Académique Documents
Professionnel Documents
Culture Documents
Aplica
c
oes de um modelo substituto de ordem reduzida
a estudos de gerenciamento de reservat
orios de petr
oleo
Recife/2014
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.
Recife/2014
Catalogao na fonte
Bibliotecria Margareth Malta, CRB-4 / 1198
M149a
UFPE
624 CDD (22. ed.)
BCTG/2012-304
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
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
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.
Muito obrigado tambem `as 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 `a 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 `as 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 `a minha noiva Elaine Andrade, pelo amor, carinho e
paciencia que a mim ela dedica. Tambem `a minha mae, que nao so me deu a vida, mas me
da todo o apoio em todas as minhas escolhas.
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 `as 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 `a 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 `a 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.
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
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
2.4
47
2.5
48
3.1
55
3.2
3.3
63
74
3.4
75
3.5
3.6
. . . . . . .
3.7
. . . . .
. . . . .
80
4.1
79
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
93
4.3
4.4
4.5
105
4.6
4.7
4.8
4.9
108
108
109
4.10
4.11
112
4.12
5.1
5.2
5.3
124
5.4
123
125
126
Lista de Tabelas
2.1
49
3.1
77
3.2
81
4.1
4.2
103
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
37
2.3
40
2.4
42
2.5
43
3.
50
3.1
51
3.2
56
3.3
59
60
63
3.4
64
3.5
Detalhes de Implementacao . . . . . . . . . . . . . . . . . . . . . . . . . . . .
69
3.6
73
4.
Aplicac
ao em Otimizac
ao
85
4.1
87
4.2
Modelos de Kriging . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
88
4.3
92
4.4
93
4.5
Detalhes de Implementacao . . . . . . . . . . . . . . . . . . . . . . . . . . . .
99
4.6
100
101
109
5.
Aplicac
ao em Propagac
ao de Incertezas
114
5.1
115
5.2
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
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 `a 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 `as 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-
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 `a 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
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 `as 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
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 `a 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
23
1.3
Organizac
ao da Dissertac
ao
A dissertacao foi dividida em quatro partes que correspondem exatamente aos
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 `a deducao da equacao de uxo e `a sua discretizacao e a outros aspectos importantes, como modelo de poco e as denicoes de grandezas
basicas na simulacao, sempre atendo-se `as 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.
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
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 `a 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
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 `a 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
31
(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 `a 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)
(2.5)
(2.6)
vx =
(2.7)
Aqui dene-se o potencial hidraulico conforme a Equacao 2.8 em funcao da profundidade D em relacao `a uma referencia, `a 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)
kx
K=
0
ky
kz
(2.11)
() + m
s=
( )
t
(2.12)
34
( m ) (w w + o o ) + mw + m o = 0
t
(2.13)
( zw m ) (w w ) + mw = 0
t
(2.14)
w = po Pcow w D
(2.15)
o = po o D
(2.16)
35
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)
0
kro
krw =
0
krw
1 Sw Sor
1 Swc Sor
)a
1 Sw Swc
1 Swc Sor
(2.19)
)b
(2.20)
36
0
krw
- ponto terminal para permeabilidade relativa da agua, medido na saturacao 1Sor ;
onde l,st
(2.21)
bolha.
l = l,b +
(po pb ),
p
(2.22)
(2.23)
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 `a 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 `a 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
(
)
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)
39
l krl
,
l
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)
ki+ 1 =
2
2ki ki+1
ki + ki+1
(2.31)
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
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 `a
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)
ijk =
krlijk
lijk
f =o,w
krfijk
fijk
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 .
41
n+1
pn+1
wfijk = pwfijNz +
N
z 1
(2.35)
r=k
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
(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 `as 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
42
2.4
C
alculo do Valor Presente Lquido
Por m, o simulador sera utilizado para a previsao do Valor Presente Lquido
V PL =
nt
nw
t=1 w=1
1
(1+j)t
(2.39)
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
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 `as conguracoes numericas, mas tambem `a 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
Fig. 2.3: Comparacao de resultados do SIMPAR com IMEX - Modelo SPE10 - Modicado
46
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.
48
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
49
oleo e de agua devida `a 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
1,318 108
1,387 108
1,388 108
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 `a 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
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 `a 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
(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)
53
i+1
gi+1
=
xi+1
(3.3)
(3.4)
(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
Ai
.
xi
i+1
xi
ti+1 xi
(3.6)
gi+1
ui+1
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)
Ai+1
xi
Qi+1
ui+1
(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.
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 ;
56
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
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
Ai+1
xi
)
=
N
VN
ti+1
m
m p
+
po
o
zw m p
o
Ai+1
xi
m
zw
po
m
zw
m
zw
zw
+ m
(3.11)
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)
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 `a 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.
(3.14)
M
1
xi T xi
M i=1
Q() =
61
(3.15)
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)
)(xi x
)T
R=
XX =
(xi x
M
M i=1
(3.18)
(3.19)
62
X = T X
(3.20)
X X +1
(3.21)
z = T x
(3.22)
63
(3.23)
X XT U = U T
(3.24)
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)
3.4
1 2
(3.27)
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 `a 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 `a 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)
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)
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
( 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)
68
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
69
(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 `a parte do vetor de estados
correspondente `as 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
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 `a 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 `as 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 `as 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 `a 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
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.
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
74
5500
5000
4500
4000
3500
3000
2500
2000
0
W1
500
W2
1000
W3
1500
W4
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
10
10
10
10
10
10
10
100
200
300
400
(a) Pressao
500
600
700
10
100
200
300
400
500
600
700
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 `a 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
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
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
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
`a 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 `as Figuras 3.5 e 3.6. Ocorrem resultados ainda mais discrepantes
entre TPWL e SIMPAR devido `a 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
Fig. 3.6: Comparacao do VPL calculado pelo SIMPAR e pelo TPWL/POD para o modelo
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
Fig. 3.7: Comparacao do VPL calculado pelo SIMPAR e pelo TPWL/POD para o modelo
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 `a 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
RM SD =
v
uN (
u V P LROM V P LREF )2
u
V P LREF
t i=1
N
100%
(3.35)
Dens. Dif.
Sem Retreinamento
3, 06
8, 83
11, 17
Retreinamento na 1a sim.
3, 18
3, 59
4, 90
Retreinamento na 5a sim.
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 `a 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 `a instabilidade. Entretanto, alguns
trabalhos demonstraram que o uso da projecao de Petrov-Galerkin (equivalente `a solucao
por mnimos quadrados) leva `a 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
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 `a 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
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
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
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)
(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)
(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)
(4.7)
N1 (x1 )
..
N =
.
N1 (xm )
Nk (x1 )
..
Nk (xm )
(4.8)
91
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)
92
10
10
10
20
20
40
60
80
100
10
20
120
20
40
60
80
100
120
10
10
20
20
40
60
80
100
120
Fig. 4.1: Interpolacao por krigagem - regressao polinomial adicionada a deformacoes locais
causadas por uma funcao aleatoria com correlacao espacial denida
4.3
93
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 `as duas restricoes. As amostras sao representadas pelos pontos pretos
posicionados no interior de cada quadrado e foram sorteados aleatoriamente.
4.4
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 `a 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
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)
k+1
0, 25k ,
k
0, 25k ,
0 k
=
k , 0, 25 k
2k ,
k
0
0, 25
0, 75
(4.14)
0, 75
96
{
xk+1
c
xk , > 0
xkc , < 0
(4.15)
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 `a parada do
processo estao listados a seguir e, para que qualquer um dos criterios acima leve `a 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
98
(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
4.5
Detalhes de Implementa
c
ao
Todo o desenvolvimento foi realizado utilizando-se o Matlab. Para tanto dois
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
`a ordem de grandeza do VPL.
4.6
101
102
103
Algorithm
Polin. Emax
min
# It.
# HF # LF
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
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
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
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
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 `a 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
3.5
Base
timo
14000
16000
12000
10000
8000
6000
4000
2000
0
500
2500
3000
x 10
3
2.5
2
1.5
1
0.5
0
0
(a) Vaz
ao de oleo total
500
2500
3000
3.5
x 10
3
2.5
2
1.5
1
0.5
0
500
2500
3000
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
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
5500
5000
4500
4000
3500
3000
W1
W2
W3
W4
2500
2000
0
500
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
6.5
7.5
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
Fig. 4.8: Comparacao do VPL obtido durante o processo de otimizacao - 2a Iteracao - SPE10
- 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
7.5
6.5
6.5
6
6
6.5
7.5
6
6
6.5
7.5
Fig. 4.9: Comparacao do VPL obtido durante o processo de otimizacao - 3a Iteracao - SPE10
- Modicado
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
111
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
112
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
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
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)
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
2.5
x 10
1.5
0.5
0
0
1000
2000
Tempo (Dias)
3000
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 `as 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
115
5.1
M
etodo das Vari
aveis de Controle
Considere o problema de estimacao do valor esperado de uma variavel aleatoria
xn =
(5.1)
1
2
V ar[
xn ] = 2 V ar
xi = x
n
n
i=1
(5.2)
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)
V ar[
xn ] =
1 2
( + 2 Y2 + 2XY X Y )
n X
(5.4)
V ar[
xn ] =
X
Y
1
2
(1 2XY )X
.
n
(5.5)
(5.6)
5.2
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)
V ar[
xn ] =
1 2
1
(X + 2 Y2 + 2XY X Y ) ( 2 Y2 + 2XY X Y )
n
m
(5.8)
pn+
(
m
r)
=n 1+
w
w
(5.9)
118
(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)
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.
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
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
120
(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)
121
5.4
Resultados obtidos
Esta dissertacao tem como u
ltimo objetivo avaliar o metodo Monte Carlo Multi-
122
transmissibilidades em todas as celulas). Por outro lado, existem sim incertezas associadas
`a 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 `a 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
RMSE
6.34
10
MC Multifidelidade
MC
10
10
10
Esforo Computacional (p)
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
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
0.9
Mdia
Varincia
0.8
0.7
0.6
0.5
0.4 1
10
10
Simulaes HF
10
(c) Correcao
125
1.1
10
MC Multifidelidade
MC
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)
10
6.15 1
10
10
Simulaes HF
10
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
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
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.
128
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 `a 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 `a 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.
130
6.2
Sugest
oes de Trabalhos Futuros
Algumas sugestoes de trabalhos futuros para dar continuidade a esta pesquisa e
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
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
REFERENCIAS
135
REFERENCIAS
136