Otimização e Machine Learning
No processo de caracterização de reservatórios, o Ajuste de histórico consiste de uma técnica que incorpora dinamicamente ao modelo, dados observados em um campo real.
Um elemento fundamental neste processo é a simulação de reservatório. O reservatório é caracterizado por suas propriedades estáticas (como permeabilidade, por exemplo) e o resultado da simulação são os dados dinâmicos. O ajuste de histórico busca efetivamente ajustar as propriedades estáticas de forma que os dados obtidos na saÃda do simulador correspondam aos dados observados.
Uma das dificuldades deste processo é que a simulação deverá ser repetida diversas vezes, até que o dado de saÃda esteja suficientemente próximo do esperado, demandando muito tempo ou esforço computacional conforme as dimensões do reservatório desejado.
Nesta direção, técnicas envolvendo Machine Learning e Redes Neurais se mostram adequadas para substituir algumas etapas na execução da simulação.
Sobre otimização e machine learning, focamos em desenvolver e aprimorar técnicas matemáticas capazes de auxiliar na predição da performance de reservatórios. Também buscamos a administração de incertezas envolvidas durante projetos de caracterização de reservatórios. Trabalhamos com métodos que envolvem ou não o cálculo do gradiente. Nosso foco principal está na aplicação de métodos baseados em conjunto, como o ES-MDA, e de técnicas de machine learning e deep learning para resolver problemas da indústria de óleo e gás.
