Silva. Desenvolvimento de modelos matemáticos baseados em machine learning na perfuração de poços de petróleo
A exploração de regiões complexas (pré-sal, formações rochosas depletadas, reservatórios carbonáticos) exige técnicas de perfuração não convencionais como Pressurized Mud Cap Drilling (PMCD). Nesses cenários ocorrem frequentemente distúrbios de kick e perda total de circulação. Dessa forma, é essenc...
| Autor: | |
|---|---|
| Tipo de recurso: | tesis de maestría |
| Estado: | Versión publicada |
| Fecha de publicación: | 2024 |
| País: | Brasil |
| Institución: | Universidade Federal Rural do Rio de Janeiro (UFRRJ) |
| Repositorio: | Repositório Institucional da UFRRJ |
| Idioma: | portugués |
| OAI Identifier: | oai:rima.ufrrj.br:20.500.14407/22767 |
| Acceso en línea: | https://rima.ufrrj.br/jspui/handle/20.500.14407/22767 |
| Access Level: | acceso abierto |
| Palabra clave: | Engenharia Química bullheading kick machine learning |
| Sumario: | A exploração de regiões complexas (pré-sal, formações rochosas depletadas, reservatórios carbonáticos) exige técnicas de perfuração não convencionais como Pressurized Mud Cap Drilling (PMCD). Nesses cenários ocorrem frequentemente distúrbios de kick e perda total de circulação. Dessa forma, é essencial o desenvolvimento de modelos matemáticos eficientes para prever pressões no poço, garantindo segurança no operacional, isto é, que a perfuração seja conduzida dentro da janela operacional: acima da pressão de poros e abaixo da pressão de fratura. Neste sentido, para descrever a técnica PMCD, o modelo matemático deve prever adequadamente as etapas de migração de gás e a operação de bullheading (bombeamento de fluido de sacrifício em contra corrente, sem retorno à superfície, forçando o gás e cascalho a retornarem para a formação). O presente trabalho de dissertação de mestrado desenvolveu modelos baseados em machine learning a partir de dados da unidade experimental do LEF/DEQ/IT/UFRRJ e de dados da literatura de poços reais. As métricas de avaliação estatísticas dos modelos (R2, RMSE, MSE, SSE) e as simulações dinâmicas revelaram boa capacidade preditiva quando informação transiente é empregada. |
|---|