Physics-Informed Machine Learning for Radiation-Free Water Liquid Ratio Estimation Using Coriolis Flow Measurements

Resumo Técnico: Aprendizado de Máquina Baseado em Física para Estimativa da Razão Água-Líquido Livre de Radiação

Definição do Problema
A determinação precisa da Razão Água-Líquido (WLR) e da densidade do líquido puro em sistemas de fluxo trifásico (óleo–água–gás) é crítica para a gestão de reservatórios e otimização da produção. As soluções convencionais dependem de Medidores de Fluxo Multifásico (MPFM) que integram sensores duplos de raios gama para resolução de fração de fase. Embora precisos, esses sistemas apresentam desvantagens significativas: altos custos de capital e manutenção, requisitos rigorosos de conformidade regulatória, riscos de segurança radiológica e complexidade de calibração. Consequentemente, operadores em Omã e na região do GCC buscam alternativas livres de radiação.

Os Testadores de Baixo Desempenho (LPT) existentes utilizam Medidores de Fluxo de Massa Coriolis (CMFM) para medir a taxa de fluxo de líquido e a densidade aparente da mistura. No entanto, na ausência de um separador de gás dedicado, o aprisionamento de gás residual na linha de líquido cria uma condição "semi-trifásica". Esse aprisionamento reduz a densidade aparente do Coriolis abaixo do valor real do líquido, introduzando uma incerteza significativa ao calcular a WLR usando equações de mistura volumétrica padrão. Embora o aprendizado de máquina (ML) tenha sido aplicado para corrigir erros de Coriolis em fluxos bifásicos ou utilizando entradas de raios gama, não existe um framework validado para estimar a WLR e a densidade do líquido puro utilizando apenas saídas de campo padrão do Coriolis (sem instrumentação gama ou diagnósticos internos) em dados de produção do mundo real.

Metodologia
O estudo propõe um framework de aprendizado de máquina baseado em física, treinado em um conjunto de dados de 735.034 registros de um minuto coletados de 26 poços de óleo em três unidades LPT no campo de Daleel Petroleum, em Omã (janeiro–agosto de 2025).

1. Pré-processamento de Dados: O pipeline envolveu a normalização PVT para converter densidades de laboratório para condições in-situ. Uma filtragem rigorosa removeu valores ausentes, falhas de instrumentos (ex: WLR > 100%) e outliers. Uma análise de estabilidade baseada em quantis e livre de distribuição estabeleceu um limiar de taxa de fluxo mínima confiável de 3,0 m³/d para garantir a integridade da relação sinal-ruído.
2. Engenharia de Atributos (O Fator de Média da Densidade de Mistura Harmônica - $k_H$): A inovação central é a derivação de $k_H$, um índice adimensional sensível ao gás.
   • A densidade aparente da mistura ($\rho_{mix}$) é a média aritmética das densidades de fase ponderadas pelas frações volumétricas.
   • A densidade da média harmônica ($\rho_{HMDM}$) é calculada com base no inverso das densidades de fase.
   • $k_H$ é definido como a razão $\rho_{mix} / \rho_{HMDM}$.
   • Analiticamente, demonstra-se que $k_H$ diminui monotonicamente conforme a Fração de Volume de Gás (GVF) aumenta. Diferente de atributos genéricos, $k_H$ é derivado de equações de mistura trifásica para codificar a influência desproporcional do gás aprisionado na média harmônica, fornecendo um sinal implícito de GVF sem a necessidade de medição direta de gás.
3. Desenho Experimental: Cinco modelos de aprendizado de máquina (Regressão Linear, Regressão de Vetores de Suporte, Random Forest, Gradient Boosting e uma Physics-ANN customizada) foram avaliados em um protocolo de duas etapas:
   • Etapa 1 (Baseline): Treinados apenas com entradas brutas: Vazão de Líquido ($Q_l$) e Densidade de Gás ($\rho_g$).
   • Etapa 2 (Completa): Retreinados com a adição de $k_H$ como um terceiro atributo de entrada.
   • Este desenho isola a contribuição específica de $k_H$ para a precisão preditiva em diferentes famílias de modelos.
4. Validação: Os modelos foram avaliados usando uma divisão aleatória de 80/20 e um protocolo de validação cruzada temporal de 5 dobras para garantir que os resultados não fossem artefatos de vazamento temporal (onde registros consecutivos com carimbo de tempo compartilham condições idênticas).

Principais Resultados

• Desempenho Baseline: Sem o $k_H$, todos os cinco modelos apresentaram desempenho insatisfatório, com valores de $R^2$ variando entre 0,083 e 0,194. Isso confirma que as medições brutas de Coriolis de vazão e densidade de gás são insuficientes para a estimativa de WLR.
• Impacto de $k_H$: A incorporação de $k_H$ resultou em uma melhoria dramática e uniforme em todas as arquiteturas de modelos. Os valores de $R^2$ aumentaram em +0,70 a +0,79 em todos os casos.
• Melhor Modelo de Desempenho: O modelo Random Forest alcançou a maior precisão, com $R^2 = 0,8943$ e RMSE = 0,0854 nos dados de teste. O Gradient Boosting ($R^2 = 0,8940$) e o SVR ($R^2 = 0,8920$) seguiram de perto. A ANN alcançou $R^2 = 0,8825$.
• Validação Temporal: A validação cruzada temporal apresentou um $R^2$ médio de 0,8913, quase idêntico aos resultados da divisão aleatória. Isso confirma a capacidade de generalização do modelo e que o desempenho não se deve a vazamento temporal de dados.
• Limiares de Fluxo: A filtragem para taxas de fluxo mais altas (10,0 m³/d) melhorou ligeiramente o desempenho (redução de RMSE de ~12,8%), mas uma filtragem agressiva (24,0 m³/d) gerou retornos decrescentes, indicando um compromisso entre qualidade e quantidade de dados.

Significância e Alegações
O artigo reivindica três contribuições primárias:

1. O Índice $k_H$: Introduz o $k_H$ como um novo observável substituto derivado da física que quantifica os efeitos de aprisionamento de gás. O estudo demonstra que o $k_H$ é o principal motor da precisão preditiva, fornecendo um sinal computável de GVF sem sensores adicionais.
2. Melhoria Agnóstica ao Modelo: O ganho de desempenho é consistente entre arquiteturas lineares, baseadas em kernel, de conjunto (ensemble) e redes neurais. Isso prova que a melhoria provém do conteúdo de informação física do atributo, e não do viés indutivo de um algoritmo específico.
3. Alternativa Livre de Radiação: O framework estabelece um método viável e de baixo custo para estimar a WLR e a densidade do líquido puro usando apenas saídas padrão do Coriolis e densidades de fase laboratoriais, eliminando a necessidade de medidores duplos de gama.

Os autores concluem que, embora o modelo Random Forest com $k_H$ ofereça uma solução robusta para medições de testes de poço, a lacuna de desempenho restante (em relação à unidade) deve-se provavelmente à ausência de diagnósticos vibratórios internos do Coriolis (ex: amortecimento, ganho de acionamento) e à falta de modelagem de sequência temporal, e não a uma deficiência no atributo $k_H$ em si. O estudo posiciona este trabalho como um passo significativo em direção à medição virtual de fluxo livre de radiação na produção de petróleo.