Pantheon Repositório Institucional da UFRJ
Coleta, preserva e divulga a produção acadêmica digital em todas as áreas do conhecimento.
São os ativos do repositório, além de teses e dissertações da UFRJ, artigos científicos, livros eletrônicos, capítulos de livros e trabalhos apresentados em eventos por professores, pesquisadores, funcionários administrativos e alunos de mestrado e doutorado.
Use este identificador para citar ou linkar para este item:
http://hdl.handle.net/11422/14026| Tipo: | Dissertação |
| Título: | Optimization and control of reservoir models using system identification and machine learning tools |
| Título(s) alternativo(s): | Otimização e controle de modelos de reservatórios usando técnicas de identificação de sistemas e aprendizado de máquina |
| Autor(es)/Inventor(es): | Miyatake, Luis Kin |
| Orientador: | Bhaya, Amit |
| Resumo: | Este trabalho desenvolve uma metodologia, usando conceitos de identificação de sistemas dinâmicos, para criar modelos substitutos (conhecidos como proxy) de reservatórios de óleo e gás considerando-se variáveis controladas, tais como vazões de líquido e injetadas. Os principais objetivos são previsão e otimização da produção. Os métodos clássicos de ajuste de histórico consideram o ajuste de parâmetros de um modelo de simulação de fluxo em meios porosos. Em contraste, essa dissertação propõe avaliar o uso de modelos do tipo proxy, com dois enfoques diferentes: o primeiro é baseado puramente em entrada e saída, ao passo que o segundo leva em conta o espaço de estados de uma simulação numérica, ambos usando dados provenientes da simulação numérica de um modelo de reservatórios. Seguindo o princípio da parcimônia, representações mais simples, tais como ARX e ARMAX, são avaliadas inicialmente para os modelos entrada-saída. Para modelos baseados em estados, realiza-se redução de dimensionalidade, através do método conhecido como POD (proper orthogonal decomposition). As matrizes de um modelo proxy linear são identificadas nos estados de dimensão reduzida, o que nos permite formular um problema de otimização, cuja função objetivo é maximizar uma função econômica VPL (valor presente líquido), como uma sequência de problemas do tipo programação linear, dentro de um arcabouço de um método de otimização baseado em região de confiança. Algumas contribuições, mostradas ao longo dessa dissertação, incluem um método expedito para avaliação de incertezas, análise da adaptação dos coeficientes do filtro RLS (mínimos quadrados recursivos) em termos físicos para o problema, bem como insights sobre seleção de modelos e incorporação de conhecimento a priori. |
| Resumo: | This dissertation develops a methodology to identify a dynamical system modeling an oil and gas reservoir, subject to production controls such as water injection rate and liquid production rate. The overall objectives are to improve production forecasts and decision making processes regarding the development of the field, such as future control strategies and “what-if” analyses considering different scenarios. The classical history matching approach uses numerical simulation and tuning of geological parameters. In contrast, this dissertation proposes the use of a system identification approach to build two proxy models, one based on the input-output approach and the other on a state-space approach, both utilizing data that comes from a simulator used in industry. In accordance with the parsimony principle, simpler polynomial model structures such as ARX and ARMAX are used for the input-output model. The linear state space model uses states coming from model simulation as its data for identification, and is subjected to model reduction using the proper orthogonal decomposition (POD) method. This linear state space reduced order proxy model is then used to formulate an optimal control problem, solved by transcription into a sequence of linear programs using a trust region algorithm, maximizing Net Present Value, which is an objective function representing the overall economic performance of the production process. Additional significant contributions, developed in the course of this dissertation, include a fast method for uncertainty estimation, analysis of RLS coefficient adaptation to get physical insights into the correlation between producer and injector wells, as well as insights into model selection and incorporation of prior knowledge. |
| Palavras-chave: | System Identification Optimization Machine Learning |
| Assunto CNPq: | CNPQ::ENGENHARIAS::ENGENHARIA ELETRICA |
| Programa: | Programa de Pós-Graduação em Engenharia Elétrica |
| Unidade produtora: | Instituto Alberto Luiz Coimbra de Pós-Graduação e Pesquisa de Engenharia |
| Editora: | Universidade Federal do Rio de Janeiro |
| Data de publicação: | Jul-2019 |
| País de publicação: | Brasil |
| Idioma da publicação: | eng |
| Tipo de acesso: | Acesso Aberto |
| Aparece nas coleções: | Engenharia Elétrica |
Arquivos associados a este item:
| Arquivo | Descrição | Tamanho | Formato | |
|---|---|---|---|---|
| LuisKinMiyatake.pdf | 1.64 MB | Adobe PDF | Visualizar/Abrir |
Os itens no repositório estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.