Hybrid Machine Learning and Meta-Heuristic Optimization for Well Placement and Operating Conditions in Carbonate Rocks: Low-Salinity Water Injection

Resumo Técnico: Aprendizado de Máquina Híbrido e Otimização Meta-heurística para Posicionamento de Poços e Condições Operacionais em Rochas Carbonáticas

Definição do Problema
A injeção de água de baixa salinidade (LSWI) é uma técnica reconhecida de recuperação avançada de petróleo (EOR), particularmente eficaz em reservatórios carbonáticos heterogêneos, onde melhora a eficiência de varredura através da alteração da molhabilidade e troca iônica. No entanto, a otimização dos processos de LSWI é computacionalmente proibitiva. A modelagem precisa requer simulações de reservatório composicionais para capturar interações complexas entre rocha e fluido, que são demoradas (levando várias horas por cenário). Consequentemente, a otimização direta do posicionamento de poços e das condições operacionais usando modelos de física completa é impraticável para grandes espaços de decisão. As abordagens tradicionais de tentativa e erro são ineficientes e, embora estudos anteriores tenham otimizado parâmetros de LSWI usando algoritmos como DECE, eles se basearam amplamente em modelos baseados em física ou focaram em reservatórios de arenito. Existe uma lacuna na literatura quanto à otimização simultânea de localizações de poços e condições operacionais em reservatórios carbonáticos utilizando um framework orientado a dados que acopla modelos substitutos (surrogate models) com algoritmos meta-heurísticos.

Metodologia
O estudo propõe um framework orientado a dados que integra modelos substitutos de Redes Neurais Artificiais (ANN) com algoritmos de otimização meta-heurística multiobjetivo (Algoritmo Genético, Otimização por Enxame de Partículas e Otimização de Lobo Cinzento). O fluxo de trabalho procede da seguinte forma:

1. Modelagem e Simulação de Reservatório: Um modelo de setor de um reservatório carbonático heterogêneo (6020 ft × 6020 ft × 100 ft) foi construído usando um simulador composicional com a Equação de Estado de Peng-Robinson (PR-EOS). O modelo incorporou minerais de argila, quartzo, calcita e dolomita, com distribuições heterogêneas de porosidade, permeabilidade e capacidade de troca catiônica (CEC). As curvas de permeabilidade relativa foram interpoladas com base nos mecanismos de troca iônica entre condições de alta e baixa salinidade.
2. Geração de Dados: Tabelas de delineamento experimental foram geradas usando o método de Latin Hypercube para treinar os modelos substitutos.
   • Fase de Posicionamento de Poços: Foram realizadas 665 corridas de simulação para gerar dados vinculando as coordenadas dos blocos dos poços (mapeadas para porosidade local, permeabilidade e CEC) aos parâmetros alvo: fator de recuperação de óleo (RF), corte de água (WC) e Valor Presente Líquido (NPV).
   • Fase de Condições Operacionais: Um segundo conjunto de simulações foi executado usando as localizações de poços otimizadas para gerar dados vinculando variáveis operacionais (taxa de injeção, taxa de produção, pressão de fundo e status de perfuração) aos parâmetros alvo (RF, produção acumulada de água e NPV).
3. Desenvolvimento do Modelo Substituto (Surrogate Model): Duas ANNs distintas foram desenvolvidas:
   • Uma rede de três camadas ocultas (54-25-13 neurônios) para otimização do posicionamento de poços.
   • Uma rede de camada oculta única (42 neurônios) para otimização das condições operacionais.
     Ambas foram treinadas usando regularização Bayesiana, com 70-80% dos dados usados para treinamento e o restante para teste.
4. Otimização: As ANNs treinadas serviram como proxies rápidos para o simulador de física completa. Elas foram acopladas aos algoritmos GA, PSO e GWO para identificar soluções de Pareto-ótimas que maximizam o NPV e o RF, enquanto minimizam a produção de água.
5. Validação: Soluções selecionadas das frentes de Pareto foram validadas através da execução no simulador de física completa para calcular os erros relativos.

Principais Resultados
O estudo demonstra melhorias significativas tanto na eficiência computacional quanto no desempenho do reservatório:

• Eficiência Computacional: O modelo substituto reduziu o tempo de avaliação de cada cenário de aproximadamente 3 horas (física completa) para cerca de 1 segundo. O processo de otimização completo para cada algoritmo levou cerca de 50 minutos, comparado aos meses exigidos pela otimização de física completa.
• Precisão do Modelo: Os modelos ANN alcançaram alta precisão preditiva, com valores de R-quadrado de 0,963 (treinamento) e 0,942 (teste) para posicionamento de poços, e acima de 0,9 para condições operacionais. Os erros quadráticos médios foram de 0,003 e 0,0027, respectivamente.
• Melhorias de Desempenho:
  • Otimização do Posicionamento de Poços: Usando o Algoritmo Genético (que apresentou o menor erro), a otimização das localizações dos poços aumentou o NPV em US$ 70 milhões e melhorou o fator de recuperação de óleo em 6% (de 50,1% para 56,1%). Os poços ótimos foram posicionados em blocos com alta porosidade, permeabilidade e CEC.
  • Otimização das Condições Operacionais: Usando o algoritmo de Otimização de Lobo Cinzento (selecionado pelo menor erro nesta fase), a otimização dos parâmetros operacionais (pressão, taxas, status de perfuração) aumentou o NPV em mais US$ 160 milhões e elevou o fator de recuperação de óleo para 66,3%.
  • Otimização Combinada: A otimização simultânea do posicionamento de poços e das condições operacionais resultou em um aumento total de NPV de US$ 230 milhões, um aumento de 16,2% na recuperação de óleo e uma redução de 290 MMSTB na produção acumulada de água em comparação ao caso base.

Significância e Alegações
Os autores afirmam que este estudo fornece uma alternativa computacionalmente eficiente para a otimização da performance de LSWI em reservatórios carbonáticos. A principal contribuição é a integração bem-sucedida de modelos substitutos baseados em ANN com algoritmos meta-heurísticos multiobjetivo para otimizar simultaneamente a localização de poços e as condições operacionais — uma combinação não investigada anteriormente para LSWI.

O artigo afirma que este framework permite a exploração de grandes e complexos espaços de decisão que seriam inviáveis devido às restrições computacionais. Ao reduzir o tempo de simulação de horas para segundos sem sacrificar a precisão preditiva, o método proposto apoia uma tomada de decisão mais rápida e orientada a dados para projetos de EOR em escala de campo. O estudo conclui que, embora o framework atual assuma propriedades petrofísicas estáticas, ele estabelece uma linha de base robusta para otimizar a LSWI, sendo sugerido como trabalho futuro a integração da incerteza petrofísica via simulações de Monte Carlo.