ) e F 0 (x0c ).
3. Calcula os limites da regiao de conanca xkl = xkc k e xku = xkc + k . Observe que
os limites em cada iteracao nao devem ultrapassar os limites do espaco de projeto xl e
xu .
98
4. Amostra N pontos dentro desta regiao de conanca xki , 1 i N (quantidade denida

pelo usuario recomendado N = 2Nvar + 1 para a primeira iteracao, onde Nvar e o
n
umero de variaveis e N = Nproc para as demais, onde Nproc equivale ao n
umero
de processadores). Estas amostras sao adicionadas ao conjunto de todas as amostras
obtidas nas iteracoes anteriores.
5. Calcula o modelo de alta e baixa delidade para todos os pontos amostrados na iteracao
k, f (xki ) e F k (xki ), 1 i N . Acumulam-se estas avaliacoes das funcoes ao conjunto
de todas as anteriores.
6. Calcula a diferenca entre as respostas de alta e baixa delidade ik = f (xki ) F k (xki ).
7. Faz o kriging considerando todos os pontos do conjunto de amostras no interior da regiao
de conanca da iteracao k (amostras x diferenca das respostas). Caso nao haja pontos
sucientes no interior da regiao de conanca, sao utilizados os pontos mais proximos de
todos os ja calculados ate que se complete a quantidade necessaria. Constroi-se assim
o modelo k (x) e o metamodelo fk (x) = F k (x) + k (x).
8. Otimiza o metamodelo fk (x) dentro da regiao de conanca (problema mostrado na
Equacao 4.16) utilizando o algoritmo de programacao quadratica sequencial (SQP)
determinando o ponto candidato a otimo xk .
{
max
fk (x)
k
x =
s.a. xkl x xku
(4.16)
9. Verica convergencia ou algum dos criterios de parada denidos na lista anterior. Caso
algum dos criterios seja atingido, incrementa o contador correspondente.
10. Calcula modelo de alta delidade no ponto de otimo obtido com o metamodelo f (xk ).
Alem do VPL, anota o erro do TPWL/POD calculado conforme Equacao 3.34. Se
algum dos contadores de convergencia atinge o valor denido pelo usuario, o algoritmo
para.
11. Caso o algoritmo nao tenha atingido a convergencia, simultaneamente com o passo
10, amostram-se Nproc pontos xkj , 1 j Nproc dentro de uma regiao de conanca
centrada no u
ltimo candidato a otimo xk com o mesmo raio anterior k .
12. Avaliam-se a funcao de alta e baixa delidade f (xkj ) e F k (xkj ), 1 i Nproc nos pontos
amostrados simultaneamente com a avaliacao do candidato a otimo f (xk ) do passo 10.
99
Aplica-se a correcao k (x) ao modelo de baixa delidade. Acumulam-se estas avaliacoes

ao conjunto de todas as avaliacoes anteriores.
13. Calcula parametro de qualidade do metamodelo kf denido na Equacao 4.13.
14. Aplica a regra do algoritmo denida nas Equacoes 4.14 e 4.15 a partir do valor de kf ,
calculando novo centro xk+1
e raio k+1 da nova regiao de conanca.
c
15. Se kf < min , onde min e congurado pelo usuario, ativa-se o alerta para retreinamento
que obrigara a exportacao dos mapas e derivadas na simulacao do proximo candidato
a otimo xk+1
.
16. Se kf < min e o alerta de retreinamento ja se encontrava ligado, realiza-se o processo
de retreinamento com a simulacao do candidato a otimo atual xk . Desliga-se o alerta
de retreinamento.
17. k k + 1. Retorna a 3, iniciando a proxima iteracao.
4.5
Detalhes de Implementa
c
ao
Todo o desenvolvimento foi realizado utilizando-se o Matlab. Para tanto dois
pacotes se zeram necessarios. O primeiro, utilizado para a otimizacao propriamente dita, e

o Optimization Toolbox (Mathworks, 2012) e o segundo, responsavel por realizar o processo
de krigagem, e o DACE (Design and Analysis of Computer Experiments) (Lophaven et al.,
2002).
Para otimizacao foi utilizada a funcao fmincon, aplicada ao metamodelo. Esta
funcao permite o uso de restricoes lineares e nao lineares e pode resolver o problema utilizando
os algoritmos mais avancados da atualidade. Entretanto, nenhuma restricao, alem dos limites
da regiao de conanca de cada iteracao do SAO, foi aplicada e o algoritmo para otimizacao
foi o SQP (Sequential Quadratic Programming). Outro aspecto importante e que esta funcao
tem por objetivo resolver um problema de minimizacao. Portanto, como o problema em
questao e de maximizacao do Valor Presente Lquido, fez-se necessario considerar a funcaoobjetivo com sinal trocado. Esta e uma estrategia muito comum para o uso de pacotes de
otimizacao.
Na construcao do modelo kriging utilizou-se a funcao dacefit do pacote DACE que
recebe como parametros de entrada os pontos amostrados e suas respectivas avaliacoes no
4.6. Desempenho do algoritmo MSAO
100
modelo real (neste caso diferenca entre a avaliacao no modelo de alta e baixa delidade). Esta
funcao e capaz de utilizar diferentes tipos de correlacao, mas neste trabalho so foi utilizada
a de Gauss. Tambem pode utilizar polinomio regressor constante (kriging ordinario) ou de
primeiro ou segundo graus. Tanto a funcao de correlacao como o grau do polinomio de
regressao sao escolhidos entre os parametros de entrada.
A principal sada da funcao dacefit e uma estrutura com todos os parametros
necessarios para reconstruir o modelo kriging que se ajusta aos pontos. Basicamente sao os
coecientes do polinomio e os parametros da funcao de correlacao.
A outra funcao do pacote DACE utilizada no trabalho e a funcao predictor. Esta
funcao avalia o modelo de krigagem em um ponto dado como entrada. O modelo utilizado
para avaliacao tem que ter sido previamente ajustado e e representado por uma estrutura
sada da funcao dacefit que deve ser passada como entrada para predictor.
Para realizar a amostragem por hipercubo latino tambem foi utilizada uma funcao
do pacote DACE chamada lhsamp. Entretanto, esta funcao somente amostra pontos em um
hipercubo de aresta unitaria. Portanto, fez-se necessario escalarem-se estas amostras para as
dimensoes da regiao de conanca.
Neste estudo a funcao de alta delidade e representada por uma simulacao de
reservatorios utilizando o simulador SIMPAR. A entrada do modelo sao os controles e a
sada, o Valor Presente Lquido (VPL). O modelo de baixa delidade e uma simulacao do
modelo de ordem reduzida TPWL/POD que foi previamente treinado utilizando-se uma
sequencia aleatoria de controles. Este modelo pode ser retreinado ao longo do processo da
maneira como descrito no captulo 3.
Portanto, foram construdas duas funcoes de interface do otimizador com os simuladores (SIMPAR e TPWL). Como o algoritmo foi concebido de maneira generica, as variaveis
de projeto utilizadas e a funcao-objetivo devem ser normalizadas. Logo, estas funcoes fazem
a adequacao das variaveis aos limites determinados pelo usuario para o espaco de projeto e
à ordem de grandeza do VPL.
4.6
Desempenho do algoritmo MSAO

Com o objetivo de avaliar-se o algoritmo de otimizacao MSAO desenvolvido neste
captulo foram propostos alguns testes utilizando-se os modelos de reservatorio apresentados
101
no Captulo 2 com algumas modicacoes. Os modelos sao: SPE10 - Modicado, que e um

corte de 24000 celulas do modelo SPE10 e Brugge - Modicado, que e uma adaptacao ao
SIMPAR do modelo de Brugge (benchmark apresentado em (Peters et al., 2010)) na qual a
malha e convertida para cartesiana.
A funcao-objetivo aqui considerada para ambos os casos e o Valor Presente Lquido
- VPL com os mesmos parametros economicos utilizados na avaliacao do TPWL/POD no
Captulo 3. O preco do oleo e de 100 $/BBL e os custos de injecao e producao de agua sao
de 10 $/BBL.
4.6.1 Resultados com modelo SPE10 - Modicado

O primeiro problema que foi atacado baseou-se no modelo SPE10 exposto no
Captulo 2 considerando as densidades diferentes e uido e rocha compressveis como no
u
ltimo caso estudado no Captulo 3. O tempo de concessao do reservatorio e de 3000 dias e
o controle e feito sobre a pressao de fundo dos 4 pocos produtores em 4 ciclos de controle de
750 dias de duracao cada um. Desta forma o problema de otimizacao possui 16 variaveis de
projeto.
A sequencia de controles de treinamento foi determinada aleatoriamente da mesma
forma que no teste do Captulo 3, variando-se os controles dos quatro pocos entre 2000 psi e
6000 psi a cada 200 dias, isto e, considerando-se 15 ciclos de controles. A justicativa para isto
e que se espera uma maior variabilidade dos estados gravados, o que incrementa a capacidade
de aproximacao do TPWL/POD. A quantidade de autovalores foi mantida identica aos testes
importante ressaltar que a duracao maxima dos passos
de acuracia: p = 128 e z = 256. E
de tempo neste problema foi de 30 dias como no estudo de acuracia. O simulador decidiu
corta-los gerando estados sucientes para utilizar tamanha quantidade de autovalores.
A quantidade de pontos avaliados no interior da primeira regiao de conanca foi
de 2Nvar + 1 = 33, onde Nvar = 16 e o n
umero de variaveis. Nesta quantidade ja esta includo
o centro da primeira regiao. A justicativa para esta escolha e que so com esta quantidade
de pontos seria possvel o ajuste de um polinomio quadratico sem os termos cruzados.
O computador utilizado neste processo de otimizacao possui 12 processadores,
sendo que um deles ca dedicado ao proceso do Matlab. Sendo assim, somente Nproc = 11
e o n
umero de processadores livres para simulacao do SIMPAR. Em todas as avaliacoes do
modelo de alta delidade, sao efetuadas Nproc simulacoes simultaneamente.
102
Desta forma, a quantidade de pontos avaliados em cada regiao de conanca a

partir da segunda iteracao foi xada em Nproc , o que permite que todas sejam feitas simultaneamente. A quantidade de avaliacoes realizadas em conjunto com o candidato a otimo foi
xada em Nproc 1 pelo mesmo motivo.
Foram avaliadas duas possibilidades para o grau do polinomio interpolador utilizado na krigagem. O processo de otimizacao foi executado utilizando-se polinomio de grau
zero (krigagem ordinaria) e grau um (polinomio linear). O estudo comparativo entre os modelos de alta e baixa delidade realizado no Captulo 3, indica que uma correcao linear pode
ser mais eciente.
Tambem foram avaliados os parametros de controle de retreinamento. O valor limite para ET P W L (distancia entre estados gravados no treinamento e os calculados na
simulacao TPWL/POD) foi alterado de forma a aumentar ou diminuir o n
umero de retreinamentos e e representado por Emax . Note que quanto menor este limiar, maior sera a
tendencia ao retreinamento. Tambem avaliou-se o limiar mnimo do parametro de qualidade
do metamodelo f para o qual deve-se cogitar o retreinamento. Este limiar e designado por
min . Como nos casos simulados neste estudo nunca se observou f > 1, utilizou-se min = 2
como uma maneira de obrigar o retreinamento o maximo n
umero de vezes.
O valor inicial para as pressoes de fundo em todos os pocos e todos os ciclos de
controle foi de 4000 psi, podendo variar de 2000 psi a 6000 psi que sao os limites aplicados
durante o treinamento. O tamanho inicial da regiao de conanca foi de 20 % do espaco de
projeto baseado em (Horowitz et al., 2013).
Alem de aplicar-se o algoritmo MSAO variando-se alguns de seus parametros de
conguracao, foi realizada a otimizacao do VPL atraves da aplicacao direta do algoritmo
SQP (Programacao Quadratica Sequencial) sobre o modelo de alta delidade (simulador
SIMPAR) e sobre o modelo de baixa delidade (TPWL/POD). No u
ltimo caso, apesar da
otimizacao se realizar sobre o modelo reduzido, o resultado ao nal e medido utilizando-se o
simulador. Este e o metodo mais investigado na literatura para o uso de modelos reduzidos
em otimizacao e necessita de modelos substitutos quase perfeitos. No caso aqui estudado,
onde se consideram nao-linearidades bastante grandes, o TPWL/POD nao e um substituto
perfeito e portanto tal estrategia nao parece ser aplicavel.
Os resultados obtidos estao apresentados na Tabela 4.1, onde SQP(HF) signica
a aplicacao do SQP diretamente sobre o SIMPAR, SQP(LF) signica aplicar o SQP sobre o
TPWL/POD e medir o resultado nal do VPL com o SIMPAR e MSAO signica a aplicacao
103
do algoritmo MSAO proposto neste captulo.

Nesta tabela Emax representa a distancia maxima entre os estados gravados e
calculados no TPWL/POD para que o retreinamento ocorra no caso de f > min . Tambem
foram anotados os n
umeros de iteracoes (# It.), de avaliacoes da funcao de alta delidade, o
SIMPAR (# HF), de avaliacoes da funcao de baixa delidade, o TPWL/POD (# LF) e de
retreinamentos.
Tab. 4.1: Otimizacao do VPL utilizando diferentes esquemas - SPE10 com 4 ciclos de controle
Algorithm
Polin. Emax
min
# It.
# HF # LF
#Retrein. NPV (108 $)
SQP(HF)
88
6, 9229
SQP(LF)
11
187
6, 4826
MSAO
102
0,00
164
676
6,5424
0,25
165
777
6,5318
MSAO
10
MSAO
10
2,00
186
1027
6,5626
MSAO
102
0,25
120
715
7,2000
MSAO
102
2,00
11
254
1446
7,2238
MSAO
103
2,00
11
254
2040
7,2238
importante recordar que, conforme analise do speedup realizada no Captulo

E
3, uma avaliacao de funcao de alta delidade (SIMPAR) gasta 400 vezes o tempo de uma
de baixa delidade (TPWL/POD). Esta proporcao diminui para 300 apos o retreinamento.
Portanto, um alto n
umero de avaliacoes de baixa delidade nao impacta tanto no tempo
total do processo de otimizacao.
A referencia da comparacao de resultados e o algoritmo SQP acoplado diretamente
ao simulador SIMPAR que esta representado na primeira linha da tabela. Este e um algoritmo
de otimizacao restrita de aplicacao geral comumente utilizado. Precisa dos gradientes para
funcionar, que neste caso sao calculados numericamente atraves de perturbacoes nas variaveis
e utilizando diferencas nitas. Isto aumenta bastante o n
umero de simulacoes. O resultado
utilizando-se tal algoritmo esta na primeira linha da tabela.
Nota-se que a simples substituicao do modelo de alta delidade pelo reduzido pode
nao levar a um bom resultado na otimizacao. A segunda linha da tabela contem o resultado
onde a funcao-objetivo acoplada ao SQP foi o VPL calculado pelo TPWL/POD. Ao nal do
processo de otimizacao calcula-se o VPL com o simulador. Este foi o pior resultado entre
104
todos, o que demonstra que o modelo de ordem reduzida precisa de correcao ao longo do
processo de otimizacao.
Alem disso, observa-se, ao utilizar-se uma krigagem ordinaria (polinomio de grau
0) consegue-se melhorar o resultado da otimizacao. Entretanto, estes ainda nao foram os
melhores resultados.
Por outro lado, retomando-se a analise de acuracia do TPWL/POD apresentada
no Captulo 3, observa-se que o erro deste modelo reduzido nao e constante para qualquer
sequencia de controles e depende muito do primeiro controle. Portanto, o uso de um polinomio
regressor constante pode realmente nao ser u
til, ja que a parte estocastica do modelo kriging
tem inuencia local. Esta foi a justicativa para a utilizacao de polinomios lineares.
Observa-se na linha 6 da tabela de resultados que com o uso de um interpolador
linear na krigagem, nao houve necessidade de retreinamento pois o parametro de qualidade
f do SAO se manteve superior a 0,25. Melhor ainda, mesmo sem retreinamento, o resultado
conseguiu superar aquele obtido com o SQP. Isso e explicado pelo fato de este u
ltimo algoritmo sofrer com certas descontinuidades do modelo de simulacao que sao mitigadas pelas
aproximacoes e interpolacoes realizadas pela krigagem.
Alem disso, observa-se uma ligeira melhora no resultado quando se aumenta o
valor de f a partir do qual se avalia a necessidade de retreinamento. Na linha 7 tem-se
um resultado um pouco maior onde foram realizados dois retreinamentos. A necessidade de
retreinamento e avaliada pela distancia entre os estados gravados e simulados Etpwl (calculada
conforme Equacao 3.34) que deve estar abaixo de 102 neste caso.
No entanto, quando este patamar maximo de erro e reduzido em uma ordem de
grandeza, obtem-se o resultado da linha 8. Note que nao ha melhora alguma apesar do
aumento expressivo do n
umero de retreinamentos.
Tudo isto demonstra que retreinar nem sempre e indicado. Primeiramente, sabese que a qualidade do metamodelo medida por f ca comprometida na medida em que o
processo se aproxima do otimo devido a pequenas variacoes da funcao-objetivo, fazendo com
que um erro de aproximacao, mesmo que pequeno, leve a valores baixos ou ate negativos
para f .
Este problema tende a ser mitigado pela aplicacao do criterio sobre Etpwl que pode
avaliar se a culpa pelos erros e da ma qualidade do modelo reduzido. A Figura 4.4 mostra
a evolucao de f , Etpwl e do valor otimo ao longo das iteracoes do MSAO nos casos com
105
polinomio interpolador linear.

0.07
0.06
0.8
0.05
0.6
0.04
ETPWL
0.4
0.03
0.2
0.02
0.01
0.2
4
6
# Iterao do MSAO
10
(a) Par
ametro de qualidade do MSAO (f )
0
0
4
6
8
# Iterao do MSAO
10
12
(b) Indicador de erro do TPWL/POD (Etpwl )
7.6
7.4
VPL (MM $)
7.2
7
6.8
6.6
ro=0.25,E=1E2
ro=2.00,E=1E2
ro=2.00,E=1E3
6.4
6.2
0
4
6
8
# Iterao do MSAO
10
12
(c) Valor presente lquido - VPL(108 $)
Fig. 4.4: Evolucao do processo de otimizacao nas iteracoes do algoritmo - Modelo SPE10 Modicado
Observe primeiramente as curvas em vermelho que representam o primeiro resultado onde nao houve retreinamento. O valor otimo obtido para o VPL e ligeiramente menor
do que os outros casos e isto se deve ao retreinamento que ocorreu na quarta iteracao. Esta
atualizacao do modelo reduzido levou a um VPL um pouco menor, mas, que devido à melhor
aproximacao, veio a car melhor na proxima iteracao.
Note tambem que o valor de Etpwl cai a um patamar de 102 depois do segundo
retreinamento na iteracao 6 (curva azul). Mesmo assim, f e proximo de zero (em algumas
iteracoes, negativo), o que indica que o metamodelo nao e razoavel. Entretanto, a culpa nao
106
e do TPWL/POD ja que Etpwl se mantem controlado. Isto se deve à proximidade do otimo,

onde as variacoes da funcao-objetivo sao da ordem do erro da aproximacao.
Pode-se conrmar esta ideia ao apertar-se o criterio do erro para Etpwl 103
como nas curvas em preto. Nao ha nenhum ganho na funcao-objetivo em relacao a curva
azul. Tambem nao ha melhora de f e observa-se um aumento de Etpwl apos um dos retreinamentos ocorrerem. Isto demonstra que fazer Etpwl 103 e desnecessario e so leva a
retreinamentos excessivos, que podem vir a piorar o metamodelo. Na pratica, o valor ideal
para este parametro dependera da experiencia do prossional responsavel pela otimizacao.
4
3.5
Base
timo
14000
Vazo de gua total produzida (bbl/d)
Vazo de leo total produzido (bbl/d)
16000
12000
10000
8000
6000
4000
2000
0
500
1000 1500 2000

Tempo (Dias)
2500
3000
x 10
3
2.5
2
1.5
1
0.5
0
0
(a) Vaz
ao de oleo total
500
1000 1500 2000

Tempo (Dias)
2500
3000
(b) Vazao de agua produzida total
Vazo de gua total injetada (bbl/d)
3.5
x 10
3
2.5
2
1.5
1
0.5
0
500
1000 1500 2000

Tempo (Dias)
2500
3000
(c) Vazao de agua injetada total
Fig. 4.5: Vazoes totais do campo obtidas no processo de otimizacao SPE10 - Modicado
Analisando-se os resultados do melhor caso (Retreino com f 2,00 e Etpwl
2
10 ), obtem-se as vazoes totais do campo apresentadas na Figura 4.5. Nesta gura, os
107
gracos em vermelho representam as vazoes para conguracao de controles inicial do processo de otimizacao, os gracos em preto, a conguracao otima e os azuis, sao as iteracoes
intermediarias.
Nota-se destes resultados que a estrategia do otimizador consiste em antecipar
producao de oleo e reduzir a producao e injecao de agua drasticamente em quase todo o
tempo simulado. Tambem pode-se perceber que ha grandes ganhos nas primeiras quatro
iteracoes do algoritmo, o que cessa nas iteracoes seguintes. Os controles de pressao de fundo
otimizados para os quatro pocos produtores estao representados na Figura 4.6 onde se observa
que a decisao tomada pelo otimizador e de aumentar a pressao de fundo nos u
ltimos ciclos
de controle o que reduz a producao de agua, ja que os pocos ja produzem muita agua nesta
epoca.
6000
Presso de Fundo (psi)
5500
5000
4500
4000
3500
3000
W1
W2
W3
W4
2500
2000
0
500
1000 1500 2000

Tempo (Dias)
2500
3000
Fig. 4.6: Pressoes de fundo dos pocos produtores otimizadas - Modelo SPE10 - Modicado
Finalmente e importante avaliar a qualidade da aproximacao do metamodelo corrigido e do modelo reduzido (TPWL/POD). Para tanto, com o mesmo resultado utilizado
na Figura 4.5, foram construdos, para cada iteracao do algoritmo, crossplots com os pontos
avaliados durante a iteracao, onde o eixo x representa o resultado (VPL) obtido com o modelo de alta delidade (SIMPAR) e o eixo y, o resultado (VPL) em baixa delidade. Quanto
melhor a aproximacao, mais proximos da reta de 45o estarao os pontos. As Figuras 4.7 a 4.9
apresentam as nuvens de pontos para as tres primeiras iteracoes. Os pontos apresentados sao
somente os considerados em cada uma das iteracoes.
108
7.5
7.5
6.5
6.5
6
6
6.5
7.5
6
6
(a) Simpar x TPWL/POD
6.5
7.5
(b) Simpar x TPWL/POD+kriging
Fig. 4.7: Comparacao do VPL obtido durante o processo de otimizacao - 1a Iteracao - SPE10
- Modicado
7.6
7.5
7.4
7.2
7
7
6.8
6.6
6.5
6.4
6.2
6
6
6.5
7.5
6
6
6.5
7.5
- Modicado
Observando-se os crossplots da direita (comparacao entre VPL calculado pelo
SIMPAR e pelo metamodelo com correcao) em todos as guras, observam-se dois grupos de
pontos. O primeiro grupo recai exatamente sobre a reta, pois sao os pontos considerados para
a construcao do modelo de krigagem e portanto sao perfeitamente corrigidos. O segundo
grupo representa o candidato a otimo da iteracao e aqueles que sao avaliados dentro da
candidata a proxima regiao de conanca. Note que estes ultimos nao recaem sobre a reta
pois nao foram utilizados na correcao do kriging. O valor do VPL obtido no pela simulacao
no centro da regiao de conanca e marcado com um x vermelho e o candidato a otimo obtido
109
nesta regiao e marcado com um diamante vermelho.

Nestas iteracoes a correcao por krigagem se mostrou bastante efetiva, melhorando
razoavelmente os resultados da aproximacao (comparem-se os crossplots com os resultados
do TPWL/POD e do modelo reduzido com a correcao por krigagem). Isto pode tambem
ser medido pelo valor de f proximo de 1, como mostra a Figura 4.4(a). Entretanto, desta
mesma Figura 4.4(a), observa-se que, a partir da 5a iteracao, o metamodelo mostra resultados
piores com a queda drastica do f , o que pode ser devido à proximidade do otimo.
7.5
7.5
6.5
6.5
6
6
6.5
7.5
6
6
6.5
7.5
- Modicado
4.6.2 Resultados com modelo de Brugge - Modicado

O segundo problema atacado baseou-se no modelo Brugge - Modicado exposto no
Captulo 2 considerando as densidades da agua e oleo diferentes e uido e rocha compressveis
conforme sua descricao em (Peters et al., 2010). O tempo de concessao do reservatorio e de
3600 dias e o controle e feito sobre a pressao de fundo dos 20 pocos produtores, variando de
40 Kgf/cm2 a 140 Kgf/cm2 , em 3 ciclos de controle de 1200 dias de duracao cada um. Os 10
pocos injetores sao mantidos com 300 Kgf/cm2 constante de pressao de fundo. Desta forma
o problema de otimizacao possui 60 variaveis de projeto, transformando-o em um problema
razoavelmente grande.
A sequencia de controles de treinamento foi determinada aleatoriamente trocandose os controles dos 20 pocos independentemente a cada 200 dias, isto e, considerando-se 18
110
ciclos de controles. O valor destes controles tem os mesmos limites da denicao do problema
de otimizacao: 40 Kgf/cm2 a 140 Kgf/cm2 .
A quantidade de autovalores foi p = 80 e z = 100. Esta quantidade de autovalores foi determinada atraves de alguns testes simples. Entretanto, para gerar n
umero de
estados suciente para isto, utilizou-se uma duracao maxima para o passo de tempo de 10
dias.
Os u
ltimos valores singulares considerados estao entre a ordem de 101 e 102 . A
gura 4.10 apresenta um graco dos valores singulares para a SVD da matriz de snapshots
de pressoes (3.4(a)) e de fracoes massicas (3.4(b)) para a simulacao de treinamento dispostos
em ordem decrescente com a indicacao dos respectivos pontos de corte escolhidos.
4
10
10
10
10
10
10
10
10
10
50
100
(a) Pressao
150
200
10
50
100
150
200
(b) Fracao massica
Fig. 4.10: Valores singulares dispostos em ordem decrescente - Modelo Brugge-Modicado

O n
umero de pontos avaliados no interior da primeira regiao de conanca foi de
2Nvar + 1 = 121, onde Nvar = 60 e o n
umero de variaveis. Nesta quantidade ja esta includo
o centro da primeira regiao. O polinomio interpolador utilizado na krigagem e de primeiro
grau.
Os valores dos parametros de controle do retreinamento foram xados: Emax =
102 e min = 0,25. O valor inicial para todas as pressoes de fundo controladas, centro da
primeira regiao de conanca, foi xado no meio da escala, 90 kgf/cm2 .
O n
umero de processadores livres para simulacao do SIMPAR e Nproc = 11 e o
n
umero de simulacoes executadas em paralelo e sempre igual a este n
umero. Portanto, a
quantidade de pontos simulados em cada regiao de conanca para construcao do modelo
111
de correcao a partir da segunda iteracao e a quantidade de pontos simulados em conjunto

com o candidato a otimo foram parametros avaliados, variando em m
ultiplos de Nproc e sao
designadas pela palavra #Amostras. Tambem foram avaliados diferentes valores para o raio
da regiao de conanca inicial, designado neste estudo por Rinit e dado por uma fracao das
dimensoes do espaco de projeto.
A Tabela 4.2 reune os resultados obtidos neste estudo. Note que a referencia para
comparacao esta na primeira linha e consiste na aplicacao do algoritmo SQP diretamente ao
modelo de alta delidade. Entretanto, por necessidade de economia de tempo, so se permitiu
que tal algoritmo realizasse duas iteracoes, nao tendo neste momento atingido a convergencia.
Tab. 4.2: Otimizacao do VPL em diferentes esquemas - Brugge-Modificado com 3 ciclos de controle
Algorithm #Samples
R Init.
# It.
# HF
# LF #Retrein.
NPV (109 $)
SQP(HF)
122
28,01
MSAO
11
0,25
298
4099
26,79
MSAO
33
0,25
518
3467
26,35
MSAO
11
0,50
11
342
5942
27,31
MSAO
33
1,00
13
913
9661
27,54
Com este modelo de Brugge houve uma reducao do speedup do TPWL/POD em

relacao ao SIMPAR se comparado ao speedup obtido com o modelo SPE10. O computador em
que estes estudos foram realizados e o mesmo utilizado nos estudos do Captulo 3 e consiste
em um Intel Xeon X5680 3,33 GHz, com 24 GB de RAM, 12 n
ucleos e sistema operacional
Windows 7.
Enquanto uma simulacao de alta delidade custou em media 1700 s, uma de
baixa delidade custou 10 s, levando a um speedup de 170, menor do que o do caso SPE10Modicado, apresentado no Captulo 3. O tempo da simulacao de treinamento foi de 1600 s, o
tempo para o calculo da base foi 28 s e para o calculo das derivadas reduzidas, 234 s, custando
o treinamento um total de 1,2 simulacoes. Alem disso, o tempo de retreinamento foi de 42s
para construcao da base e 470s para calculo de todas as derivadas reduzidas considerando a
nova base.
Para entender o efeito dos retreinamentos do TPWL/POD no processo de otimizacao, foi feita uma analise similar à realizada com o primeiro caso SPE10-Modicado.
A Figura 4.11 mostra a evolucao de f , Etpwl e do valor otimo ao longo das iteracoes do
112
MSAO nos dois melhores casos apresentados nas duas u

ltimas linhas da Tabela 4.2. Note
que em ambos os casos houve reducao do erro Etpwl , mas que o parametro de qualidade do
metamodelo f nao se mostrou muito satisfatorio. No caso com 33 amostras no interior da
regiao de conanca houve momentos no nal da otimizacao em que f cou proximo de 1,0,
mas em geral seu valor se mostrou baixo. Entretanto, como Etpwl pode ser controlado com
retreinamento, conclui-se que neste caso, a culpa pelo problema e do kriging. Na verdade,
utilizaram-se poucas amostras no interior da regiao para o n
umero de variaveis considerado.
Portanto, houve a necessidade de reutilizacao de um grande n
umero de pontos das regioes
anteriores, o que pode causar problemas na aproximacao por krigagem.
1.2
0.16
0.14
0.12
0.8
0.1
f
Etpwl
0.6
0.4
0.08
0.06
0.2
0.04
0
0.2
0
0.02
2
4
6
8
# Iterao do MSAO
10
12
(a) Par
ametro de qualidade do MSAO (f )
0
0
4
6
8
10
# Iterao do MSAO
12
(b) Indicador de erro do TPWL/POD (Etpwl )
2.8
VPL (MM $)
2.75
2.7
2.65
2.6
11 amostras, = 0.5
2.55
33 amostras, 0 = 1.0
2.5
0
4
6
8
10
# Iterao do MSAO
12
(c) Valor presente lquido - VPL(108 $)
Fig. 4.11: Evolucao do processo de otimizacao nas iteracoes do algoritmo - Modelo SPE10
- Modicado
113
x 10
Base
timo
7
6
5
4
3
2
1
0
0
1000
2000
Tempo (Dias)
4.5
Vazo total de gua produzida (bbl/d)
Vazo de leo total produzido (bbl/d)
x 10
4
3.5
3
2.5
2
1.5
1
0.5
0
0
3000
(a) Vaz
ao de oleo total
1000
2000
Tempo (Dias)
3000
(b) Vazao de agua produzida total
Vazo de gua total injetada (bbl/d)
2.5
x 10
1.5
0.5
0
0
1000
2000
Tempo (Dias)
3000
(c) Vazao de agua injetada total
Fig. 4.12: Vazoes totais do campo obtidas no processo de otimizacao Brugge - Modicado
Como u
ltima analise, observe-se a estrategia do otimizador para maximizar o
VPL. A Figura 4.12 mostra em vermelho as vazoes totais iniciais (caso base), em preto as
otimizadas e em azul, as iteracoes intermediarias. Assim como no caso anterior do SPE10Modicado, a estrategia consistiu em antecipacao de oleo e reducao da producao e injecao
de agua. Entretanto, a diferenca entre caso base e otimizado so foi expressiva na producao
de agua.
EM
5. APLICAC
AO
DE INCERTEZAS
PROPAGAC
AO
Nao ha como se pensar em gerenciar um campo de petroleo sem levar em conta as
incertezas envolvidas. Estas podem ser de natureza geologica, por nao se saber exatamente
as caractersticas de subsuperfcie; de natureza operacional, por nao se ter pleno controle ou
nao se conar totalmente em um equipamento; economica, devido às utuacoes do cambio,
dos custos dos equipamentos, do preco do petroleo, etc. Entretanto, levar-se em conta as incertezas no processo de gerenciamento do reservatorio, aplicando tecnicas estatsticas capazes
de medir os riscos, e, por si so, muito custoso computacionalmente por causa da necessidade
de lidar com muitos modelos que representam os diferentes cenarios incertos e simulacoes
cada vez mais caras.
portanto de grande utilidade a propagacao da incerteza nos parametros do
E
modelo de simulacao (mapas geologicos, controles dos pocos, capacidade dos equipamentos,
preco do petroleo, etc) para a sua sada (e.g. Valor Presente Lquido - VPL). Isto demanda
a execucao de muitas simulacoes do modelo considerando m
ultiplos cenarios. Alem disso,
a tendencia atual de criar modelos cada vez mais detalhados e complexos aumenta ainda
mais o custo dos estudos de incerteza. Isso ca ainda pior se a propagacao de incertezas esta
combinada a um outro processo, como por exemplo otimizacao ou ajuste de historico sob
incerteza.
Este captulo descreve uma tecnica que tem por objetivo baixar o custo computacional da propagacao de incerteza em um modelo de simulacao de alta delidade pela
utilizacao de um metamodelo que consegue prever com um boa acuracia os resultados da
sada de alta delidade. O metodo aqui utilizado esta descrito em (Ng et al., 2013) sendo
que o modelo de alta delidade considerado sera o simulador de reservatorios SIMPAR e o
modelo de baixa delidade, o TPWL. A ideia e propagar a incerteza nos controles (no caso
pressoes de fundo de poco) para a sada do modelo que neste caso e o valor presente lquido
114
5.1. Metodo das Variaveis de Controle
115
obtido no m do tempo de concessao.

importante ressaltar que a incerteza nos controles e pequena se comparada aos
E
parametros geologicos. Entretanto, ainda nao esta disponvel na implementacao do TPWL
aqui implementado, a consideracao de tais parametros. Um esforco neste sentido e encontrado em (He et al., 2013). Alem disso, nao e de todo articial considerar incertezas nos
controles, uma vez que existem erros grandes nas medidas de pressao de fundo (as medicoes
sao normalmente indiretas) e alem disso existem grandes diculdades na aplicacao destes controles, o que traz um certo nvel de desconhecimento sobre quais sao as verdadeiras pressoes
de fundo aplicadas num dado instante de tempo.
O captulo esta dividido em duas partes. A primeira descreve em detalhes a
matematica da tecnica e o algoritmo para a propagacao da incerteza na media e no desvio
padrao. A segunda parte apresenta resultados obtidos com o problema de simulacao de
reservatorios controlado pela pressao de fundo de poco.
5.1
M
etodo das Vari
aveis de Controle
Considere o problema de estimacao do valor esperado de uma variavel aleatoria
X, xref = E [X]. Tome um conjunto de amostras independentes e identicamente distribudas

de X, x1 , x2 , , xn . O estimador Monte Carlo para xref e descrito na Equacao 5.1 e dado
pela media aritmetica dos valores amostrados.
1
xi
n i=1
n
xn =
(5.1)
Considerando x2 a variancia da variavel aleatoria X, pode-se calcular a variancia

no estimador de xref , conforme Equacao 5.2 como medida do erro para este estimador.
[ n
]
1
2
V ar[
xn ] = 2 V ar
xi = x
n
n
i=1
(5.2)
A ideia da tecnica aqui descrita e utilizar a correlacao entre X (que representara

o modelo de alta delidade) e uma variavel aleatoria auxiliar Y (que representara o modelo
de baixa delidade) de forma a reduzir o n
umero de amostras de X necessarias para atingir
uma variancia aceitavel para seu estimador.
5.2. Monte Carlo Multidelidade
116
Sendo assim, sejam y1 , y2 , , yn um conjunto de amostras independentes e identicamente distribudas da variavel aleatoria auxiliar Y cuja media e conhecida yref = E [Y ].
Como E [yref Y ] = 0 o estimador de variaveis de controle (control variate estimator ) para
xref e denido como na Equacao 5.3, onde e um parametro de controle.
xn = xn + (yref yn )
(5.3)
A variancia deste estimador, apos algumas simplicacoes, esta expressa na

Equacao 5.4.
V ar[
xn ] =
1 2
( + 2 Y2 + 2XY X Y )
n X
(5.4)
Na Equacao 5.4, XY e o coeciente de correlacao entre X e Y . O que se quer

e o estimador com menor variancia e, ao minimizar-se V ar[
xn ] com relacao a obtem-se o
valores otimos e V ar[
xn ] das Equacoes 5.5 e 5.6.
= xy
V ar[
xn ] =
X
Y
1
2
(1 2XY )X
.
n
(5.5)
(5.6)
Desta forma observa-se uma reducao da variancia do estimador para xref se Y

nisso que se baseia o metodo de Monte Carlo com
for bastante correlacionado a X. E
multidelidade que e utilizado neste captulo.
5.2
Monte Carlo Multidelidade

Daqui por diante as variaveis aleatorias X e Y serao substitudas respectivamente
por avaliacoes de um modelo de alta e um de baixa delidade. Desta forma, seja a funcao
hhigh (z) um resultado da simulacao do modelo de alta delidade que toma como entrada o
vetor z e retorna a variavel x como sada. No problema da simulacao de reservatorios aqui
considerado, isto representa o VPL calculado pelo SIMPAR considerando-se uma sequencia
de BHPs para todos os pocos. Quando se fala de propagacao de incertezas, o vetor de
entrada representa um vetor aleatorio Z e o objetivo e estimar xref = E [hhigh (z)].
117
Por outro lado, seja a funcao hlow (z) um resultado da simulacao do modelo de
baixa delidade que toma como entrada o mesmo vetor z aplicado ao de alta delidade, mas
retorna a variavel y como sada. No problema em questao, representaria o VPL calculado
atraves da simulacao do modelo de ordem reduzida TPWL/POD treinado anteriormente,
considerando uma sequencia de pressoes de fundo para os pocos. Este modelo e u
til pois e
altamente correlacionado ao de alta delidade.
O procedimento aqui aplicado, descrito em detalhes em (Ng et al., 2013), e resultado da adaptacao da tecnica de variaveis de controle a um contexto onde existem modelos de
m
ultiplas delidades xi = hhigh (zi ) e yi = hlow (zi ), sendo zi amostras i.i.d. da vetor aleatorio
Z que representa os controles dos pocos neste caso. Entretanto, yref = E [hlow (zi )] requerido pela Equacao 5.3 nao e conhecido e sera aproximado por uma media de m simulacoes
ym , considerando m >> n. Note que isto faz com que sejam realizadas m n simulacoes
adicionais do modelo de baixa delidade. Assim, a Equacao 5.3 se transforma na Equacao
5.7.
xn = xn + (
ym yn ) = ym + (
xn yn )
(5.7)
A segunda igualdade mostra que o maior trabalho e realizado sobre o modelo de

baixa delidade cujo resultado deve ser corrigido por um termo de correcao . A variancia
deste estimador multidelidade pode ser obtida pela Equacao 5.8.
V ar[
xn ] =
1 2
1
(X + 2 Y2 + 2XY X Y ) ( 2 Y2 + 2XY X Y )
n
m
(5.8)
Observe que o processo de calculo deste estimador multidelidade x precisa de n

simulacoes de alta delidade e m de baixa. Portanto, alem de determinar o valor otimo para
e possvel distribuir o recurso computacional entre as simulacoes de alta e baixa delidade
de maneira otima (Ng et al., 2013). Com o objetivo de comparar com o metodo de Monte
Carlo tradicional dene-se uma unidade de esforco computacional p contando-se o n
umero
equivalente de simulacoes de alta delidade como mostrado na Equacao 5.9.
pn+
(
m
r)
=n 1+
w
w
(5.9)
Na Equacao 5.9, w e a razao entre o tempo medio de computacao do modelo de

alta delidade e o de baixa delidade. No caso do SIMPAR e do TPWL/POD, esta razao
118
e aproximadamente 400. Alem disso, r = m/n e a razao entre os n

umeros de simulacoes
de baixa e alta delidade. Pode-se re-escrever a variancia do estimador da Equacao 5.8 em
termos de p, r e w conforme Equacao 5.10.
[
(
)
]
1(
r) 2
1
2 2
X + 1
V ar[
xn ] =
1+
( Y + 2XY X Y )
p
w
r
| {z }
(5.10)
1
n
Minimizando V ar[
xn ] em relacao a e r e considerando xo o recurso computacional p, obtem-se como solucao otima e r como exposto na Equacao 5.11.
= xy
X
,
Y
r =
w2XY
1 2XY
(5.11)
A Equacao 5.12 apresenta o valor otimo para o erro, V ar[

xn ] considerando e
r .
ar[
xn ]
1
=
p
(
)[
(
)
]
r
1
2
2
1+
1 1 XY X
.
w
r
(5.12)
Com esta solucao, o que se percebe e que r aloca a maior parte do esforco
computacional para a simulacao do modelo de baixa delidade se este e barato (w e grande)
e/ou acurado (XY e proximo de 1).
Ate este ponto desenvolveu-se uma metodologia para estimar-se a esperanca xref =
possvel aplicar a mesma simulacao Monte Carlo Multidelidade de forma a
E [hhigh (z)]. E
2
estimar outros parametros estatsticos como, por exemplo, V ar[X] = X
= V ar[hhigh (z)],
desde que tomando-se os devidos cuidados para manter a eciencia do metodo. Sendo assim,
como utilizar o que ja foi desenvolvido para a media no calculo da variancia? Seria imediato
utilizar-se a relacao V ar[X] = E [X 2 ] (E [X])2 . Entretanto, apesar de simples, segundo (Ng
et al., 2013), esta abordagem e ingenua por produzir resultados pouco satisfatorios. Isto se
deve ao fato de a correlacao X 2 Y 2 se mostrar pior do que XY . Portanto e melhor utilizar
o algoritmo de calculo da variancia em um passo e descrito em (Knuth, 1997). Para tanto,
denam-se i e i como exposto nas Equacoes 5.13 e 5.14.
5.3. Implementacao do algoritmo
119
(
i =
hhigh (zj )
)
n1
1
hhigh (zi ) n1
hhigh (zj )
n
n1
hhigh (zi )
(
1
n
j=1
(5.13)
j=1
(
i =
hlow (zj )
)
m1
1
hlow (zi ) m1
hlow (zj )
m
m1
hlow (zi )
(
1
m
j=1
(5.14)
j=1
Usando essa denicao para as amostras i e i obtem-se que suas medias representam as variancias desejadas conforme Equacoes 5.15 e 5.16.
V ar[hhigh (z)] = n =
=
V ar[hlow (z)] = m =
=
1
n
1
n1
1
m
i =
(
n
hhigh (zi )
)2
i=1
i=1
1
n
(5.15)
hhigh (zj )
j=1
i =
(
m
hlow (zi )
)2
i=1
1
m1
i=1
1
m
(5.16)
hlow (zj )
j=1
Portanto, pode-se aplicar, a primeira vista, a mesma metodologia desenvolvida

anteriormente para estimar a esperanca de variaveis denidas em 5.13 e 5.14, o que signicaria
a sua variancia. Segundo (Ng et al., 2013), o coeciente de correlacao entre estas variaveis se
mostra mais alto do que se fosse aplicada a relacao com os quadrados das variaveis aleatorias.
Entretanto, i e i nao sao mais independentes, o que viola uma hipotese utilizada na teoria.
Por outro lado, os resultados de (Ng et al., 2013) e os obtidos com o modelo reduzido aqui
estudado mostram que essa abordagem ainda se mostra efetiva.
5.3
Implementac
ao do algoritmo
O algoritmo para a simulacao Monte Carlo Multidelidade e executado de forma
iterativa, incrementando-se o n
umero de amostras de alta delidade e calculando-se os valores
5.3. Implementacao do algoritmo
120
de , r a cada incremento. Na pratica, como as variancias x e y e o coeciente de

correlacao XY sao desconhecidos, o melhor que se pode fazer e calcular os estimadores n e
rn baseados nas n primeiras amostras dos modelos de alta delidade variavel aleatoria X
e baixa delidade variavel Y , conforme Equacoes 5.17, 5.18 e 5.19.
n
n =
(x xn )(yi
i=1
ni
n )2
i=1 (yi y
yn )
(5.17)
rn =
w2n
1 2n
2
[ ni=1 (xi xn )(yi yn )]
n = n
[ i=1 (xi xn )2 ] [ ni=1 (yi yn )2 ]
(5.18)
(5.19)
O processo de simulacao Monte Carlo Multidelidade precisa da escolha de alguns

parametros: uma razao media entre os tempos de computacao dos modelos de alta e baixa
delidade, w, um n
umero de amostras iniciais, n0 , um valor para o incremento no n
umero
de amostras, n , um modelo de alta delidade hhigh (z), que neste caso e o simulador de
reservatorios SIMPAR descrito no captulo 2, um modelo de baixa delidade hlow (z), representado pelo modelo de ordem reduzida TPWL descrito no captulo 3. Tambem e sorteada
uma sequencia pseudo-aleatoria de vetores de entrada zi sobre a distribuicao de Z, que e a
variavel que possui incerteza e que no caso deste trabalho representa os valores de controle
dos pocos, pressoes de fundo em uxo. O algoritmo como proposto em (Ng et al., 2013) e
utilizado nesta dissertacao pode ser descrito pela sequencia de passos abaixo.
1. Sejam nold = 0, mold = 0, l = 0 e n = n0 .
2. Avaliam-se as amostras de alta delidade (simulacao do SIMPAR) para o estimador da
media xi = hhigh (zi ), i = nold + 1, . . . , n.
3. Se l < n, avaliam-se as amostras de baixa delidade (simulacao TPWL) para o estimador da media yi = hlow (zi ), i = l + 1, . . . , n e faz-se l = n.
4. Calculam-se as medias xn e yn , medias de alta e baixa delidade respectivamente.
5. Avaliam-se as amostras para o estimador de variancia i e i , i = nold +1, . . . , n conforme
Equacoes 5.13 e 5.14.
6. Calculam-se n e n , representando as variancias, conforme Equacoes 5.15 e 5.16.
5.4. Resultados obtidos
121
7. Computam-se xn , 2xn , rxn usando {xi , yi }ni=1 e n , 2n , rn utilizando {i , i }ni=1 .

8. Calcula-se o n
umero de avaliacoes de baixa delidade m = n max(
rxn , rn ).
9. Se l < m, avaliam-se as amostras de baixa delidade que faltam para o estimador da
media yi = hlow (zi ), i = l + 1, . . . , m. Faz-se l = m.
10. Calcula-se a media ym .
11. Avaliam-se as amostras de baixa delidade que faltam para o estimador da variancia
i , i = l + 1, . . . , m de acordo com a Equacao 5.14.
12. Calcula-se a media m .
13. Computam-se os estimadores multi-delidade xn e n para media e variancia respectivamente utilizando a Equacao 5.7.
14. Estima-se o erro V ar[
xn ] pela equacao 5.12.
15. Se o erro e grande, faz-se nold = n, mold = m, n < n + n e volta-se ao passo 2.
5.4
Resultados obtidos
Esta dissertacao tem como u
ltimo objetivo avaliar o metodo Monte Carlo Multi-
delidade para propagacao de incertezas no contexto de simulacao de reservatorios de petroleo

utilizando como modelo de ordem reduzida o TPWL/POD desenvolvido no Captulo 3 e
como simulador o SIMPAR descrito no Captulo 2.
Os resultados aqui apresentados utilizaram o modelo SPE10 apresentado no
Captulo 2 tambem utilizado em um processo de otimizacao no Captulo 4. Foram utilizados duas variantes do modelo: a primeira desconsiderando as compressibilidades e com
as densidades iguais para ambos os uidos; a segunda considera as compressibilidades dos
uidos e rocha e as densidades diferentes.
As incertezas aqui consideradas estao associadas à pressao de fundo de poco. Estas
nao sao as mais crticas no gerenciamento de reservatorios uma vez que a grande fonte de
incertezas nesta area e a geologia. Entretanto, ainda nao esta disponvel (por nao fazer parte
do escopo deste trabalho) um modelo de ordem reduzida capaz de avaliar a inuencia de
parametros geologicos como porosidade, permeabilidade, etc. no VPL (He (2010) - Apendice
1 e He et al. (2013) contem um exemplo TPWL considerando linearizacao em torno das
122
transmissibilidades em todas as celulas). Por outro lado, existem sim incertezas associadas
à pressao de fundo de poco uma vez que os modelos de escoamento nao sao perfeitamente
precisos. Alem disso, existem problemas de conabilidade de equipamentos (e. g. bombas
de fundo, gas lift) que quando falham causam variacoes da pressao de fundo e tem inuencia
na producao. Sendo assim, tais estudos possuem boa utilidade.
Neste estudo, as pressoes de fundo dos pocos produtores sao independentes e
uniformemente distribudas entre 2000 psi e 6000 psi. Os pocos injetores cam com pressao
de fundo constante em 12000 psi. O tempo de concessao considerado e de 3000 dias. Os
parametros para calculo do VPL sao os mesmos utilizados nos Captulos 3 e 4: taxa de
retorno de 10 % a. a., preco do oleo de $100 /BBL e custos de injecao e producao de agua de
$10/BBL. O modelo de ordem reduzida foi treinado uma u
nica vez para cada um dos casos
considerados com uma sequencia de 15 controles aleatorios da mesma forma que nos estudos
de acuracia e de otimizacao dos Captulos 3 e 4.
Com relacao à conguracao inicial do algoritmo Monte Carlo Multidelidade,
utilizou-se um n
umero inicial de amostras n0 = 11 e um incremento do n
umero de simulacoes
n = 11 ja que havia 11 processadores disponveis para a simulacao do SIMPAR. Foram
realizada 40 iteracoes do algoritmo, considerando-se assim 440 simulacoes de alta delidade.
A razao entre os tempos de simulacao de alta e baixa delidade w foi calculada pelo tempo
obtido no treinamento e neste caso foi igual a aproximadamente 350 para os dois casos
considerados.
A Figura 5.1 mostra a comparacao de resultados entre o metodo de Monte Carlo
Tradicional e Multidelidade para o caso incompressvel com densidades iguais. Em cada
graco o eixo x representa o esforco computacional pn em simulacoes de alta delidade
equivalentes, aumentando na medida em que se aumenta o n
umero de simulacoes de alta
delidade.
O erro medio quadratico (Root Mean Square Error - RMSE) representado pela
variancia do estimador da esperanca nos dois casos e apresentado na Figura 5.1(a). Nota-se
que esta cai mais rapidamente quando se utiliza o esquema multidelidade.
A estimativa para a media obtida com os dois metodos esta representada na Figura
5.1(b). Observa-se a convergencia entre os dois resultados por causa da intersecao entre os
intervalos de conanca (para um desvio padrao) representados por x e +.
123
10
6.36
Mdia Estimada (MM $)
RMSE
6.34
10
MC Multifidelidade
MC
10
10
10
Esforo Computacional (p)
(a) RMSE (V ar(

xn ))
6.32
6.3
6.28
6.26
6.24
6.22
6.2
10
6.18 1
10
MC Multifidelidade
MC
2
10
Simulaes HF
10
(b) Valor Esperado x

n
Fig. 5.1: Comparacao entre MC Multidelidade e Tradicional - Reservatorio Incompressvel

e Densidades dos Fluidos Iguais
Os parametros de controle do Monte Carlo Multidelidade estao apresentados na

Figura 5.2 para as duas variaveis estimadas: media e variancia. A evolucao da correlacao
com o esforco computacional esta na Figura 5.2(a). Observa-se uma alta correlacao entre os
modelos de alta e baixa delidade (amostras xi e yi ), o que demonstra que o TPWL/POD
e uma boa representacao aproximada para a simulacao deste reservatorio com o SIMPAR.
Entretanto, a correlacao para a estimativa da variancia (amostras i e i ) e menor.
A razao r entre o n
umero de simulacoes de alta e baixa delidades e mais alta
para a estimativa media do que para a variancia devido à correlacao mais alta. O valor
utilizado deve ser o maximo entre os dois e utuou em torno de 40, conforme mostrado na
Figura 5.2(b). Conrma-se tambem a reducao no parametro de correcao a medida que o
processo evolui ja que, como se espera, quando o n
umero de amostras n , tem-se que
yn yref ym .
Por outro lado, os resultados mudam razoavelmente ao considerar-se o reservatorio
compressvel e as densidades dos uidos diferentes. Isto aumenta bastante a nao linearidade
do problema, interferindo na qualidade dos resultados. Alem disso, conforme visto nos resultados de acuracia do TPWL/POD no Captulo 3, o erro da aproximacao pode, nestes casos,
depender muito da sequencia de treinamento, levando ao aparecimento de algum vies.
124
65
1
Mdia
Varincia
Mdia
Varincia
60
55
0.95
50
0.9
45
40
0.85
35
30
0.8
25
0.75 1
10
10
Simulaes HF
20 1
10
10
(a) Correlac
ao (XY )
10
Simulaes HF
10
(b) Razao de no. de Sims (r)
0.9
Mdia
Varincia
0.8
0.7
0.6
0.5
0.4 1
10
10
Simulaes HF
10
(c) Correcao
Fig. 5.2: Evolucao dos Parametros do MC Multidelidade para Estimacao da Media e da

Variancia - Reservatorio Incompressvel e Densidades dos Fluidos Iguais
A Figura 5.3 mostra a comparacao de resultados entre o metodo de Monte Carlo

Tradicional e Multidelidade para o caso compressvel com densidades diferentes. Para
obterem-se tais resultados, utilizou-se os mesmos valores de compressibilidades utilizados nos
Captulos 3 e 4: compressibilidade do oleo co = 3 106 psi1 , da agua cw = 1 106 psi1
e da rocha co = 1 107 psi1 . A diferenca nas densidades dos uidos foi de 5 lbm/ft3 .
Observa-se que o ganho na velocidade de convergencia (reducao do erro) para a
estimativa da media ao comparar-se com o Monte Carlo tradicional e menor do que no caso
incompressvel. Isto ocorre devido à menor correlacao entre o modelo de ordem reduzida e o
real. A evolucao do erro com o custo computacional se apresenta na Figura 5.3(a).
125
Por outro lado, observa-se na Figura 5.3(b) que com este n

umero de simulacoes,
as estimativas para a media calculadas pelos dois metodos ainda nao convergiram para um
desvio padrao (observando-se os intervalos marcados po x e + no m do graco). Isto pode se
dever ao vies criado pela dependencia dos controles de treinamento ou ao n
umero insuciente
de simulacoes.
6.5
1.1
10
MC Multifidelidade
MC
Mdia Estimada (MM $)
6.45
1.3
RMSE
10
1.5
10
1.7
10
6.4
6.35
6.3
6.25
6.2
MC Multifidelidade
MC
1.9
10
10
10
Esforo Computacional (p)
(a) RMSE (V ar(

xn ))
10
6.15 1
10
10
Simulaes HF
10
(b) Valor Esperado x

n
Fig. 5.3: Comparacao entre MC Multidelidade e Tradicional - Reservatorio Compressvel

e Densidades dos Fluidos Diferentes
Os parametros de controle do metodo multidelidade para o caso compressvel
estao apresentados na Figura 5.4. Observa-se de fato na Figura 5.4(a) um expressiva reducao
da correlacao entre o modelo de alta e baixa delidade xy quando comparadas com o caso
incompressvel. Isto demonstra que a aproximacao TPWL/POD perde qualidade devido à
inclusao das nao linearidades no problema. Mas o que chama a atencao e que a correlacao
entre as amostras para estimacao da variancia e bem reduzida.
Devido a esta reducao na correlacao, observa-se tambem um reducao da razao r
entre o n
umero de simulacoes de alta e baixa delidade que utuou em torno de 16 conforme
Figura 5.4(b). Isto mostra que no caso incompressvel com densidades diferentes a reducao do
custo computacional para estimacao dos parametros e menor do que no caso incompressvel
com densidades iguais devido a menor qualidade da aproximacao de ordem reduzida.
126
25
0.8
Mdia
Varincia
Mdia
Varincia
0.7
20
0.6
15
0.5
0.4
10
0.3
5
0.2
0.1 1
10
10
Simulaes HF
0 1
10
10
(a) Correlac
ao (XY )
10
Simulaes HF
10
(b) Razao de no. de Sims (r)
0.4
Mdia
Varincia
0.35
0.3
0.25
0.2
0.15
0.1
0.05 1
10
10
Simulaes HF
10
(c) Correcao
Fig. 5.4: Evolucao dos Parametros do MC Multidelidade para Estimacao da Media e da

Variancia - Reservatorio Compressvel e Densidades dos Fluidos Diferentes
Finalmente, o que se observa na Figura 5.4(c) e que o parametro de correcao

e pequeno pois, com a qualidade menor da aproximacao, a inuencia do modelo de baixa
delidade no estimador deve ser menor. Nota-se que para o estimador da variancia, esta
inuencia sera ainda menor devido a seus baixos nveis de correlacao.

6. CONCLUSOES
E TRABALHOS
FUTUROS
Este trabalho de mestrado estudou a tecnica Trajectory Piecewise Linearization
combinada a Proper Orthogonal Decomposition como modelo de ordem reduzida aplicado
ao gerenciamento de reservatorios de petroleo. O metodo foi aplicado aos processos de otimizacao de controles de pocos e de propagacao de incertezas nestes controles.
Neste captulo, e apresentado um breve resumo sobre os resultados e algumas
conclusoes sobre o uso e a robustez das aplicacoes serao apresentadas. Alem disso, algumas
sugestoes de trabalhos futuros serao mostradas com base nos problemas enfrentados, nas
limitacoes percebidas e nas ideias levantadas durante o desenvolvimento do trabalho.
Todas as tecnicas aqui combinadas tiveram origem em trablhos de outros contex importante portanto ressaltar que o presente trabalho pode ser aplicado a outras areas
tos. E
do conhecimento, tanto na engenharia de reservatorios como em outros ramos da engenharia.
6.1
Resultados e conclus
oes
Os principais resultados estao resumidos na lista a seguir.
Estudou-se uma formulacao black-oil ligeiramente diferente daquela implantada nos

simuladores comerciais. Esta e baseada em fracoes massicas e esta incorporada no
simulador de reservatorios utilizado neste trabalho. Tal simulador e chamado SIMPAR,
foi desenvolvido pela PETROBRAS na decada de 90 e teve seu codigo aberto para
identicacao dos pontos necessarios para a exportacao de dados de mapas de estados e
derivadas.
Foram construdos dois modelos de reservatorios para os testes das aplicacoes: um ba127
6.1. Resultados e conclusoes
128
seado em corte do SPE10 e outro derivado da conversao da malha do modelo de Brugge

para cartesiana. Os resultados deste simulador foram comparados com os obtidos com
o IMEX da CMG para validacao em dois modelos diferentes.
Foi desenvolvido um modelo substituto de ordem reduzida baseado nas tecnicas de
Trajectory Piecewise Linearization (TPWL) combinada ao Proper Orthogonal Decomposition (POD) em Matlab. Tal modelo foi utilizado para reduzir o tempo de simulacao
de reservatorios utilizando o SIMPAR, conseguindo-se speedups da ordem de 350.
A tecnica TPWL/POD ja havia sido aplicada ao problema de simulacao oleo-agua de
reservatorios em sua formulacao por saturacoes. O fato de o simulador utilizado considerar fracoes massicas como variaveis primarias nao alterou a qualidade dos resultados.
Tambem utilizou-se neste desenvolvimento a projecao de Petrov-Galerkin em lugar de
Bubnov-Galerkin. Sendo assim, para solucionar-se o sistema de equacoes de ordem
reduzida, pre-multiplicam-se as derivadas reduzidas por T (J i+1 )T em lugar de T ,
onde e a base do POD e J i+1 e o jacobiano do estado gravado mais proximo. O uso
desta projecao transforma a solucao por mnimos quadrados e foi capaz de estabilizar
o TPWL/POD. De fato, depois da decisao de utiliza-la, nenhum problema de instabilidade foi experimentado. Ate entao, a literatura apontava como principal problema
da tecnica uma certa instabilidade, que parece ser resolvido pela utilizacao da projecao
oblqua em lugar da ortogonal.
Foi proposto que o uxo de trabalho de treinamento do modelo reduzido somente
contivesse uma u
nica simulacao com controles escolhidos aleatoriamente e ciclos de
controle mais curtos que o problema a ser resolvido. A troca aleatoria e frequente dos
controles proporciona uma boa exploracao do espaco de estados e permitiu atingir-se
um nvel de erro aceitavel para a aproximacao.
A escolha de uma u
nica simulacao para o treinamento se deve ao interesse de que nao
se espera que o modelo reduzido seja perfeito, ja que podera ser retreinado quando
necessario, acrescentando-se assim uma nova trajetoria ao conjunto de estados. Isto
permite uma razoavel reducao no tempo de simulacao para o treinamento, mas pode
vir a acrescentar um tempo de retreinamento durante um processo de otimizacao.
Observou-se que, ao considerarem-se uidos e rochas incompressveis e nenhuma diferenca nas densidades do uidos, o problema e pouco nao-linear, proporcionando que os
resultados obtidos com o modelo substituto TPWL/POD sejam praticamente perfei-
6.1. Resultados e conclusoes
129
tos quando comparados aos obtidos com o simulador com erros da ordem de 3%, sem
nenhum retreinamento.
Ao acrescentarem-se primeiro a diferenca de densidades dos uidos e depois as compressibilidades, fazendo do modelo mais realista, observa-se uma degradacao da qualidade
dos resultados obtidos pelo modelo reduzido, atingindo-se um patamar de erro de 10%,
mesmo apos retreinamento. Isto se deve à forte nao-linearidade do problema.
O parametro de erro do TPWL/POD representa uma tentativa de medir a distancia
no espaco reduzido da trajetoria simulada e a trajetoria gravada utilizada. O criterio
de retreinamento baseado num valor maximo para esta distancia evitou retreinamento
excessivo, em situacoes onde o parametro de controle do MSAO se mostrava baixo por
causa da proximidade do ponto de otimo.
Foi construdo um algoritmo multidelidade de otimizacao sequencial aproximada
(MSAO) que foi aplicado ao problema de otimizacao do VPL controlando-se as pressoes
de fundo dos pocos. Este algoritmo resolve o problema de otimizacao como uma
sequencia de problemas aproximados resolvidos no interior de uma regiao de conanca
que e atualizada a cada iteracao. A aproximacao utilizada e o modelo TPWL/POD
corrigido por uma krigagem obtida com algumas amostras dos controles na regiao de
conanca.
O algoritmo MSAO aqui desenvolvido obteve resultado com maior VPL do que o obtido
com o acoplamento do simulador diretamente ao algoritmo de programacao sequencial
quadratica (SQP) em um dos problemas estudados. Isto se deve a alguma descontinuidade existente na funcao-objetivo que e suavizada devido à aplicacao da krigagem.
A correcao aplicada ao modelo de ordem reduzida TPWL/POD que obteve melhor
resposta foi o kriging com polinomio interpolador de primeiro grau. Isto se deve ao
fato de haver uma certa dependencia linear entre o erro da aproximacao e a sequencia
de controles utilizada.
Foi construdo tambem um algoritmo Monte Carlo Multidelidade baseado na tecnica
estatstica das variaveis de controle. Este foi utilizado para a estimacao da media e
desvio padrao do VPL considerando-se incertas as pressoes de fundo dos pocos. O
modelo reduzido foi utilizado para reduzir-se o n
umero de execucoes do simulador. O
fator de reducao no n
umero de simulacoes e calculado baseado na correlacao entre os
resultados de alta e baixa delidade e a razao entre os custos computacionais.
6.2. Sugestoes de Trabalhos Futuros
130
O algoritmo Monte Carlo Multidelidade foi aplicado ao modelo baseado no SPE10

e conseguiu obter melhores estimativas para a media e desvio padrao com um menor
n
umero de execucoes do SIMPAR quando comparado ao metodo Monte Carlo classico.
Entretanto, os resultados foram melhores com a versao sem compressibilidades de uidos e rocha e com densidades iguais. Ao considerarem-se as compressibilidades e a
diferenca nas densidades, a correlacao do TPWL/POD com o SIMPAR se reduz bastante o que faz com que o algoritmo necessite de mais execucoes do simulador.
6.2
Sugest
oes de Trabalhos Futuros
Algumas sugestoes de trabalhos futuros para dar continuidade a esta pesquisa e
acrescentar mais conhecimento a esta area estao listadas abaixo.

Analisar em mais detalhes a estabilidade o metodo TPWL/POD, dando um enfoque
mais matematico e resultando em um criterio de estabilidade.
Fazer a analise de erro do TPWL/POD de modo a obter um criterio de retreinamento
mais robusto.
Implementar a possibilidade de controlar os pocos por vazao no modelo TPWL/POD.
Utilizar o TPWL/POD para representar de maneira aproximada as restricoes de pressao
mnima de fundo de poco em um problema de otimizacao do VPL com controles de
vazao.
Aplicar o TPWL/POD ao calculo de gradientes aproximados em algoritmos de otimizacao baseados em derivadas.
Substituir a krigagem por uma rede neural no algoritmo MSAO.
Considerar, alem dos controles de pocos, a variacao de parametros geologicos na formulacao do TPWL/POD (em (He, 2010; He et al., 2013) encontra-se um estudo para
transmissibilidades), implementando assim um modelo susbtituto a ser utilizado em
estudos de analise de incertezas geologicas e ajuste de historico.
Utilizar a tecnica das variaveis de controle e a ideia anterior para propagacao de incertezas geologicas e otimizacao sob incertezas.

REFERENCIAS
S. M. B. Afonso, B. Horowitz, and M. F. da Silva. Performance of a physical surrogate in the
sequential approximate optimization of space trusses. International Journal for ComputerAided Engineering and Software, 2011.
M. N. Albunni, V. Rischmuller, T. Fritzsche, and B. Lohmann. Model-order reduction of
moving nonlinear electromagnetic devices. IEEE Transactions on Magnetics, 2008.
N. Alexandrov, J. E. D. Jr, R. M. Lewisand, and V. Torczon. A trust region framework
for managing the use of approximation models in optimization. Technical report, NASA,
Hampton, VA, USA, 1997.
A. H. Alhuthali, A. Datta-Gupta, B. Yuen, and J. P. Fontanilla. Field applications of waterooding optimization via rate control with smart wells. In SPE Reservoir Simulation
Symposium, 2009. SPE 118948-PA.
L. F. Almeida, M. M. B. R. Vellasco, and M. A. C. Pacheco. Optimization system for valve
control in intelligent wells under uncertainties. Journal of Petroleum Science and Engineering,
2010.
M. Asadollahi and G. Naevdal. Selection of decision variables for large-scale production
optimization problems applied to the brugge eld. In SPE Russian Oil and Gas Conference
and Exhibition, 2010. SPE 136378-MS.
M. C. Biggs. Constrained minimization using recursive quadratic programming. Towards
Global Optimization (L.C.W. Dixon and G.P. Szergo, eds.), 1979.
D. R. Brower and J. D. Jansen. Dynamic optimization of waterooding with smart wells
using optimal control theory. SPE Journal, 2004. SPE 78278-PA.
M. A. Cardoso. Development and application of reduced-order modeling procedures for reservoir simulation. PhD thesis, Stanford University, 2009.

REFERENCIAS
132
M. A. Cardoso and L. J. Durlofsky. Linearized reduced-order models for subsurface ow

simulation. Journal of Computational Physics, Vol. 229(No. 3):pp. 681700, 2010.
K. Carlberg, C. Bou-Mosleh, and C. Farhat. Ecient nonlinear model reduction via a leastsquares petrov-galerkin projection and compressive tensor approximations. International
Journal for Numerical Methods in Engineering, 2009.
CENPES. Simpar 2.0 - Manual do Usuario. Petrobras/CENPES, 1995.
CENPES and ESSS. Cyclope - Manual do usuario. Petrobras/CENPES e ESSS, 2012.
S. Chaturantabut and D. C. Sorensen. Discrete empirical interpolation for nonlinear model
reduction. In 48th IEEE Conference, Dez/2009.
C. Chen, Y. Wang, G. Li, and A. C. Reynolds. Closed-loop reservoir management on the
brugge test case. Computational Geosciences, 2010.
C. Chen, G. Li, and A. C. Reynolds. Robust constrained optimization of short and long-term
net present value for closed-loop reservoir management. SPE Journal, 2012. SPE 141314-MS.
Y. Chen and D. S. Oliver. Ensemble-based closed-loop optimization applied to brugge eld.
SPE Reservoir Evaluation Engineering, 2010. SPE 118926-MS.
M. A. Christie and M. J. Blunt. Tenth spe comparative solution project: A comparison of
upscaling techniques. SPE Reservoir Evaluation and Engineering, 2001. SPE 66599-MS.
CMOST. CMOST - Users Guide. Computer Modeling Group Ltd., Calgary, Alberta, Canada, 2012.
A. R. Conn, K. Scheinberg, and L. N. Vicente. Introduction to derivative-free optimization.
In SIAM, Philadelphia,USA, 2009.
M. F. da Silva. Estrategias de aproximacao para a otimizacao estrutural. Masters thesis,
Universidade Federal de Pernambuco, 2009.
T. Ertekin, J. H. Abou-Kassem, and G. R. King. Basic Applied Reservoir Simulation. Society
of Petroleum Engineering - SPE, 2011.
A. I. J. Forrester, A. Sobester, and A. J. Keane. Engineering Design via Surrogate Modelling:
a Practical Guide. Wiley, 2008.

REFERENCIAS
133
E. Gildin, M. Ghasemi, A. Protasov, and Y. Efendiev. Nonlinear complexity reduction for fast
simulation of ow in heterogeneous porous media. In SPE Reservoir Simulation Symposium,
2013. SPE 163618-MS.
A. A. Giunta. Use of data sampling, surrogate models, and numerical optimization in engineering design. In 40th AIAA Aerospace Sciences Meeting and Exhibit, 2002. AIAA 2002-0538.
A. A. Giunta and M. S. Eldred. Implementation of a trust region model management strategy in the dakota optimization toolkit. In 8th AIAA/USAF/NASA/ISSMO Symposium on
Multidisciplinary Analysis and Optimization, 2000. AIAA 2000-4935.
P. W. Glynn and R. Szechtman. Some New Perspectives on the Method of Control Variates,
in Monte Carlo and Quasi-Monte Carlo Methods. Springer-Verlag, Berlin, Germany, 2000.
HDFGroup. Hdf5 tutorial. http://www.hdfgroup.org/HDF5/Tutor/, 2014. Accessed: 201403.
J. He. Enhanced linearized reduced-order models for subsurface ow simulation. Masters
thesis, Stanford University, 2010.
J. He and L. J. Durlofsky. Reduced-order modelling for compositional simulation using
trajectory piecewise linearization. In Reservoir Simulation Symposium, The Woodlands,
Texas, USA, 2013. SPE 163634-MS.
J. He, J. Saetrom, and L. J. Durlofsky. Enhanced linearized reduced-order models for subsurface ow simulation. Journal of Computational Physics, Vol. 230(No. 23):pp. 83138341,
2011.
J. He, P. Sarma, and L. Durlofsky. Reduced-order modeling and geological parametrization
for ensemble-based data assimilation. Computers and Geosciences, Vol. 55, 2013.
B. Horowitz, S. M. B. Afonso, C. V. P. Mendonca, and R. B. Willmersdorf. Rate control optimization of waterooding management. International Journal of Modeling and Simulation
for the Petroleum Industry, 2012.
B. Horowitz, S. M. B. Afonso, and C. V. P. de Mendonca. Surrogate based optimal water
ooding management. Journal of Petroleum Science and Engineering, 2013.
J. D. Jansen. Adjoint-based optimization of multiphase ow through porous media - a review.
Computational Fluids, 2011.

REFERENCIAS
134
I. T. Jollie. Principal Component Analysis. Springer-Verlag, New York, 2 edition, 2002.

D. R. Jones, M. Schonlau, and W. J. Welch. Ecient global optmization of expensive blackbox functions. Journal of Global Optimization, 1998.
D. E. Knuth. The Art of Computer Programming, volume 2. Addison-Wesley, Massachussets,
3 edition, 1997.
D. G. Krige. A statistical approach to some mine valuations and allied problems at the
witwatersrand. Masters thesis, University of Witwatersrand, 1951.
J. Li and D. Xiu. Evaluation of failure probability via surrogate models. Journal of Computational Physics, 2010.
S. N. Lophaven, H. B. Nielsen, and J. Sndergaard. DACE - A MATLAB Kriging Toolbox.
IMM Technical University of Denmark, 2002.
C. R. Maliska, A. F. C. da Silva, A. O. Czesnat, R. M. Lucianetti, and C. R. M. Junior.
Three-dimensional multiphase ow simulation in petroleum reservoirs using the mass fractions as dependent variables. In Fifth Latin American and Caribean Petroleum Engineering
Conference and Exhibition. Society of Petroleum Engineering - SPE, 1997. SPE 39067-MS.
R. Markovinovic. System-theoretical model reduction for reservoir simulation and optimization. PhD thesis, Technische Universiteit Delft, 2003.
G. Matheron. Principles of geostatistics. Economic Geology, 1963.
Mathworks. Optimization ToolboxTM . Users Guide. Mathworks, 2012.
N. Muller, L. Magaia, and B. M. Herbst. Singular value decomposition, eigenfaces, and 3d
reconstructions. SIAM Review, 2004.
B. L. Nelson. Control variate remedies. Operations Research, vol 38(no. 6), Nov-Dez/1990.
L. W. T. Ng and M. S. Eldred. Multidelity uncertainty quantication using non-intrusive
polynomial chaos and stochastic collocation. In 53rd AIAA/ASME/ASCE/AHS/ASC Structures, Structural Dynamics and Materials Conference, Honolulu, HI, 2012.
L. W. T. Ng, D. B. P. Huynh, and K. E. Willcox. Multidelity uncertainty propagation for
optimization under uncertainty. In SIAM/ASA Journal on Uncertainty Quantification, 2013.

REFERENCIAS
135
D. F. Oliveira. Production optimization techniques for petroleum reservoirs: Derivative

free approaches to dynamic rate allocation for injection and production. Masters thesis,
Universidade Federal de Pernambuco, 2006.
D. W. Peaceman. Interpretation of well-block pressures in numerical reservoir simulation with
nonsquare grid blocks and anisotropic permeability. SPE Journal, 1983. SPE 10528-PA.
E. Peters, R. J. Arts, G. K. Brower, C. R. Geel, S. Cullick, R. J. Lorentzen, Y. Chen, K. N. B.
Dunlop, F. C. Vossepoel, R. Xu, P. Sarma, A. H. Alhutali, and A. C. Reynolds. Results of the
brugge benchmark study for ooding optmization and history matching. In SPE Reservoir
Simulation Symposium, 2010. SPE 119094-MS.
M. J. D. Powel. Algorithms for nonlinear constraints that use lagrangian functions. Mathematical Programming, 14, 1978.
N. V. Queipo, J. V. Goicochea, and P. Pintos. Surrogate modeling-based optimization of
sagd process. Journal of Petroleum Science and Engineering, 2002.
M. J. Rewienski. A trajectory piecewise-linear approach to model order reduction of nonlinear
dynamical systems. PhD thesis, Massachusets Institute of Technology, 2003.
J. R. P. Rodrigues and L. Bonet. Desenvolvimento de um simulador black-oil. Technical
report, Petrobras/CENPES, 1991.
P. Sarma, W. H. Chen, L. J. Durlofsky, and K. Aziz. Production optimization with adjoint
models under nonlinear control-state path inequality constraints. SPE Reservoir Evaluation
Engineering, 2008. SPE 99959-PA.
S. A. Souza, S. M. B. Afonso, and B. Horowitz. Optimal management of oil production
using the particle swarm algorithm and adaptive surrogate models. In XXXI Iberian LatinAmerican Congress on Computational Methods in Engineering, Buenos Aires, 2010.
P. K. W. Vinsome. Orthomin, an iterative method for solving sparse sets of simultaneous
linear equations. In Fourth Symposium of Numerical Simulation of Reservoir Performance,
Los Angeles, CA, USA, 1976. SPE 5729.
C. Wang, G. Li, and A. C. Reynolds. Production optimization in closed-loop reservoir
management. SPE Journal, 2009. SPE 109805-PA.

REFERENCIAS
136
Y. Xia and A. C. Reynolds. An optimization algorithm based on combining nite dierence

approximations and stochastic gradients. In SPE Reservoir Simulation Symposium, 2013.
SPE 163613-MS.
H. Zhao, C. Chen, S. Do, G. Li, and A. Reynolds. Maximization of a dynamic quadratic
interpolation model for production optimization. In SPE Reservoir Simulation Symposium,
2011. SPE 141317-MS.

Aplicações de Um Modelo Substituto de Ordem Reduzida

Transféré par

Informations du document

Description originale:

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Aplicações de Um Modelo Substituto de Ordem Reduzida

Transféré par

Droits d'auteur :

Formats disponibles

Universidade Federal de Pernambuco

Centro de Tecnologia e Geociencias

Manuel Fragoso Machado Junior

Universidade Federal de Pernambuco

Manuel Fragoso Machado Junior

Orientador: Prof. Dr. Bernardo Horowitz

Machado Junior, Manuel Fragoso.

UNIVERSIDADE FEDERAL DE PERNAMBUCO

ESTUDOS DE GERENCIAMENTO DE RESERVATORIOS

defendida por Manuel Fragoso Machado Junior

Recife, 28 de maio de 2014

Dedico este trabalho aos meus queridos amigos e familiares

Agradeco tambem ao Prof. Ezio

A imaginacao e mais importante que a ciencia,

Palavras-Chave: Modelo de ordem reduzida. Trajectory piecewise linearization. Simulacao

Volume de controle e seus vizinhos . . . . . . . . . . . . . . . . . . . . . . . .

Comparacao de resultados do SIMPAR com IMEX - Modelo SPE10 - Modicado 45

Modelo de Brugge Modicado. Mapa de permeabilidades na direcao x. . . . .

Comparacao de resultados do SIMPAR com IMEX . . . . . . . . . . . . . . .

Regiao Validade do TPWL em torno da trajetoria de treinamento . . . . . . .

Funcionamento do POD - Consideram-se somente as direcoes de maior variabilidade . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

Sequencia de controles de treinamento (pressoes de fundo) aplicados aos pocos

Valores singulares dispostos em ordem decrescente - Modelo SPE10-Modicado

Comparacao do VPL calculado pelo SIMPAR e pelo TPWL/POD para o modelo

Comparacao do VPL calculado pelo SIMPAR e pelo TPWL/POD para o modelo

Vazao de oleo dos pocos - SPE10 - Modicado compressvel e com densidades

Comparacao do VPL calculado pelo SIMPAR e pelo TPWL/POD para o modelo

Hipercubo latino 2D com 4 amostras . . . . . . . . . . . . . . . . . . . . . . .

Esquema de amostragem e atualizacao da regiao de conanca no algoritmo MSAO 96

Evolucao do processo de otimizacao nas iteracoes do algoritmo - Modelo SPE10

Vazoes totais do campo obtidas no processo de otimizacao SPE10 - Modicado106

Pressoes de fundo dos pocos produtores otimizadas - Modelo SPE10 - Modicado107

Comparacao do VPL obtido durante o processo de otimizacao - 1a Iteracao SPE10 - Modicado . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

Comparacao do VPL obtido durante o processo de otimizacao - 2 Iteracao SPE10 - Modicado . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

Comparacao do VPL obtido durante o processo de otimizacao - 3a Iteracao SPE10 - Modicado . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

Valores singulares dispostos em ordem decrescente - Modelo Brugge-Modicado 110

Evolucao do processo de otimizacao nas iteracoes do algoritmo - Modelo SPE10

Vazoes totais do campo obtidas no processo de otimizacao Brugge - Modicado113

Comparacao entre MC Multidelidade e Tradicional - Reservatorio Incompressvel

Evolucao dos Parametros do MC Multidelidade para Estimacao da Media e da

Comparacao entre MC Multidelidade e Tradicional - Reservatorio Compressvel

Evolucao dos Parametros do MC Multidelidade para Estimacao da Media e da

Comparacao de volumes in place calculados pelos simuladores . . . . . . . . .

Sequencias de controles utilizadas no estudo . . . . . . . . . . . . . . . . . . .

RMSD percentual para os dois casos considerados . . . . . . . . . . . . . . . .

Otimizacao do VPL utilizando diferentes esquemas - SPE10 com 4 ciclos de

Otimizacao do VPL em diferentes esquemas - Brugge-Modicado com 3 ciclos

Discretizacao das equacoes de uxo . . . . . . . . . . . . . . . . . . . . . . . .

Calculo das vazoes dos pocos . . . . . . . . . . . . . . . . . . . . . . . . . . . .

Calculo do Valor Presente Lquido . . . . . . . . . . . . . . . . . . . . . . . . .

Comparacao com simulador comercial . . . . . . . . . . . . . . . . . . . . . . .

Modelo de Ordem Reduzida

Linearizacao utilizando TPWL . . . . . . . . . . . . . . . . . . . . . . . . . .

Exportacao de mapas de estados e derivadas . . . . . . . . . . . . . . . . . . .

Reducao de dimensao - Proper Orthogonal Decomposition (POD) . . . . . . .

3.3.1 Descricao do POD . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

3.3.2 Decomposicao em Valores Singulares . . . . . . . . . . . . . . . . . . . . . . .

Modelo de Ordem Reduzida - TPWL/POD . . . . . . . . . . . . . . . . . . .

Comparacao com o modelo de alta delidade . . . . . . . . . . . . . . . . . . .

Algoritmos de Otimizacao baseados em Modelos Substitutos . . . . . . . . . .

Amostragem por Hipercubo Latino . . . . . . . . . . . . . . . . . . . . . . . .

Algoritmo SAO Multidelidade . . . . . . . . . . . . . . . . . . . . . . . . . .