[pt] APLICAÇÃO DE APRENDIZADO DE MÁQUINA A DADOS DE PRESSÃO E TEMPERATURA DE SENSORES DE POÇOS DE PETRÓLEO

[en] MACHINE LEARNING APPLICATIONS ON PRESSURE AND TEMPERATURE DATA FROM OIL WELL SENSORS

[pt] BRUNO COSTA PONTES

[pt] APRENDIZADO DE MAQUINA

[pt] APRENDIZADO SUPERVISIONADO

[pt] APRENDIZADO NAO SUPERVISIONADO

[en] MACHINE LEARNING

[en] SUPERVISED LEARNING

[en] UNSUPERVISED LEARNING

[pt] Esta dissertação de mestrado investiga a aplicação de técnicas de aprendizado de máquina em dados de pressão e temperatura coletados por sensores permanentes em poços multi-zona dos reservatórios carbonáticos do Pré-Sal brasileiro. Esses reservatórios possuem arquitetura complexa e são equipados com completação inteligente que permite o controle e monitoramento independentes das zonas de produção. Essa configuração apresenta desafios para modelagem física tradicional devido à heterogeneidade do reservatório e à dinâmica de fluxo interdependente das zonas. A pesquisa aborda uma lacuna existente, uma vez que a maioria dos estudos foca em poços de zona única, aplicando métodos supervisionados e não supervisionados a um conjunto de dados obtidos em testes seletivos de produção de dois poços situados no mesmo reservatório e com completação similar. Algoritmos de clusterização foram utilizados para identificar padrões relacionados às configurações das válvulas, o que apoiou o desenvolvimento de modelos de classificação capazes de prever o status das válvulas a partir dos dados dos sensores. Modelos de regressão, aprimorados pela segmentação dos dados usando a classificação das combinações de zonas, estimaram efetivamente a vazão total de produção de óleo. Avaliação dos modelos em diferentes poços permitiu discutir a robustez e capacidade de generalização, ressaltando a importância da incorporação de características dependentes da pressão e do tempo, normalização adequada dos dados e técnicas de validação temporal. Os resultados confirmam que o aprendizado de máquina pode extrair informação útil a partir de dados complexos de sensores, automatizar o monitoramento dos poços e aprimorar os processos de tomada de decisão em ambientes desafiadores de reservatórios complexos. Este trabalho contribui para o avanço da abordagem orientada a dados na gestão de reservatórios, demonstrando potencial para complementar e fortalecer a modelagem física tradicional na produção de óleo e gás.

[en] This master s thesis investigates the application of machine learning techniques to pressure and temperature data collected from permanent downhole sensors in multi-zone oil wells of the Brazilian Pre-salt carbonate reservoirs. These reservoirs feature complex architectures with intelligent completions that enable independent control and monitoring of multiple production zones, posing challenges for traditional physical modeling due to heterogeneous reservoir properties and interdependent flow dynamics. The research addresses the gap in existing studies, which mostly focus on single-zone wells, by applying supervised and unsupervised learning methods to a comprehensive dataset obtained from selective production tests of two wells with similar multi-zone completions. Clustering algorithms were used to identify patterns related to valve configurations, which supported the development of classification models to accurately predict valve status from sensor data. Regression models, enhanced by segmenting data according to zone combinations, effectively estimated total oil production rates. Model assessment across different wells made it possible to discuss ro bustness and generalizability, highlighting the importance of incorporating pressure- and time-dependent features, proper data normalization, and temporal cross-validation techniques. The results confirm that machine learning can successfully extract valuable information from complex sensor data, automate well monitoring, and improve decision-making processes in challenging multi zone reservoir environments. This work contributes to advancing data-driven approaches for modern reservoir management, demonstrating their potential to complement and enhance traditional physical modeling in oil and gas production.

MARCIO DA SILVEIRA CARVALHO

JONATAS DOS SANTOS GROSMAN

MARCIO DA SILVEIRA CARVALHO

ABELARDO BORGES BARRETO JR

JONATAS DOS SANTOS GROSMAN

EMILIO JOSE ROCHA COUTINHO

2026-01-08

2025-09-16

[pt] TEXTO

application/pdf

INGLÊS

https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=74790@1

https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=74790@2

https://doi.org/10.17771/PUCRio.acad.74790