Universidade Federal de Pernambuco Centro de Tecnologia ecnolog ia e Geociˆ Geo ciˆencias encias Departamento de Engenharia Civil
Aplica¸c˜ coes o ˜es de um modelo substituto de ordem reduzida a estudos de gerenciamento de reservat´ orios orios de petr´ oleo oleo
Manuel Fragoso Machado Junior
Recife/2014
Universidade Federal de Pernambuco Centro de Tecnologia ecnolog ia e Geociˆ Geo ciˆencias encias Departamento de Engenharia Civil
Manuel Fragoso Machado Junior
Aplica¸c˜ coes o ˜es de um modelo substituto de ordem reduzida a estudos de gerenciamento de reservat´ orios orios de petr´ oleo oleo
Disserta¸ c˜ cao a ˜o de Mestrado apresentada apresentada ao Programa de P´ os-gradua¸ os-gradua¸ c˜ c˜ ao ao do Departamento Departa mento de Engenharia Civil da Universidade Federal de Pernambuco como requisito requisito parcial parcial para obten¸ obten¸ c˜ cao a ˜o do grau de Mestre na ´ area area de Geren Gerencia ciamen mento to de Reserv Reservat´ at´ orio o rioss de Petr´ oleo. oleo.
Orientado Orientador: r: Prof. Dr. Bernardo Bernardo Horowitz Horowitz Co-Orientador: Co-Orientador: Dr. Jos´ e Roberto Pereira Rodrigues
Recife/2014
Catalogação na fonte Bibliotecária Margareth Malta, CRB-4 / 1198
M149a
Machado Junior, Manuel Fragoso. Aplicações de um modelo substituto de ordem reduzida a estudos de gerenciame gerenciamento nto de reservatór reservatórios ios de petróleo petróleo / Manuel Manuel Fragoso Fragoso Machado Machado Junior. - Recife: O Autor, 2014. 2014. 135 folhas, folhas, il., gráfs., gráfs., tabs. tabs. Orientador: Prof. Dr. Bernardo Horowitz. Coorientador: Prof. Dr. José Roberto Pereira Rodrigues. Dissertaç Dissertação ão (Mestrado (Mestrado)) – Universida Universidade de Federal Federal de Pernambu Pernambuco. co. CTG. CTG. Programa de Pós-Graduação em Engenharia Civil, 2014. Inclui Referências. Engenharia Civil. 2. Modelo Modelo de ordem reduzida. reduzida. 3. Trajectory Piecewise Linearization Linearization.. 4. Simulação de reservatórios. 5. Otimização sequencia sequenciall aproximad aproximadaa multifide multifidelidad lidade. e. 6. Control variates. variates. 7. Propagação de Incertezas. I. Horowitz, Bernardo. (Orientador). II. Rodrigues, José Roberto Pereira. (Coorientador). III. Título. 1.
624 CDD (22. ed.)
UFPE BCTG/2012-304
UNIVERSIDADE FEDERAL DE PERNAMBUCO ´ PROGRAMA DE POS-GRADUAC ¸ ˜ AO EM ENGENHARIA CIVIL A comiss˜ao examinadora da defesa da disserta¸ca˜o de mestrado APLICAC ¸ ˜ OES DE UM MODELO SUBSTITUTO DE ORDEM REDUZIDA A ´ ´ ESTUDOS DE GERENCIAMENTO DE RESERVATORIOS DE PETROLEO
defendida por Manuel
Fragoso Machado Junior
considera o candidato APROVADO.
Recife, 28 de maio de 2014
Orientadores: Prof. Dr. Bernardo Horowitz (Orientador) Dr. Jos´e Roberto Pereira Rodrigues (Co-Orientador) Banca Examinadora: Prof. Dr. Paulo Goldfeld — UFRJ (Examinador Externo) Dr. Marco Antˆonio Cardoso — Petrobras (Examinador Externo) Prof. Dr. Ramiro Willmersdorf - UFPE (Examinador Interno) Profa. Dra. Silvana Maria Bastos da Silva (Examinadora Interna)
´ DEDICATORIA
Dedico este trabalho aos meus queridos amigos e familiares e em especial `a minha noiva, Elaine, e `a minha m˜ae, Maria Luiza.
AGRADECIMENTOS Muitas foram as pessoas que contribuiram para a realiza¸c˜ao deste trabalho. S˜ao tantas que tenho receio de me esquecer de algu´em. Mas vou iniciar minha longa lista de agradecimentos. ´ Ele quem me permite acordar todos os Antes de tudo quero agradecer a Deus. E dias, seguir minha jornada, fazer minhas escolhas. Sem Ele n˜ao teria for¸cas para realizar este trabalho. Quero agradecer a meu orientador Prof. Bernardo Horowitz por toda a sua boa vontade em orientar, suas ideias valiosas e as conversas durante o almo¸co ou caf´e. Desde o primeiro dia em que cheguei a Recife para este trabalho me senti direcionado a desenvolver um trabalho interessante e desafiante. ´ Agrade¸co tamb´em ao Prof. Ezio Araujo por todas as conversas t´ecnicas ou n˜ao, pelo acolhimento no grupo de pesquisa e por emprestar-me um carro que foi ´util em diversos momentos. Tamb´em n˜ao posso me esquecer do Prof. Leonardo Guimar˜ aes, pelas conversas cheias de ideias, pelas pedaladas no fim de semana, pelas excelentes aulas e pela amizade que foi cultivada. Pelas ´otimas aulas e trocas de ideias devo agradecer tamb´ em ao Prof. Ramiro Wilmersdorf e Profa. Silvana Bastos. Dois dos cap´ıtulos desta disserta¸ca˜o surgiram em trabalhos de suas disciplinas. Tamb´em n˜ao posso esquecer dos Profs. Darlan Karlo e Antˆonio pelas aulas e conversas de corredor sobre assuntos do mundo do petr´oleo ou n˜ao. Entre os alunos do Programa de P´os-gradua¸ca˜o em Engenharia Civil n˜ao posso deixar de mencionar alguns nomes: Liliane Fonseca, pelo aux´ılio na minha chegada a Recife; Jefferson Wellano e Julio pelos bons momentos de descontra¸c˜ao no laborat´orio de inform´atica; Roberto Pareja e Rodrigo pelo companheirismo nas disciplinas que cursamos juntos.
Muito obrigado tamb´em a`s funcion´arias do Programa Andrea e Rose Mary por resolverem todos os tipos de problemas que tive com a burocracia da universidade. Tamb´em tenho muito a agradecer `a empresa em que trabalho, a PETROBRAS, por me proporcionar a oportunidade de realizar esta pesquisa e pelo apoio financeiro, pagando o meu sal´a rio. Em especial, n˜ao posso esquecer de minha gerente, Fl´avia Pacheco, pela permiss˜ao e est´ımulo. Tamb´ em agrade¸co aos Engos . R´egis Kruel, por indicar-me a UFPE, Marco Antˆonio e Jos´e Roberto, por responderem `as quest˜oes sobre TPWL e SIMPAR com toda a paciˆencia e ao Leonardo Cabral, que fazendo doutorado na mesma universidade, me proporcionou o´timas conversas. Agrade¸co tamb´em aos meus amigos de sala no CENPES, Engos . Guilherme Teixeira e Lu´ıs Carlos e Rodrigo C´arpio pelas conversas produtivas. Al´em das pessoas da universidade, muitos foram aqueles que me proporcionaram ´otimos momentos de descontra¸ca˜o durante a estada em Recife. Por causa deles, o trabalho ´arduo e a distˆancia da fam´ılia n˜ao foram grandes problemas. Cito aqui os principais nomes que deixar˜ao saudades, mas a lista completa ´e bem extensa. Agrade¸co ent˜ao a todos os meus amigos que moravam na Rep´ ublica das Palmeiras em especial a Ana L´ucia, Ciancony Rocha, Cristina Nepomuceno, Daniel Lazo, Elisa Griti, Fagunes Ferreira, Manuela, Mar´ılia Santos, Murilo Ara´ ujo, Pedro Souza, Ranielder e Vanessa Pedrosa. Tenho muito a agradecer tamb´em aos meus familiares que me apoiaram, mesmo que a distˆancia. Agrade¸co a meu irm˜ao, Carlos Augusto, que passou comigo ´otimos momentos em Recife e sempre me motivou na busca pelo conhecimento, a meu irm˜ao Marcelo Machado e meu pai, Manuel Fragoso, pela ajuda constante com todo tipo de problema que pudesse ter em minha terra natal, aos meus padrinhos, Heloisa Moreira e Jorge Guilherme por tudo que fizeram por mim ao longo de minha vida, a Sr a . Maria Jos´ e, por ter sido sempre a minha segunda m˜ ae e a meus cumpadres, Renato Cabral e Luciana Ferrari, por me darem a honra de batizar sua filha, Larinha. Tamb´ em agrade¸co a minha sobrinha e afilhada Ma´ıssa Machado, por todo o carinho que me dispunha em todas as vezes que voltei ao Rio. Finalmente agrade¸co muito `a minha noiva Elaine Andrade, pelo amor, carinho e paciˆencia que a mim ela dedica. Tamb´em `a minha m˜ae, que n˜ao s´o me deu a vida, mas me d´a todo o apoio em todas as minhas escolhas.
“A imagina¸ca˜o ´e mais importante que a ciˆencia, porque a ciˆencia ´e limitada, ao passo que a imagina¸ca˜o abrange o mundo inteiro.” (Albert Einstein)
RESUMO Esta disserta¸ca˜o tem como objetivo a aplica¸ca˜o de esquemas multifidelidade de otimiza¸ca˜o e propaga¸c˜ao de incertezas ao gerenciamento de reservat´orios de petr´oleo. A metodologia Trajectory Piecewise Linearization -TPWL em combina¸ca˜o com Proper Orthogonal Decomposition - POD foi utilizada como modelo substituto de ordem reduzida para o simulador de fluxo. Estas t´ecnicas reduzem a complexidade e a dimens˜ao do problema atrav´ es da lineariza¸ca˜o de suas equa¸co˜es governantes em torno de estados convergidos e armazenados durante uma simula¸c˜ao de treinamento. O m´etodo mostra-se acurado nas vizinhan¸cas da trajet´oria de treinamento. Ganho de tempo consider´ avel foi obtido pela sua utiliza¸c˜ao, o que ficou demonstrado nas aplica¸co˜es realizadas com modelos de dois reservat´orios diferentes. O simulador de reservat´orios utilizado foi desenvolvido pela Petrobras e cedido `as universidades participantes da rede SIGER para realizarem seus estudos de simula¸ca˜o. Consiste em um simulador black-oil , mas sua formula¸c˜ao difere da normalmente utilizada em softwares comerciais, pois em vez de utilizar as satura¸co˜es como vari´aveis prim´arias utiliza fra¸c˜oes m´assicas. Seu c´odigo foi alterado de modo a realizar a exporta¸ca˜o dos dados necess´arios a` constru¸ca˜o do modelo substituto. Para comunica¸ca˜o entre o simulador e as rotinas de treinamento do modelo de ordem reduzida, utilizou-se um padr˜ao hier´arquico e gen´erico de arquivos bin´arios chamado Hierachical Data Format . O problema do retreinamento do modelo de ordem reduzida foi estudado em mais detalhe, propondo-se um m´etodo para agregar os estados e derivadas de uma dada simula¸ca˜o ao conjunto j´a utilizado na constru¸ca˜o inicial. Al´em disso, estudou-se a necessidade de retreinamento durante o processo de otimiza¸c˜ao, propondo-se um crit´erio para realiz´a-lo a` medida que o processo de otimiza¸ca˜o avan¸ca, passando por pontos que produzem trajet´orias cada vez mais distantes da utilizada no treinamento. O trabalho mostra que o problema com a instabilidade do TPWL/POD reportado na literatura ´e mitigado trocando-se a proje¸ca˜o de Bubnov-Galerkin, utilizada nos primeiros trabalhos com este m´etodo, pela proje¸ca˜o de Petrov-Galerkin. Isto j´a havia sido mencionado na literatura como mecanismo de estabiliza¸ca˜o. O estudo de otimiza¸ca˜o visou a maximiza¸ca˜o do valor presente
l´ıquido considerando press˜oes de fundo dos po¸cos como vari´aveis de projeto. Foi desenvolvido um algoritmo de Otimiza¸ca˜o Sequencial Aproximada com Multifidelidade (MSAO), que converte o problema de otimiza¸ca˜o em uma sequˆencia de problemas aproximados, v´ alidos dentro de uma regi˜ao de confian¸ca. Este algoritmo utiliza uma combina¸ca˜o entre o modelo de ordem reduzida aqui estudado e um modelo de krigagem, baseado em algumas simula¸co˜es realizadas no interior de cada regi˜ao de confian¸ca. Bons resultados foram obtidos, tendo o algoritmo em alguns casos superado a referˆencia que consiste na otimiza¸c˜ao atrav´es da aplia¸ca˜o direta do algoritmo Sequential Quadratic Programing - SQP sobre o modelo de alta fidelidade. O estudo de incertezas consistiu no c´alculo da m´edia e do desvio padr˜ao do valor presente l´ıquido considerando-se distribui¸c˜oes de probabilidades para as press˜oes de fundo dos po¸cos. Um algoritmo Monte Carlo Multifidelidade foi desenvolvido baseado na t´ecnica estat´ıstica das vari´aveis de controle. Este m´etodo tira proveito da correla¸c˜ao entre os modelos de alta e baixa fidelidade, lan¸cando muitas simula¸co˜es do modelo de ordem reduzida, corrigindo seus resultados com uma quantidade menor de execu¸c˜oes do simulador. Com base nesta correla¸ca˜o e na raz˜ao do custo computacional para simula¸ca˜o de alta e baixa fidelidade, o algoritmo determina a raz˜a o do n´ umero de execu¸co˜es dos dois modelos.
Palavras-Chave: Modelo de ordem reduzida. Trajectory piecewise linearization . Simula¸ca˜o de reservat´orios. Otimiza¸ca˜o sequencial aproximada multifidelidade. Control variates . Propaga¸ca˜o de incertezas.
ABSTRACT The goal of this dissertation is the application of optimization and uncertainty propagation based on multifidelity frameworks to oil reservoir managment. The reduced order surrogate model used to replace the flow simulator is based on the Trajectory Piecewise Linearization (TPWL) methodology combined with Proper Orthogonal Decomposition (POD). These techniques reduce the numerical complexity and dimension of the problem by performing the linearization of governing equations around converged states stored during a training simulation. The method is shown to be accurate in the neighbourhood of the training trajectory. Good speedups were achieved by its application to two different reservoir models. The reservoir simulator used in this work was developed by Petrobras and was given to Brazilian universities members of SIGER Research Network to perform simulation studies. It is a blackoil simulator but its formulation is different from what is used in commercial software. It uses mass fractions instead of saturations. The simulator code, in general, was changed to export the necessary data to build the reduced order model. Hierarchical data format was used to link the simulator to reduced order model. The TPWL/POD retraining process was studied in detail. It consists of a method to add new simulation states and derivatives to the training set built initially. We proposed a criterion to determine when retraining is needed during the optimization process. This work shows that the problem with instability of TPWL/POD reported in the literature is avoided by replacing the Bubnov-Galerkin projection with the Petrov-Galerkin one. This is not something new, but is confirmed by the results obtained. The optimization study developed in this work aims to maximize the net present value (NPV) using bottom hole pressures (BHP’s) as design variables. We developed a Multifidelity Sequential Approximate Optimization algorithm (MSAO) which transforms the real problem into a sequence of approximate problems, accurately represented inside a trust region. This approximation relies on a metamodel which is a combination of TPWL/POD and a kriging correction model. Good results were obtained, sometimes better than traditional optimization based on high fidelity model. The uncertainty propagation study aims to cal-
culate the average and standard deviation of NPV considering some probability distribution for the BHP’s. A Multifidelity Monte Carlo Algorithm was developed using Control Variates Tecnhnique. It takes advantage of the correlation between high and low fidelity models and launch many low fidelity runs, correcting the results with fewer high fidelity runs. Based on that correlation and computational cost rate, the algorithm determines the optimal number of high and low fidelity model evaluations.
Key-Words: Reduced order model. Trajectory piecewise linearization. Reservoir simulation. Multifidelity sequential approximation optimization. Control variates. Uncertainty propagation.
Lista de Figuras 2.1
Volume de controle e seus vizinhos . . . . . . . . . . . . . . . . . . . . . . . .
2.2
Modelo sint´etico (baseado no caso SPE10) com 24000 c´elulas, 5 po¸cos produtores e 2 injetores. Mapa de permeabilidades na dire¸c˜ao x. . . . . . . . . . . . . . .
31 44
2.3
Compara¸c˜ao de resultados do SIMPAR com IMEX - Modelo SPE10 - Modificado 45
2.4
Modelo de Brugge Modificado. Mapa de permeabilidades na dire¸ca˜o x. . . . .
47
2.5
Compara¸c˜a o de resultados do SIMPAR com IMEX . . . . . . . . . . . . . . .
48
3.1
Regi˜ao Validade do TPWL em torno da trajet´oria de treinamento . . . . . . .
55
3.2
Funcionamento do POD - Consideram-se somente as dire¸c˜oes de maior variabilidade . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
3.3
63
Sequˆencia de controles de treinamento (press˜oes de fundo) aplicados aos po¸cos produtores . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
74
3.4
Valores singulares dispostos em ordem decrescente - Modelo SPE10-Modificado
75
3.5
Compara¸c˜ao do VPL calculado pelo SIMPAR e pelo TPWL/POD para o modelo SPE10 - Modificado sem compressibilidades e densidades iguais.
3.6
. . . . . . .
Compara¸c˜ao do VPL calculado pelo SIMPAR e pelo TPWL/POD para o modelo SPE10 - Modificado sem compressibilidades e densidades diferentes.
3.7
. . . . . . . . . .
80
Vaz˜a o de ´oleo dos po¸cos - SPE10 - Modificado compress´ıvel e com densidades de fluidos diferentes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
4.1
79
Compara¸c˜ao do VPL calculado pelo SIMPAR e pelo TPWL/POD para o modelo SPE10 - Modificado com compressibilidades e densidades diferentes.
3.8
78
83
Interpola¸ca˜o por krigagem - regress˜ao polinomial adicionada a deforma¸co˜es locais causadas por uma fun¸c˜ao aleat´oria com correla¸c˜a o espacial definida . . . .
92
4.2
Hipercubo latino 2D com 4 amostras . . . . . . . . . . . . . . . . . . . . . . .
93
4.3
Esquema de amostragem e atualiza¸ca˜o da regi˜ao de confian¸ca no algoritmo MSAO 96
4.4
Evolu¸ca˜o do processo de otimiza¸ca˜o nas itera¸co˜es do algoritmo - Modelo SPE10 - Modificado . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
4.5
105
Vaz˜oes totais do campo obtidas no processo de otimiza¸ca˜o — SPE10 - Modificado106
4.6
Press˜oes de fundo dos po¸cos produtores otimizadas - Modelo SPE10 - Modificado107
4.7
Compara¸ca˜o do VPL obtido durante o processo de otimiza¸ca˜ o - 1a Itera¸ca˜o SPE10 - Modificado . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
4.8
Compara¸ca˜o do VPL obtido durante o processo de otimiza¸ca˜ o - 2a Itera¸ca˜o SPE10 - Modificado . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
4.9
108 108
Compara¸ca˜o do VPL obtido durante o processo de otimiza¸ca˜ o - 3a Itera¸ca˜o SPE10 - Modificado . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
109
4.10
Valores singulares dispostos em ordem decrescente - Modelo Brugge-Modificado 110
4.11
Evolu¸ ca˜o do processo de otimiza¸ca˜o nas itera¸co˜es do algoritmo - Modelo SPE10 - Modificado . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
112
4.12
Vaz˜oes totais do campo obtidas no processo de otimiza¸ca˜o — Brugge - Modificado113
5.1
Compara¸c˜ao entre MC Multifidelidade e Tradicional - Reservat´orio Incompress´ıvel e Densidades dos Fluidos Iguais . . . . . . . . . . . . . . . . . . . . . . . . . .
5.2
Evolu¸ca˜o dos Parˆametros do MC Multifidelidade para Estima¸ca˜o da M´edia e da Variˆancia - Reservat´orio Incompress´ıvel e Densidades dos Fluidos Iguais . . . .
5.3
124
Compara¸c˜ao entre MC Multifidelidade e Tradicional - Reservat´orio Compress´ıvel e Densidades dos Fluidos Diferentes . . . . . . . . . . . . . . . . . . . . . . . .
5.4
123
125
Evolu¸ca˜o dos Parˆametros do MC Multifidelidade para Estima¸ca˜o da M´edia e da Variˆancia - Reservat´orio Compress´ıvel e Densidades dos Fluidos Diferentes . .
126
Lista de Tabelas 2.1
Compara¸c˜ao de volumes in place calculados pelos simuladores . . . . . . . . .
49
3.1
Sequˆencias de controles utilizadas no estudo . . . . . . . . . . . . . . . . . . .
77
3.2
RMSD percentual para os dois casos considerados . . . . . . . . . . . . . . . .
81
4.1
Otimiza¸ca˜o do VPL utilizando diferentes esquemas - SPE10 com 4 ciclos de controle . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
4.2
103
Otimiza¸ca˜o do VPL em diferentes esquemas - Brugge-Modificado com 3 ciclos de controle . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
111
Sum´ ario 1.
Introdu¸c˜ ao e Revis˜ ao Bibliogr´ afica
17
1.1
Revis˜ao Bibliogr´ afica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
19
1.2
Ob jetivos do Trabalho . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
22
1.3
Organiza¸c˜ao da Disserta¸ca˜o . . . . . . . . . . . . . . . . . . . . . . . . . . . .
23
1.4
Lista de publica¸co˜es . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
26
2.
Conceitos de Simula¸ c˜ ao de Reservat´ orios
28
2.1
Equa¸c˜oes de fluxo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
30
2.2
Discretiza¸c˜ao das equa¸c˜oes de fluxo . . . . . . . . . . . . . . . . . . . . . . . .
37
2.3
C´alculo das vaz˜oes dos po¸cos . . . . . . . . . . . . . . . . . . . . . . . . . . . .
40
2.4
C´a lculo do Valor Presente L´ıquido . . . . . . . . . . . . . . . . . . . . . . . . .
42
2.5
Compara¸c˜ao com simulador comercial . . . . . . . . . . . . . . . . . . . . . . .
43
3.
Modelo de Ordem Reduzida
50
3.1
Lineariza¸c˜ao utilizando TPWL . . . . . . . . . . . . . . . . . . . . . . . . . .
51
3.2
Exporta¸ca˜o de mapas de estados e derivadas . . . . . . . . . . . . . . . . . . .
56
3.3
Redu¸ca˜o de dimens˜a o - Proper Orthogonal Decomposition (POD) . . . . . . .
59
3.3.1 Descri¸c˜ao do POD . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
60
3.3.2 Decomposi¸ca˜o em Valores Singulares . . . . . . . . . . . . . . . . . . . . . . .
63
3.4
Modelo de Ordem Reduzida - TPWL/POD . . . . . . . . . . . . . . . . . . .
64
3.5
Detalhes de Implementa¸ca˜o . . . . . . . . . . . . . . . . . . . . . . . . . . . .
69
3.6
Compara¸c˜ao com o modelo de alta fidelidade . . . . . . . . . . . . . . . . . . .
73
4.
Aplica¸ca ˜o em Otimiza¸c˜ ao
85
4.1
Algoritmos de Otimiza¸ca˜ o baseados em Modelos Substitutos . . . . . . . . . .
87
4.2
Modelos de Kriging . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
88
4.3
Amostragem por Hipercubo Latino . . . . . . . . . . . . . . . . . . . . . . . .
92
4.4
Algoritmo SAO Multifidelidade . . . . . . . . . . . . . . . . . . . . . . . . . .
93
4.5
Detalhes de Implementa¸ca˜o . . . . . . . . . . . . . . . . . . . . . . . . . . . .
99
4.6
Desempenho do algoritmo MSAO . . . . . . . . . . . . . . . . . . . . . . . . .
100
4.6.1 Resultados com modelo SPE10 - Modificado . . . . . . . . . . . . . . . . . . .
101
4.6.2 Resultados com modelo de Brugge - Modificado . . . . . . . . . . . . . . . . .
109
5.
Aplica¸ca ˜o em Propaga¸c˜ ao de Incertezas
114
5.1
M´ etodo das Vari´aveis de Controle . . . . . . . . . . . . . . . . . . . . . . . . .
115
5.2
Monte Carlo Multifidelidade . . . . . . . . . . . . . . . . . . . . . . . . . . . .
116
5.3
Implementa¸ca˜o do algoritmo . . . . . . . . . . . . . . . . . . . . . . . . . . . .
119
5.4
Resultados obtidos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
121
6.
Conclus˜ oes e Trabalhos Futuros
127
6.1
Resultados e conclus˜ oes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 127
6.2
Sugest˜oes de Trabalhos Futuros . . . . . . . . . . . . . . . . . . . . . . . . . .
Referˆ encias
130
131
˜ E REVISAO ˜ 1. INTRODUC ¸ AO ´ BIBLIOGRAFICA O avan¸co dos computadores, com o aumento da sua capacidade de processamento e a paraleliza¸c˜ao, tem permitido `a simula¸ca˜o de reservat´orios, atrav´es de suas previs˜ oes, passar a ter papel preponderante nas tomadas de decis˜ao sobre o gerenciamento dos campos. Modelos cada vez mais detalhados, com um n´umero de blocos cada vez maior e capazes de representar as diferentes f´ısicas, tˆem sido desenvolvidos considerando grandes e complexos sistemas de equa¸c˜oes que consomem enormes recursos computacionais. Por outro lado, o significativo n´ıvel de incertezas nos parˆametros do reservat´orio (geologia, fluido, etc) e a necessidade de otimiza¸ca˜o dos recursos utilizados para a produ¸ca˜o (como equipamentos e investimentos) tˆem fomentado a concep¸c˜ao de estudos cada vez mais complexos e que requerem grande n´umero de simula¸c˜oes. Estudos como otimiza¸c˜ao dos controles dos po¸c os e an´alise de incertezas, consideram todo o tempo de concess˜ao dentro da simula¸c˜ao de reservat´orios e podem possuir um n´umero grande de vari´aveis. Sendo assim, o uso de modelos simplificados (baixa fidelidade), que aproximem o modelo de reservat´orios (alta fidelidade) com boa acur´acia e grande economia de tempo de simula¸ca˜o, tem se disseminado, permitindo o desenvolvimento de algoritmos multifidelidade para estudos de otimiza¸ca˜o e incertezas. Neste contexto, o presente trabalho teve como objetivo a utiliza¸c˜ao de um modelo simplificado de ordem reduzida para a diminui¸ca˜o do custo do processo de simula¸c˜a o de reservat´orios e aplica¸ca˜o a dois tipos de estudo de gerenciamento de reservat´orios de petr´oleo: otimiza¸ca˜o dos controles dos po¸cos e propaga¸ca˜o de incertezas dos controles. Tal modelo de ordem reduzida possui um custo para seu treinamento, mas apresenta grande ganho de tempo e boa acur´acia, podendo ser retreinado quando necess´ario. A t´ecnica escolhida para a constru¸c˜ao do modelo simplificado foi o TPWL (Tra-
17
18 jectory Piecewise Linearization ) combinado ao POD (Proper Orthogonal Decomposition ). A primeira faz basicamente a lineariza¸ca˜o das equa¸c˜oes de fluxo resolvidas no simulador em torno de estados convergidos e gravados durante uma ou mais simula¸c˜oes de treinamento e ´e respons´avel pela redu¸c˜ao da complexidade num´erica. A segunda consiste na redu¸c˜a o da dimens˜ ao do problema atrav´es da proje¸ca˜o dos estados em um espa¸co reduzido gerado pelas dire¸co˜es principais de maior variabilidade. O TPWL elimina a necessidade de resolver as equa¸c˜oes de forma iterativa j´a que as lineariza, transformando a simula¸ca˜o em uma sequˆencia de solu¸co˜es de sistemas lineares. Entretanto, essencialmente n˜ao h´a redu¸ca˜o da dimens˜ao do problema, isto ´e, a mesma quantidade de equa¸co˜es deve ser resolvida. Desta forma, com o objetivo de reduzir drasticamente o tempo de simula¸ca˜o do metamodelo quando comparado ao tempo gasto pelo simulador, aplicou-se uma t´ecnica conhecida como POD (Proper Orthogonal Decomposition ) ou PCA (Principal Component Analisys ). Esta t´ecnica baseia-se na existˆencia de correla¸c˜ao entre os mapas de satura¸c˜oes e fra¸c˜oes m´assicas gravados, de forma que estes possam ser representados em um espa¸co de dimens˜ao bem menor com pouca perda de informa¸c˜ao. Calcula-se uma base com os mapas gravados que ser´a aplicada a`s equa¸c˜oes do TPWL reduzindo drasticamente sua dimens˜ao. Para a constru¸ca˜o do modelo de ordem reduzida, al´ em de armazenarem-se os estados, faz-se necess´ario a grava¸ca˜o de algumas derivadas que aparecem na express˜a o da lineariza¸ca˜o. Sendo assim, o c´odigo do simulador precisou ser adaptado para exportar esta gama de dados (mapas e derivadas) de forma a permitir a constru¸c˜ao do modelo TPWL/POD. Isto ´e conhecido como metodologia semi-intrusiva, pois requer conhecimento do c´odigo do simulador, mas as altera¸co˜es realizadas n˜ao atingem os c´alculos. A escolha do simulador a ser utilizado foi diretamente influenciada por essa necessidade de acesso ao c´odigo. O simulador utilizado tem o nome de SIMPAR e foi desenvolvido na d´ecada de 90 pelo CENPES/Petrobras e est´a em processo de revitaliza¸ca˜o. Sua formula¸c˜ao ´e um pouco diferente do usual na ind´ustria. As vari´aveis prim´arias que descrevem os estados ao inv´ es ´ um simulador black-oil, mas o de press˜ao e satura¸co˜es s˜ao press˜oes e fra¸c˜oes m´assicas. E problema que se quer atacar ´e bif´asico e portanto utiliza uma op¸c˜ao espec´ıfica para modelar isso. O metamodelo constitu´ıdo pelo TPWL/POD foi constru´ıdo utilizando-se o Matlab, software amplamente utilizado para constru¸ca˜o de prot´otipos de algoritmos num´ericos. Sendo assim, avaliou-se qual seria a melhor forma de exportar as matrizes de mapas e deri-
1.1. Revis˜ ao Bibliogr´ afica
19
vadas calculadas pela simula¸c˜ao de treinamento de tal maneira que fosse f´acil de escrever a partir do c´odigo em FORTRAN do SIMPAR e de ler a partir do Matlab. Concluiu-se que a melhor maneira seria utilizar uma biblioteca para manipula¸ca˜o de grandes massas de dados, denominado HDF5 (Hierarchical Data Format Vers˜ao 5). O seu uso permitiu que os tempos de escrita e leitura dos dados n˜ao tornassem o treinamento do metamodelo muito caro. No estudo de otimiza¸c˜ao, considerou-se o problema de maximizar o valor presente l´ıquido para todo o tempo de concess˜ ao. O algoritmo utilizado ´e uma adapt¸ ca˜o do SAO (Sequential Approximation Optimization ) que considera dois n´ıveis de fidelidade. O metamodelo considerado ´e o TPWL/POD corrigido por uma superf´ıcie de resposta com krigagem. Esta ´e constru´ıda no interior da regi˜ao de confian¸ca atrav´es da simula¸ca˜o de alta (SIMPAR) e baixa (TPWL/POD) fidelidades em alguns pontos e interpola o erro entre os dois modelos. A regi˜ ao de confian¸ca (dimens˜oes e centro) ´e atualizada de acordo com a qualidade da aproxima¸ca˜o corrigida. Tamb´em foi proposto um crit´erio para o retreinamento do TPWL/POD, adicionando os estados calculados na simula¸ca˜o do centro da regi˜ao de confian¸ca ao conjunto de estados inicialmente considerados na constru¸c˜ao do modelo. Esta abordagem baseia-se no fato de que a acur´acia do TPWL ´e garantida nas proximidades da trajet´oria da simula¸ca˜o de treinamento e que `a medida que a qualidade da aproxima¸ca˜o diminua, faz-se necess´ario adicionar uma nova trajet´oria mais pr´oxima aos u ´ ltimos estados calculados. No estudo de incertezas, considerou-se um algoritmo Monte Carlo multifidelidade que tira proveito da correla¸c˜ao entre os modelos de alta e baixa fidelidade para reduzir o n´umero de execu¸co˜es do simulador de reservat´orios. O esquema estudado inclusive calcula qual deve ser a propor¸ca˜o o´tima entre o n´umero de simula¸co˜es de alta e baixa fidelidade baseado na correla¸ca˜o entre elas e na raz˜ao entre os custos computacionais.
1.1
Revis˜ ao Bibliogr´ afica Na a´rea de gerenciamento de reservat´orios dois problemas de grande interesse s˜ao
a otimiza¸ca˜o dos controles dos po¸cos e a propaga¸c˜ao de incertezas. A estrat´egia de produ¸ca˜o mais comum dos campos de petr´oleo no Brasil e no mundo utiliza-se da inje¸ca˜ o de ´agua, sendo a mesma utilizada nos casos aqui estudados. A fun¸ca˜o objetivo a ser avaliada, tanto nos casos de otimiza¸ca˜o como para a an´alise de incertezas, ´e o Valor Presente L´ıquido, ou simplesmente, VPL, que mede o retorno econˆomico do campo ao fim do tempo de concess˜ao.
1.1. Revis˜ ao Bibliogr´ afica
20
Os controles aqui considerados s˜ao as press˜oes de fundo dos po¸cos. Isto, na pr´ atica, com o advento das completa¸c˜oes inteligentes, ´e uma simplifica¸c˜ao grosseira e deveria ser substitu´ıdo por modelos integrados que simulariam v´alvulas e facilidades, transferindo os controles do fundo dos po¸cos para os verdadeiros pontos de controle da opera¸ca˜o. Existe uma extensa literatura sobre otimiza¸c˜ao de controles de po¸cos. Pode-se classificar os m´etodos de acordo com o grau de intrus˜ a o no c´odigo do simulador de reservat´orios. Os m´etodos mais intrusivos utilizam-se da t´ecnica adjunta para calcular o gradiente da fun¸c˜ao objetivo com rela¸c˜ao a`s vari´aveis de controle (Jansen, 2011) e est˜ao entre os m´etodos mais eficientes (Brower and Jansen, 2004; Sarma et al., 2008; Chen et al., 2010, 2012). Os m´etodos adjuntos necessitam de grande esfor¸co de programa¸ca˜o para serem implementados e portanto n˜ao est˜ao dispon´ıveis nos simuladores comerciais at´e agora. Os m´etodos semi-intrusivos utilizam-se de modelos de ordem reduzida como Trajectory Piecewise Linearization - TPWL (Cardoso, 2009; He, 2010; Cardoso and Durlofsky, 2010; He et al., 2011; He and Durlofsky, 2013) ou Discrete Empirical Interpolation - DEIM (Gildin et al., 2013; Chaturantabut and Sorensen, Dez/2009) ou ainda podem utilizar a simula¸ca˜o de linhas de fluxo (Alhuthali et al., 2009). Os m´etodos n˜ao intrusivos usam o simulador como uma “caixa preta” e s˜ao puramente baseados nos dados das simula¸co˜es anteriores. Alguns destes algoritmos usam t´ecnicas evolucion´arias (Oliveira, 2006; Almeida et al., 2010; Souza et al., 2010), m´etodos de busca de padr˜oes (Asadollahi and Naevdal, 2010) e m´etodos baseados em modelos substitutos (Queipo et al., 2002; CMOST, 2012). Existe uma outra classe de algoritmos considerados derivative free (sem derivadas) que aproximam os gradientes da fun¸ca˜o objetivo utilizando metodologias estoc´asticas (Wang et al., 2009) e m´etodos baseados em conjunto (ensemble-based ) (Chen and Oliver, 2010) que podem ser corrigidos por c´alculos de diferen¸cas finitas (Xia and Reynolds, 2013) ou serem incorporados em um modelo de interpola¸ca˜o quadr´atico (Zhao et al., 2011). Uma discuss˜ao mais completa ´e encontrada em (Conn et al., 2009). No estudo de otimiza¸c˜ao da produ¸c˜ao realizado neste trabalho, o m´etodo considerado ´e do tipo semi-intrusivo conhecido como Trajectory Piecewise Linearization - TPWL (Rewienski, 2003). Este foi inicialmente aplicado ao problema de simula¸ca˜o de reservat´orios em (Cardoso, 2009; Cardoso and Durlofsky, 2010) e aperfei¸coado em (He, 2010; He et al., 2011). Este ´e um modelo de ordem reduzida f´ısico que se baseia na lineariza¸ca˜o das equa¸c˜oes de fluxo em torno de estados previamente convergidos e gravados durante uma ou mais ´ utilizado como redutor da complexidade num´erica na aprosimula¸c˜oes de treinamento. E xima¸c˜ao (Markovinovic, 2003). Este m´etodo ´e normalmente combinado com a t´ecnica Proper
1.1. Revis˜ ao Bibliogr´ afica
21
Orthogonal Decomposition - POD para reduzir a dimens˜ao do problema. Existem alguns relatos de instabilidade na literatura acerca deste m´etodo (He, 2010; Gildin et al., 2013). Entretanto, o problema de instabilidade parece ter sido resolvido ao trocar-se a proje¸c˜ao de Bubinov-Galerkin por uma proje¸ca˜o de Petrov-Galerkin (Carlberg et al., 2009; He and Durlofsky, 2013). Os desenvolvimentos do TPWL/POD em (Cardoso, 2009; He, 2010) foram aplicados ao problema de simula¸c˜ao bif´asica (´oleo e ´agua) com formula¸c˜ao baseada em satura¸co˜es. J´a em (He and Durlofsky, 2013) aplicou-se a t´ecnica de redu¸ca˜o a uma formula¸ca˜o composicional baseada em fra¸c˜oes molares. No presente trabalho a formula¸ca˜o considerada ´e a´gua-´oleo baseada em fra¸co˜es m´assicas. Os aspectos te´ oricos e as vantagens desta formula¸ca˜o podem ser obtidas em (Maliska et al., 1997). Como a simula¸c˜ao de reservat´orios tem um elevado custo computacional, muitas vezes n˜ao ´e poss´ıvel acopl´a-la diretamente ao algoritmo de otimiza¸c˜ao. Sendo assim, utilizase um modelo substituto composto pelo TPWL/POD corrigido por uma aproxima¸c˜a o por krigagem de dados obtidos em simula¸co˜es no interior de uma regi˜ao de confian¸ca (Giunta, 2002; Forrester et al., 2008). Efetua-se ent˜ao a simula¸ca˜o do modelo de reservat´orios (alta fidelidade) e do TPWL/POD (baixa fidelidade) em pontos amostrados no interior da regi˜ao de confian¸ca utilizando-se a t´ecnica do hipercubo latino. Um preditor de krigagem ´e constru´ıdo com a diferen¸ca dos dois e ser´ a utilizado na corre¸c˜ao do TPWL/POD durante o processo de otimiza¸ca˜o no interior desta regi˜ao de confian¸ca utilizando-se o algoritmo de otimiza¸ca˜o sequencial quadr´atica (SQP) (Powel, 1978). O algoritmo baseado em um modelo substituto v´alido no interior de uma regi˜ao de confian¸ca, tranformando o problema de otimiza¸ca˜o em uma sequˆencia de problemas aproximados, ´e conhecido na literatura como Sequential Aproximation Optimization Algorithm - SAO (Alexandrov et al., 1997). Tal algoritmo, em sua vers˜ao cl´assica considerando somente a krigagem como modelo substituto, foi aplicado ao problema de otimiza¸c˜ao do gerenciamento de campos de petr´oleo em (Horowitz et al., 2013). No caso deste trabalho, como utilizam-se dois n´ıveis de fidelidade, d´a-se o nome de Multifidelity SAO - MSAO. Com rela¸ca˜o a aplica¸ca˜ o de m´ ultiplas fidelidades `a quantifica¸ca˜o de incertezas, existem alguns esfor¸cos na literatura reportados em (Ng et al., 2013). Em an´alise de confiabilidade, uma abordagem muito parecida com a otimiza¸c˜ao multifidelidade consiste em executar um n´umero grande de simula¸c˜oes do modelo de baixa fidelidade de forma a aproximar a fronteira de estados limite e corrigir esta estimativa com poucas simula¸c˜oes de alta
1.2. Objetivos do Trabalho
22
fidelidade (Li and Xiu, 2010). Aproxima¸ co˜es polinomiais (e. g. expans˜ao em caos polinomial) das sa´ıdas do modelo de alta fidelidade podem ser constru´ıdas combinando-se uma aproxima¸ca˜o de baixa fidelidade em um gird mais fino e uma corre¸ca˜o que utiliza o modelo de alta fidelidade num grid mais grosseiro (Ng and Eldred, 2012). Tamb´ em existem abordagens para amostragem multifidelidade para propaga¸c˜ao de incertezas que se baseiam numa regress˜ao Bayesiana entre as sa´ıdas dos modelos de alta e baixa fidelidade. A aplica¸ca˜o de quantifica¸ca˜o de incerteza aqui estudada baseia-se na t´ecnica de vari´ aveis de controle (control variate ) aplicada `a simula¸c˜ao Monte Carlo (Glynn and Szechtman, 2000; Nelson, Nov-Dez/1990) e foi desenvolvida para o problema de estima¸c˜a o de parˆametros estat´ısticos da sa´ıda do modelo de alta fidelidade como, por exemplo, m´edia e variˆ ancia dadas as distribui¸co˜es das vari´aveis de entrada.
1.2
Objetivos do Trabalho O desenvolvimento de modelos multifidelidade em geral e aplicados a simula¸ca˜o
de reservat´orios tem crescido bastante nos ´ultimos anos. Estudos de gerenciamento de reservat´orios como otimiza¸c˜ao de controles ou posi¸ca˜o dos po¸cos, an´alise de incertezas ou a combina¸ca˜ o dos dois u ´ ltimos, resultando na otimiza¸c˜ao sob incertezas necessitam de um n´umero cada vez maior de simula¸c˜oes. Por outro lado a tendˆencia ´e que estes modelos de simula¸c˜ao se tornem cada vez mais complexos e portanto, mesmo com o desenvolvimento de computadores mais r´apidos e com a tendˆencia de paraleliza¸ca˜o, consumam ainda muito tempo. Sendo assim, se torna imperativo o uso de modelos substitutos simplificados que aproximem o resultado das simula¸co˜es mas consumam muito menos tempo. Esta disserta¸c˜ao n˜ao est´a dedicada ao desenvolvimento de uma nova t´ecnica para concep¸ca˜o de modelos substitutos, mas sim `a utiliza¸ca˜o de um tipo de modelo de ordem reduzida em estudos de otimiza¸ca˜o e de propaga¸c˜ao de incertezas utilizando o recurso da simula¸c˜ao de reservat´orios. A ideia ´e construir um modelo baseado na combina¸ca˜o de duas t´ecnicas: Trajectory Piecewise Linearization - TPWL e Proper Orthogonal Decomposition POD como redutores de complexidade num´erica e dimens˜ao, respectivamente. Este modelo precisa se acoplar a um simulador de reservat´ orios e, por necessitar de mais dados do que o normalemente exportado, necessita de conhecimento do c´odigo-fonte do simulador. Finalmente, dois algoritmos, um para otimiza¸ca˜o e outro para propaga¸c˜ao de incertezas, s˜ao constru´ıdos e adaptados para utilizarem um esquema multifidelidade que considere o modelo
1.3. Organiza¸ c˜ao da Disserta¸ca˜o
23
de ordem reduzida em quest˜ao. S˜ao considerados objetivos espec´ıficos deste trabalho:
• Estudar em detalhe a formula¸c˜ao de fluxo e o c´odigo-fonte do simulador SIMPAR, desenvolvido pelo CENPES/Petrobras para poder utiliz´a-lo em algoritmos semi-intrusivos
de otimiza¸c˜ao. Contribuir com a proposta de revitaliza¸c˜ao do simulador para uso nas pesquisas desempenhadas nas universidades brasileiras inseridas na rede SIGER.
• Estudar em detalhes a t´ecnica e desenvolver um c´odigo para o modelo de ordem reduzida baseado no TPWL/POD que possa ser acoplado ao simulador SIMPAR.
• Avaliar a proje¸ca˜o de Petrov-Galerkin em substitui¸ca˜o de Bubnov-Galerkin na estabiliza¸ca˜o do TPWL.
• Estudar a metodologia e desenvolver um c´odigo para o algoritmo de otimiza¸ca˜o multifidelidade baseado em modelos substitutos que se acople ao simulador em quest˜ao e ao modelo de ordem reduzida estudado considerando uma ´unica fun¸c˜ao objetivo.
• Propor uma metodologia para retreinamento do TPWL ao longo do processo de oti-
miza¸ca˜o, com a defini¸c˜ao de um crit´erio para decidir quando o retreinamento deve ocorrer.
• Estudar o arcabou¸co matem´atico e estat´ıstico e desenvolver um c´odigo para o algoritmo Monte Carlo Multifidelidade acoplado ao mesmo simulador e ao mesmo modelo de ordem reduzida e considerando incertezas nos controles dos po¸cos.
1.3
Organiza¸ c˜ ao da Disserta¸c˜ ao A disserta¸ca˜o foi dividida em quatro partes que correspondem exatamente aos
passos transcorridos na pesquisa. O Cap´ıtulo 2 contem todo o conte´ udo de simula¸c˜a o de reservat´orios necess´ario para o desenvolvimento do restante da pesquisa. O software SIMPAR, desenvolvido na d´ecada de 90 pelo CENPES/Petrobras, foi escolhido como simulador de reservat´orios a ser utilizado neste trabalho. A escolha se deve `a necessidade de acesso irrestrito ao c´odigo do simulador. No entanto, apesar de ser considerado um simulador black-oil , possui uma formula¸c˜ao distinta da maioria dos softwares comerciais. Suas vari´ aveis prim´arias s˜ao press˜ao
1.3. Organiza¸ c˜ao da Disserta¸ca˜o
24
e fra¸co˜es m´assicas, diferentemente da formula¸c˜ao por press˜oes e satura¸co˜es usualmente utilizada nos simuladores comerciais. Esta formula¸ca˜o foi escolhida no desenvolvimento desse simulador por ser mais facilmente extens´ıvel ao caso composicional e por eliminar o principal inconveniente da formula¸ca˜o por balan¸co de fases: o desaparecimento da fase gasosa em caso de subsatura¸ca˜o. Sendo assim, um cap´ıtulo foi dedicado a` dedu¸ca˜o da equa¸ca˜o de fluxo e `a sua discretiza¸ca˜o e a outros aspectos importantes, como modelo de po¸co e as defini¸c˜oes de grandezas b´asicas na simula¸ca˜o, sempre atendo-se `as peculiaridades do simulador que ser´a utilizado. Isto ´e uma tentativa de fazer da disserta¸ca˜o um documento autocontido, permitindo a um leitor leigo obter os fundamentos b´asicos da simula¸c˜ao de reservat´orios que ter´a papel preponderante nos pr´oximos cap´ıtulos. Este mesmo cap´ıtulo possui alguns resultados de valida¸c˜ao do SIMPAR, comparando resultados obtidos com ele e com um simulado comercial, o IMEX da CMG. Tais resultados foram gerados com dois modelos de reservat´orios. Um deles ´e um corte do modelo SPE10 e possui 24.000 c´elulas e o outro ´e uma adapta¸ca˜o com malha cartesiana para o modelo de Brugge amplamente divulgado na literatura e contendo em torno de 60 .000 c´elulas. Ambos consideram somente o fluxo de o´leo e ´agua. O Cap´ıtulo 3 dedica-se a estudar o modelo de ordem reduzida escolhido para ser aplicado. Este modelo utiliza a t´ecnica TPWL (Trajectory Piecewise Linearization ) como redutor da complexidade num´erica e o POD (Proper Orthogonal Decomposition ) como redutor da dimens˜ao do problema. Os aspectos te´oricos sobre ambas as t´ecnicas foram expostos, com toda a formula¸ca˜o aplicada ao problema de simula¸ca˜o de fluxo em reservat´orios. Entretanto, este modelo reduzido n˜ao ´e meramente baseado em resultados de simula¸c˜o es. O TPWL concebe um modelo substituto f´ısico atrav´es da lineariza¸ca˜o da equa¸c˜ao de fluxo em torno de estados convergidos em uma simula¸ca˜o de treinamento, transformando a simula¸ca˜o de reservat´orios em uma sequˆencia de solu¸co˜es de sistemas lineares. Portanto, depende da exporta¸c˜ao n˜ao s´o dos mapas de estados mas tamb´em de diversas derivadas dos res´ıduos. Os detalhes da implementa¸ca˜o, como, por exemplo, a maneira de exporta¸c˜ao dos dados do simulador e as ferramentas escolhidas para a constru¸ca˜o do modelo est˜ao descritos. Tamb´em ´e descrito o processo de retreinamento em torno de uma nova simula¸ca˜o e que vir´a a ser utilizado no algoritmo de otimiza¸c˜ao. Alguns resultados comparativos da simula¸ c˜ao do SIMPAR (alta fidelidade) com o TPWL (baixa fidelidade) s˜ao apresentados com uma u ´ nica simula¸c˜ao de treinamento e considerando retreinamento em torno de diferentes simula¸c˜oes de modo a avaliar a acur´acia da aproxima¸ca˜o de ordem reduzida. Para tal estudo ´e utilizado o
1.3. Organiza¸ c˜ao da Disserta¸ca˜o
25
modelo SPE10 apresentado no cap´ıtulo 2 considerando trˆes vers˜oes: uma totalmente incompress´ıvel e com densidades de ambos os fluidos idˆenticas (caso mais estudado na literatura at´e ent˜ao), uma considerando as densidades diferentes, mas ainda total incompressibilidade (o que aumenta enormemente a n˜ao linearidade do problema) e uma tamb´ em com densidades diferentes e considerando compressibilidade de rocha e para os fluidos. Prova-se que a acur´acia do modelo reduzido diminui consideravelmente com a considera¸c˜ao das densidades diferentes e se reduz um pouco mais ao considerar-se as compressibilidades. O Cap´ıtulo 4 ataca o problema da otimiza¸ca˜o dos controles dos po¸c os em um campo de petr´oleo. A fun¸c˜ao objetivo a ser maximizada ´e o Valor Presente L´ıquido - VPL e as vari´aveis de projeto s˜ao os controles dos po¸cos, que neste trabalho s˜ao as press˜oes de fundo de po¸c o. Sendo assim, prop˜oe-se uma estrat´egia multifidelidade na qual o modelo de ordem reduzida TPWL ´e v´alido no interior de uma regi˜ao de confian¸ca e corrigido por um modelo de krigagem. Para tanto, faz-se necess´ ario treinar o TPWL considerando uma simula¸c˜ao controlada por uma sequˆencia aleat´oria de press˜oes de fundo e a cada itera¸c˜ao devese amostrar o espa¸co contido no interior da regi˜ao de confian¸ca e simular os pontos amostrados com o modelo de alta fidelidade (simulador SIMPAR) e baixa fidelidade (TPWL). Controi-se ent˜ao uma superf´ıcie de resposta para o erro entre eles que deve ser adicionada ao TPWL como corre¸ca˜o. Desta forma, a cada itera¸c˜ao o centro e as dimens˜oes da regi˜ao de confian¸ca s˜ao atualizados de acordo com a qualidade da aproxima¸ca˜o. A otimiza¸ca˜o realizada no interior desta regi˜ao baseia-se no algoritmo Sequential Quadratic Programming e ´e aplicada ao modelo aproximado com corre¸ca˜o. Isto ´e o que se conhece como algoritmo de otimiza¸c˜ao aproximada sequencial multifidelidade (MSAO - Multifidelity Sequential Approximation Optmization ), o qual transforma a otimiza¸c˜ao do problema com a fun¸ca˜o objetivo real em uma sequˆencia de otimiza¸co˜es aproximadas. Eventualmente espera-se que haja a necessidade de retreinamento do TPWL. Isto consiste em adicionar ao conjunto de estados j´a considerados no primeiro treinamento, um conjunto de estados e derivadas calculados na simula¸ca˜o do centro da ´ultima regi˜ao de confian¸ca, o que aumenta a acur´acia do metamodelo nas proximidades deste ponto. Alguns resultados foram gerados com os modelos SPE10 e Brugge modificados, em ambos os casos considerando densidades diferentes para o´leo e ´agua e compressibilidades n˜ao-nulas. V´arias situa¸co˜es foram testadas variando-se o crit´ erio de retreinamento, podendose assim avaliar o desempenho desta t´ecnica. Como compara¸ca˜o o otimizador foi conectado diretamente ao simulador e ao TPWL para avaliar os ganhos de utilizar-se o MSAO.
1.4. Lista de publica¸co˜es
26
A u ´ltima parte da pesquisa, relatada no cap´ıtulo 5, consisitu na utiliza¸ca˜ o do TPWL em um algoritmo para propaga¸ca˜o de incertezas. Este ´e um tipo de Monte Carlo Multifidelidade, baseado na metodologia das vari´aveis de controle (Control Variates Method ) e se vale da correla¸c˜ao entre os modelos de alta e baixa fidelidade para reduzir o n´umero de simula¸co˜es utilizando o simulador, substituindo-as de maneira ´otima por simula¸co˜es de baixa fidelidade. O arcabou¸co estat´ıstico e matem´atico bem como a dedu¸ca˜o do m´etodo s˜ao apresentados, construindo-se um algoritmo que gradativamente aumenta o n´umero de avalia¸c˜oes da fun¸c˜ao VPL de alta fidelidade e ´e capaz de calcular a m´edia e o desvio padr˜ao desta vari´avel com menos simula¸co˜es do que o m´etodo de Monte Carlo convencional. Os resultados obtidos utilizam o modelo baseado no SPE10 na vers˜ao incompress´ıvel e com densidades iguais e compress´ıvel com densidades iguais. Ao final do trabalho algumas conclus˜oes acerca do uso do TPWL em estudos de otimiza¸ca˜o e de propaga¸c˜ao de incertezas s˜ao apresentadas no cap´ıtulo 6. Algumas sugest˜ oes de trabalhos futuros s˜ao apresentadas, considerando tanto novos estudos que precisariam ser realizados como melhorias dos algoritmos aqui utilizados.
1.4
Lista de publica¸ co ˜es Esta disserta¸ca˜o culminou na publica¸ca˜o dos quatro resumos e trabalhos completos
em anais de congressos internacionais listados abaixo.
• Fragoso, Manuel Jr.; Horowitz, Bernardo; Rodrigues, Jos´e Roberto Pereira. A Re-
duced Order Surrogate Model for Optimal Reservoir Management. 14th European Conference on Mathematics of Oil Recovery, ECMOR. Set, 2014. Catania, Sicilia, It´ alia.
• Fragoso, Manuel Jr.; Horowitz, Bernardo; Rodrigues, Jos´e Roberto Pereira. A Multi-
fidelity Approach to Waterflooding Optimization. 4th International Conference on Engineering Optimization, EngOpt . Set, 2014. Lisboa, Portugal.
• Fragoso, Manuel Jr.; Horowitz, Bernardo; Rodrigues, Jos´e Roberto Pereira. A Redu-
ced Order Method to Waterflooding Optimization. 35th Iberian Latin American Congress on Computational Methods in Engineering, CILAMCE . Nov, 2014 Fortaleza, Brasil.
• Fragoso, Manuel Jr.; Horowitz, Bernardo; Rodrigues, Jos´e Roberto Pereira. Retrai-
1.4. Lista de publica¸co˜es
27
ning Criteria for TPWL/POD Surrogate Based Waterflodding Optimization. Reservoir Simulation Simposium, RSS . Fev, 2015. Houston, EUA. Tamb´em resultou na apresenta¸ca˜o oral do seguinte trabalho.
• Horowitz, Bernardo; Afonso, Silvana Maria Bastos; Fragoso, Manuel Jr. Surrogate Based Waterflooding Optimization. 1st International Symposium on Energy Chalenges and Mechanics, ECM . Jul, 2014. Aberdeen, Esc´ocia, Reino Unido. Finalmente, culminou na aceita¸ca˜o para a publica¸ca˜o do seguinte artigo de revista que se encontra em processo de revis˜ao.
• Fragoso, Manuel Jr.; Horowitz, Bernardo; Rodrigues, Jos´e Roberto Pereira. A Re-
duced Order Surrogate Model for Optimal Reservoir Management . Selected contributions from the 14th European Conference on the Mathematics of Oil Recovery (ECMOR XIV). Computational Geosciences, Springer.
˜ 2. CONCEITOS DE SIMULAC ¸ AO ´ DE RESERVATORIOS Com o aumento da demanda global por hidrocarbonetos e a consequente alta no pre¸co do petr´oleo, novas fronteiras de explora¸c˜ao de petr´oleo cada vez mais complexas tˆem se mostrado vi´aveis. Com isso, engenheiros de reservat´orios se deparam com desafios crescentes para gerar previs˜oes de produ¸c˜ao e estimativas de reserva. Para realizar tais previs˜oes de produ¸ca˜o, s˜ao constru´ıdos modelos matem´aticos que representam o que ocorre nas rochas que servem de acumula¸c˜ao para os hidrocarbonetos em subsuperf´ıcie. O problema b´asico a ser resolvido ´e o c´alculo do fluxo atrav´es do reservat´orio e das vaz˜oes de produ¸c˜ao e inje¸c˜ao em cada po¸co, dados os controles aplicados ao longo do tempo. Note que, em geral, ocorre a produ¸ca˜o de trˆes fluidos distintos: a´gua, o´leo e g´as. A composi¸c˜ao das fases ´oleo e g´as pode ser bastante complexa, o que pode levar a considera¸ca˜o de diferentes componentes presentes nestas fases e `a concep¸c˜ao de modelos denominados composicionais. Esta considera¸c˜ao aumenta consideravelmente a complexidade do problema e n˜ao ser´a considerada neste trabalho. O modelo aqui considerado se limitar´ a ao fluxo de trˆes fluidos (´agua, o´leo e g´as) que fluem independentemente de sua composi¸ca˜o. ´ o que se d´a o nome de modelo black-oil . E Por outro lado, h´a muitas incertezas nos parˆametros dos modelos de reservat´orio que s˜ao constru´ıdos de modo que nenhum estudo de reservat´orios pode negligencia-las. Isto complica ainda mais o processo, demandando o uso de t´ecnicas estat´ısticas espec´ıficas para lidar com incertezas, al´em de consumir muito recurso computacional com a necessidade de um n´ umero grande de simula¸co˜es. Todavia, o interesse final do processo de previs˜ao de produ¸c˜ao ´e a defini¸ca˜o da estrat´egia ´otima para a produ¸ca˜o de uma acumula¸ca˜o de petr´oleo, considerando as muitas maneiras de posicionar ou controlar os po¸cos. Para tanto, demanda-se a utiliza¸ca˜o de t´ecnicas 28
29 de otimiza¸ca˜o e aumenta-se ainda mais o n´ umero de simula¸co˜es a serem executadas. Todo este processo significa em suma estimar a produ¸ca˜o em m´ ultiplos cen´arios de forma a quantificar riscos e melhorar os resultados. Tudo isto, al´em da necessidade de modelos cada vez mais detalhados, motiva o desenvolvimento de simuladores de reservat´orio mais eficientes e acurados. Nesse cap´ıtulo ser˜ao abordados os aspectos do modelo matem´atico para fluxo em meios porosos utilizado na simula¸ca˜o de reservat´orios de petr´oleo e as principais caracter´ısticas do software (simulador de fluxo) utilizado em todos os estudos deste trabalho. Utilizou-se um simulador desenvolvido por uma equipe do CENPES/Petrobras no in´ıcio da ´ um simulador d´ecada de noventa e conhecido como SIMPAR (Rodrigues and Bonet, 1991). E do tipo black-oil (Ertekin et al., 2011), isto ´e, que considera o fluxo de trˆes fases (aquosa, oleosa e gasosa) e trˆes pseudo-compononentes (´oleo, ´a gua e g´as). Na verdade, este simulador ´e capaz de considerar um quarto componente chamado de pol´ımero o que possibilita a simula¸ca˜o de estrat´egias de produ¸ca˜o que considerem a inje¸ca˜o de pol´ımeros voltada, por exemplo, para o controle da produ¸ca˜o de ´agua. Como o objetivo do presente trabalho reside no problema de otimiza¸c˜ao da inje¸ca˜o de ´agua em um reservat´orio subsaturado, utlizar-se-´a uma simplifica¸ca˜o do modelo blackoil , conhecida como modelo ´agua-´oleo, que considera somente a existˆencia de duas fases no reservat´orio (´a gua e ´oleo). Quando configurado para simular este modelo, o SIMPAR considera que o componente g´as existe somente em solu¸c˜a o na fase ´oleo e, portanto, caso o usu´ario determine uma raz˜ao de solubilidade, haver´a produ¸ca˜o de g´as, mas esse g´as n˜ao estar´a fluindo livremente no reservat´orio. No presente estudo, considera-se a raz˜ao de solubilidade igual a zero somente por simplicidade. Uma importante caracter´ıstica do SIMPAR que o diferencia da maioria dos simuladores black-oil comerciais ´e a sua formula¸ca˜o por fra¸co˜es m´assicas. Ao inv´es de utilizar-se das equa¸c˜oes diferenciais expressas com base em satura¸c˜oes volum´etricas das fases como ´e comum entre os outros softwares de simula¸ca˜o blackoil , este simulador utiliza equa¸c˜oes baseadas em fra¸c˜oes m´assicas dos componentes. Esta formula¸c˜ao possui vantagens e caracter´ısticas pr´oprias como descrito na se¸ca˜o 2.1. O cap´ıtulo tratar´a inicialmente da formula¸ca˜o matem´atica do problema, deduzindo muito rapidamente na primeira se¸ca˜o as equa¸c˜oes diferencias de fluxo para o modelo ´agua-oleo na sua formula¸c˜ao por fra¸c˜oes m´assicas. Na segunda se¸ca˜o, descreve-se a discretiza¸ca˜o em diferen¸cas finitas do sistema de equa¸co˜es diferenciais, a qual ´e utilizadoa para
2.1. Equa¸c˜oes de fluxo
30
a solu¸ca˜o num´ erica realizada no simulador. A terceira se¸c˜ao estuda o tratamento dado aos termos de produ¸c˜ao/inje¸ca˜o (termos de po¸co) pelo SIMPAR. Isto ´e devido `a importˆancia que o modelo de po¸co tem no processo de c´alculo das vaz˜oes produzidas e injetadas, as quais s˜ao as entradas da fun¸ca˜o objetivo utilizada ao longo deste trabalho. A quarta se¸c˜ao contem os resultados da compara¸c˜ao dos resultados obtidos com o SIMPAR e com um simulador comer´ uma tentativa de valida¸c˜ao do cial, desenvolvido pela Computer Modeling Group, o IMEX. E primeiro considerando os resultados do outro, amplamente utilizado.
2.1
Equa¸c˜ oes de fluxo Do ponto de vista matem´atico, a fun¸c˜ao b´asica de um simulador de reservat´orios
´e resolver numericamente um sistema de equa¸co˜es diferenciais que modela o fluxo em um meio poroso de fases distintas contendo um ou mais componentes. Em um modelo conhecido como black-oil , s˜ao trˆes as fases — oleosa, gasosa e aquosa — e trˆes os componentes — ´oleo, ´a gua e g´as. Al´em disso, admite-se que o g´as pode estar livre ou dissolvido no ´oleo. Neste trabalho, s´o ser˜ao considerados dois destes componentes e fases: ´oleo e a fase oleosa e ´agua e a fase aquosa. Isto ´e que se chama de modelo ´agua-´oleo. Classicamente, a maioria dos simuladores considera em sua formula¸c˜ao o balan¸co de massa entre as fases e, para representar a parcela de cada fase, consideram as satura¸c˜oes volum´etricas de cada fase em rela¸c˜ao ao total (Ertekin et al., 2011). Entretanto, o simulador utilizado neste estudo possui uma formula¸ca˜o distinta, considerando o balan¸co de massa dos componentes. Para tanto, contabiliza-se a participa¸c˜ao de cada um dos componentes atrav´es de sua fra¸c˜ao m´assica em rela¸c˜ao `a massa total. Desta forma, utiliza como vari´aveis prim´arias as fra¸co˜es m´assicas ao inv´es das satura¸co˜es (Maliska et al., 1997). Tal formula¸ca˜o possui algumas vantagens como descritas em (Maliska et al., 1997) e (Rodrigues and Bonet, 1991). Basicamente a escolha se deve a dois fatores: 1. n˜ao ´e necess´ario nenhum tipo de tratamento especial para o g´as. Quando se consideram as satura¸c˜o es das fases, se todo o g´as estiver dissolvido, a fase g´ a s deixa de estar presente, isto ´e, sua satura¸ca˜o ´e zero, o que exige um tratamento especial para o desaparecimento da fase, por exemplo, mudan¸ca de vari´aveis ou manuten¸ca˜o de uma satura¸ca˜o residual; 2. esta ´e a formula¸ca˜o natural para a constru¸ca˜o de um modelo composicional, o que
2.1. Equa¸c˜oes de fluxo
31
facilitaria bastante se houvesse o interesse de extender o simulador para simula¸c˜ao composicional. Neste trabalho, como j´ a mencionado, s´o ser´a considerado o problema bif´asico ´agua-´oleo. Entretanto, o SIMPAR ´e capaz de simular um modelo black-oil completo com a presen¸ca de pol´ımeros que seriam injetados. O tipo de modelo a ser simulado ´e uma das entradas de seu arquivo de entrada conforme seu manual (CENPES, 1995). Abaixo s˜ao deduzidas as equa¸co˜es de fluxo para esse modelo de duas fases e dois componentes. Entretanto, a dedu¸c˜ao ´e extens´ıvel para o problema trif´asico, adicionandose uma equa¸ca˜o de balan¸co e considerando-se as caracte´ısticas espec´ıficas do componente g´as, como compressibilidade e solubilidade no ´oleo. Inicialmente considera-se um modelo unidimensional e um fluido, embora a extens˜ao para trˆes dimens˜oes e dois fluidos seja simples e ser´a considerada ao final desta se¸ca˜o. Sendo assim, para in´ıcio da dedu¸ca˜o, considere um volume de controle e seus vizinhos como mostra a Figura 2.1.
Fig. 2.1: Volume de controle e seus vizinhos Fazendo-se o balan¸co de massa no interior desse volume de controle obtem-se a Equa¸ca˜o 2.1, onde M in ´e a massa que entra no volume de controle, M out ´e a massa que sai do volume de controle, M s ´e a massa injetada/produzida a partir de um po¸co completado no volume de controle e M acc ´e a massa acumulada no volume de controle.
M in
− M
out + M s = M acc
(2.1)
A vaz˜ao m´assica m que ˙ entra ou sai do volume de controle ´e calculada pelo produto da velocidade do fluido v x por sua densidade ρ e pela ´area da interface A x , como na Equa¸ca˜o 2.2. A massa que entra ou sai ´e a integral de m. ˙
· ·
˙ m = A x ρ vx
(2.2)
2.1. Equa¸c˜oes de fluxo
32
A massa acumulada ´e obtida na Equa¸c˜ao 2.3. Ela ´e calculada pela diferen¸ca entre a massa contida no interior do volume de controle no instante t + δt e contida no instante anterior t e depende da porosidade no volume de controle φ e do volume de controle V b .
·
M acc = (ρ φ V b )t+∆t
− (ρ · φ V )
b t
(2.3)
onde Aplicando as Equa¸c˜oes 2.2 e 2.3 `a Equa¸c˜ao 2.1, obtem-se a Equa¸c˜ao 2.4.
· ·
(Ax ρ vx,i
1/2
−
−A ·ρ·v
x,i+1/2 +
x
·
· ·
˙ s ) ∆t = (ρ φ V b )t+∆t m
− (ρ · φ · V )
b t
(2.4)
·
Manipulando a equa¸ca˜o anterior, dividindo-se ambos os membros por V b ∆t, obtem-se a Equa¸ca˜o 2.5.
·
ρ vx,i
1/2
−
−ρ·v
x,i+1/2
∆x
·
− ·
˙s (ρ φ)t+∆t (ρ φ)t m = ∆t V b
+
(2.5)
Supondo-se que o volume de controle e o intervalo de tempo considerados sejam pequenos o suficiente para uma aproxima¸ca˜o cont´ınua, a Equa¸c˜ao 2.5 pode ser reescrita em termos da equa¸ca˜o diferencial 2.6
·
·
˙s ∂ (ρ vx ) m ∂ (ρ φ) + = ∂x V b ∂t
(2.6)
Considerando-se que a rocha reservat´orio ´e um meio poroso e que as velocidades dos fluidos em seu interior s˜ao pequenas, pode-se calcular tal velocidade vx como fun¸ca˜o do potencial hidr´aulico Φ atrav´es da lei de Darcy generalizada, conforme a Equa¸ca˜o 2.7 onde k ´e a permeabilidade ao fluido (caso haja mais de um fluido, ´e o produto da permeabilidade absoluta pela relativa) e µ ´e a viscosidade do fluido.
vx =
k ∂ Φ µ ∂x
·
(2.7)
Aqui define-se o potencial hidr´aulico conforme a Equa¸ca˜o 2.8 em fun¸c˜ao da profundidade D em rela¸c˜ao a` uma referˆencia, `a press˜ao do fluido. Nesta equa¸ca˜o, γ representa o peso espec´ıfico do fluido.
Φ = p
− γD
(2.8)
2.1. Equa¸c˜oes de fluxo
33
Substituido a express˜ao para vx da Equa¸ca˜o 2.7 na equa¸c˜ao de balan¸co 2.6 obtemse 2.9. ∂ ∂x
� · · � ρ
k ∂ Φ µ ∂x
˙s m ∂ = (ρ φ) V b ∂t
·
+
(2.9)
Esta equa¸c˜ao pode ser extendida para trˆes dimens˜oes somando-se as contribui¸co˜es das trˆes dire¸c˜oes conforme Equa¸ca˜o 2.10.
∂ ∂x
�·
k x ∂ Φ ρ µ ∂x
·
� �· ∂ + ∂y
k y ∂ Φ ρ µ ∂y
·
� �·
∂ k z ∂ Φ + ρ ∂z µ ∂z
·
�
+
˙s m ∂ = (ρ φ) V b ∂t
·
(2.10)
Pode-se simplificar esta equa¸ca˜o utilizando-se a nota¸ca˜o vetorial. Para tanto, de forma a contemplar os casos anisotr´opicos (permeabilidades diferentes nas trˆes dire¸c˜oes), ´e necess´ ario definir o tensor de permeabilidades K, matriz cuja diagonal ´e preenchida com as permeabilidades nas dire¸co˜es x, y e z , como mostrada na Equa¸c˜ao 2.11.
K =
kx
0
0
0
ky
0
0
0
kz
(2.11)
A Equa¸c˜ao 2.12 ´e a forma simplificada pela nota¸ c˜ao vetorial da Equa¸c˜ao 2.10. Tamb´em considera-se que m ˙ s j´a representa a vaz˜ao injetada por unidade de volume e introduzse uma nova grandeza denominda mobilidade do fluido, cujo tensor ´e Λ = ρ K/µ. Note que au ´ nica vari´avel prim´aria que representa a fun¸c˜ao a ser calculada nesta equa¸ca˜o ´e a press˜ao que est´a contida no potencial hidr´aulico representado na Equa¸c˜ao 2.8.
∇ · (Λ∇Φ) + m˙ = ∂t∂ (ρ · φ) s
(2.12)
Entretanto, existe mais de um fluido percolando o meio poroso. Considerando que cada fluido possui sua pr´opria mobilidade, o modelo deve possuir ent˜ao duas equa¸co˜es de balan¸co que interagem entre si de modo a representar o escoamento bif´asico. Portanto, duas ser˜ao as vari´aveis prim´arias, em rela¸c˜ao a`s quais o problema ser´a resolvido. Na formula¸ca˜o aqui considerada, as vari´aveis prim´arias escolhidas s˜ao a press˜a o do o´leo e a fra¸c˜ao m´assica de ´agua. As equa¸c˜oes diferenciais que s˜ao resolvidas pelo simulador est˜ao expressas nas eqs.
2.1. Equa¸c˜oes de fluxo
34
2.13 e 2.14 e representam, repectivamente, o balan¸co de massa total e do componente ´agua. Aqui os ´ındices w e o representam respectivamente ´agua e ´oleo. ∂ (φ ρm ) ∂t
·
− ∇ · (Λ ∇Φ
∂ (φ z w ρm ) ∂t
· ·
Nestas equa¸c˜oes
w +
w
∇
Λo Φo ) + m˙w + m˙ o = 0
− ∇ · (Λ ∇Φ
w) +
w
(2.13)
m˙w = 0
(2.14)
∇Φ representa o gradiente do potencial de cada fase e tem origem
na lei de Darcy, onde a velocidade ´e proporcional ao gradiente do potencial. Desta forma, ambos os gradientes podem ser expressos nas equa¸c˜oes 2.15 para a fase ´agua e 2.16, para o ´oleo, respectivamente. Note que, no caso do fluxo de duas fases concorrentes, o gradiente, antes representado na Equa¸c˜ao 2.8, deve contemplar uma parcela que representa a press˜ao capilar entre as fases que ´e denotada por P cow .
∇Φ
w
∇ − ∇P − γ ∇D
= po
cow
∇Φ = ∇ p − γ ∇D o
o
w
o
(2.15)
(2.16)
De maneira sint´ etica, podem-se definir as grandezas que aparecem nas Equa¸c˜oes 2.13 a 2.16 na lista a seguir, onde o subscrito l, representa as fases oleosa e aquosa e portanto assume os valores l = o, w e o subscrito c representa os componentes ´oleo e ´agua e tamb´em assume os valores l = o, w.
• z - fra¸c˜ao m´assica global do componente c; • ρ - massa espec´ıfica da fase l; • ρ - massa espec´ıfica da mistura, ρ = S ρ • S - satura¸ca˜o da fase l; • λ =- mobilidade m´assica da fase l; • Φ - Potencial da fase l; • p - press˜ao da fase ´oleo; • P - press˜ao capilar no sistema ´agua-´oleo; c l
m l
l
l
o
cow
m
w w + S o ρo ;
2.1. Equa¸c˜oes de fluxo
35
• γ - peso espec´ıfico da fase l, γ = ρ g; • g - acelera¸ca˜o da gravidade; • D - profundidade tomada em rela¸ca˜o a uma referˆencia; • m˙ = vaz˜ao m´assica injetada/produzida da fase l por unidade de volume. l
l
l
l
A mobilidade da fase l ´e expressa na Equa¸c˜ao 2.17.
λl = k
ρl krl µl
(2.17)
Vale ressaltar que as satura¸c˜oes das fases S l se relacionam com as fra¸co˜es m´assicas dos componentes z c atrav´es da Equa¸c˜ao 2.18.
S l =
z l /ρl , l = o, w. z w /ρw + z o /ρo
(2.18)
As satura¸co˜es s˜ao utilizadas na determina¸c˜ao da permeabilidade relativa k rl , uma vez que suas curvas s˜ao expressas em fun¸c˜ao destas vari´aveis. Tais curvas de permeabilidade relativa podem ser fornecidas atrav´es de tabelas contendo alguns pontos que s˜ao interpolados ou podem utilizar o modelo de Corey dado pelas Equa¸co˜es 2.19 e 2.20 que representam, respectivamente, as permeabilidades relativas do ´oleo k ro e da ´agua k rw em fun¸c˜ao da satura¸ca˜o de ´agua S w . 0 kro = k ro
0 krw = k rw
�− − �− 1 1
1 1
S w S wc
− S − S
or or
− S − − S S w S wc
wc
� �
a
(2.19) b
(2.20)
or
As curvas de permeabilidade relativa no modelo de Corey s˜ao calibradas atrav´es dos seguintes parˆametros determinados a partir de ensaios:
• S
Satura¸c˜ao de ´oleo residual que representa a m´ınima satura¸ca˜o de ´oleo que se pode
• S
Satura¸ca˜o de ´agua conata que representa a m´ınima satura¸ca˜ o de ´agua que nor-
or -
obter; wc -
malmente existia no reservat´orio antes da inje¸c˜ao de ´agua; 0 ro -
•k
ponto terminal para permeabilidade relativa do ´oleo, medido na satura¸ca˜o S wc ;
2.1. Equa¸c˜oes de fluxo
36
0 rw
• k - ponto terminal para permeabilidade relativa da ´agua, medido na satura¸c˜ao 1 − S ; • a - expoente de Corey para a curva de permeabilidade relativa de ´oleo e • b - expoente de Corey para a curva de permeabilidade relativa de ´agua. or
Para c´alculo das mobilidades das fases, λl faz-se necess´ario determinar suas densidades e viscosidades em fun¸c˜ao da press˜ao. As densidades podem ser calculada utizando-se os fatores volume de forma¸ca˜o Bl , l = o, w fornecidos dentre as informa¸co˜es PVT conforme a Equa¸ca˜o 2.21. 1 ρl,st , Bl onde ρ l,st ´e a densidade da fase em condi¸ca˜o padr˜ao. ρl =
(2.21)
As viscosidades µl s˜ao calculadas atrav´es da Equa¸c˜ao 2.22, onde µl,b ´e a viscosidade tomada na press˜ao de bolha,
∂µ ´e ∂p
a viscosibilidade, p o ´e a press˜ao do ´oleo e p b ´e a press˜ao de
bolha.
µl = µ l,b +
∂ µ ( po ∂p
− p ), b
(2.22)
A porosidade φ nas Equa¸c˜oes 2.13 e 2.14 ´e calculada considerando-se o modelo pouco compress´ıvel com compressibilidade da rocha constante. Desta considera¸c˜ao, pode-se calcular a porosidade atrav´es da Equa¸c˜ao 2.23, onde φ l,ref ´e a porosidade tomada na press˜ao de referˆencia, c r ´e a compressibilidade da rocha, po ´e a press˜a o do o´leo e pref ´e a press˜ao de referˆencia para o c´alculo da porosidade.
φ = φ l,ref + cr ( po
− p
ref ),
(2.23)
Por fim, vale ressaltar que para simplificar o problema, a raz˜ao de solubilidade Rs do g´a s no ´oleo foi desconsiderada em todos os estudos. Entretanto, o simulador permite
̸
que se considere Rs = 0 no modelo ´agua-´oleo. Neste caso, n˜ao h´a g´as livre, mas existe componente g´as fluindo junto com o ´oleo na fase oleosa. Sendo assim, a quantidade de g´as produzida seria completamente proporcional ao ´oleo produzido e seria necess´ario conderar-se a fra¸ca˜o m´assica do componente g´as na fase oleosa X go e do componente ´oleo, X oo . Isto adiciona alguma complexidade as Equa¸co˜es 2.18 e 2.21 e pode ser encontrado em (Rodrigues and Bonet, 1991).
2.2. Discretiza¸ca˜o das equa¸c˜oes de fluxo
2.2
37
Discretiza¸c˜ ao das equa¸ c˜ oes de fluxo Para a solu¸c˜ao num´erica das Equa¸co˜es 2.13 e 2.14 faz-se necess´ario discretiz´a-las.
Existem diversos m´etodos para discretiza¸ca˜o: elementos finitos, volumes finitos, m´etodos multiponto, etc. Entretanto, classicamente, no caso do problema de fluxo, utiliza-se o m´etodo das diferen¸cas finitas, aproximando as derivadas temporais e espaciais por diferen¸cas divididas (Ertekin et al., 2011). Este ´e o m´etodo utilizado na formula¸ca˜o do simulador aqui considerado. A discretiza¸ca˜o tamb´ em deve considerar uma malha que particiona o espa¸co em pequenos blocos para aproxima¸ca˜o dos gradientes. Quando se utiliza o m´etodo das diferen¸cas finitas, ´e mais comum utilizarem-se malhas estruturadas (Ertekin et al., 2011), nas quais ´e poss´ıvel numerar os n´os considerando a rela¸ca˜o com os vizinhos. Apesar de existirem hoje em dia tipos mais flex´ıveis, aqui s´o ser˜ao consideradas malhas regulares com topo vari´avel, isto ´e, todos os blocos s˜ao paralelep´ıpedos retˆangulos, uma vez que o simulador SIMPAR s´o ´e capaz de lidar com este tipo de configura¸ca˜o. Para discretiza¸c˜ao do espa¸co, considera-se o m´etodo por diferen¸cas finitas centradas na interface, tamb´em conhecido por CVFD - control volume finite diference ou diferen¸cas finitas em volume de controle (Ertekin et al., 2011). Este m´etodo ´e uma pequena varia¸ca˜o do m´etodo das diferen¸cas finitas centradas, uma vez que ao discretizar-se a lei de ( Darcy), as propriedades s˜ao consideradas nas interfaces de cada bloco. A Equa¸ca˜o 2.24 ilustra a aproxima¸ca˜o por diferen¸cas finitas em uma ´unica dimens˜ao. A extens˜ao de tal aproxima¸ca˜o para as trˆes dimens˜oes ´e imediata. Nesta equa¸c˜ao s´o est˜ao ilustrados os termos de fluxo e os coeficientes T l representam as transmissibilidades de cada fase na interface entre os blocos e mais adiante ser˜ao relacionados a` mobilidade.
� �
∂ ∂ Φl λl ∂x ∂x
n+1
≈
�
1 n+1 (T l )n+1 1 (Φi 1 i 2 V −
−
−
Φn+1 ) + (T l )n+1 (Φn+1 i i+1 i+ 1 2
−
�
Φn+1 ) i
(2.24)
J´a no caso da discretiza¸ca˜o do tempo, a aproxima¸ca˜o por diferen¸cas finitas corresponde `a Equa¸ca˜o 2.25. Nesta equa¸c˜ao s´o est´a ilustrado o termo dependente do tempo, tamb´em conhecido como termo de acumula¸ca˜o. ∂ (φ z l ρm ) ∂t
· ·
≈ ∆t1
(φz l ρm )n+1 i,j,k
n l m )i,j,k
− (φz ρ
(2.25)
Note que nas Equa¸co˜es 2.24 e 2.25, todos os termos s˜ao tomados no passo de
2.2. Discretiza¸ca˜o das equa¸c˜oes de fluxo
38
tempo n + 1 com exce¸ca˜o de uma parcela do termo de acumula¸c˜ao. Isso ´e chamado de formula¸c˜ao totalmente impl´ıcita e demandar´a a solu¸c˜ao de um sistema de Equa¸co˜es em cada passo de tempo. Sendo assim, ap´ os aplica¸ca˜o do m´etodo das diferen¸cas finitas `as Equa¸c˜oes 2.13 e 2.14 e considerando o tratamento do tempo de forma impl´ıcita resultam as Equa¸co˜es 2.26 e 2.27.
−
V i,j,k (φρm )n+1 (φρm )ni,j,k i,j,k ∆tn+1 n+1 (T w ∆Φw )n+1 i+1/2,j,k + (T w ∆Φw )i−1/2,j,k n+1 (T o ∆Φo )n+1 i+1/2,j,k + (T o ∆Φo )i−1/2,j,k
−
n+1 (T w ∆Φw )n+1 i,j+1/2,k + (T w ∆Φw )i,j 1/2,k −
− − − − −
n+1 (T o ∆Φo )n+1 i,j+1/2,k + (T o ∆Φo )i,j −1/2,k n+1 (T w ∆Φw )n+1 i,j,k+1/2 + (T w ∆Φw )i,j,k−1/2 n+1 (T o ∆Φo )n+1 i,j,k+1/2 + (T o ∆Φo )i,j,k−1/2 + (m ˙ o )n+1 ˙ w )n+1 i,j,k + (m i,j,k =
V i,j,k ∆tn+1
(φz w ρm )n+1 i,j,k
− (φz ρ w
n m )i,j,k
(2.26)
0
−
n+1 (T w ∆Φw )n+1 i+1/2,j,k + (T w ∆Φw )i−1/2,j,k n+1 (T w ∆Φw )n+1 i,j+1/2,k + (T w ∆Φw )i,j −1/2,k n+1 (T w ∆Φw )n+1 i,j,k+1/2 + (T w ∆Φw )i,j,k−1/2 + (m ˙ w )n+1 i,j,k =
− −
(2.27) 0
Esta discretiza¸ca˜o considera um bloco de coordenadas ijk e utiliza o balan¸co entre os fluxos atrav´es das faces do bloco considerando os volumes acumulados e os produzidos/injetados neste bloco por unidade de tempo. O tratamento da dependˆencia temporal ´e totalmente impl´ıcito, como j´a mencionado. O sobrescrito n ou n + 1 indica o passo de tempo onde ´e calculada a propriedade e os subscritos i, j, k indica as coordenadas espaciais do bloco ou interface. J´a, V i,j,k ´e o volume do bloco de coordenadas i, j, k e ´e dado na Equa¸c˜ao 2.28.
V i,j,k = ∆xi ∆y j ∆kijk
(2.28)
Nas Equa¸c˜oes 2.26 e 2.27, ∆Φl s˜ao as diferen¸cas de potencial das fases l = o, w entre os blocos adjacentes. ∆t ´e o tamanho do passo de tempo, (m ˙ l )n+1 e a vaz˜ao m´assica da i,j,k ´ fase l = o, w injetada/produzida no bloco ijk ao final do passo de tempo tn+1 e T l representa a
2.2. Discretiza¸ca˜o das equa¸c˜oes de fluxo
39
transmissibilidade da fase l, calculada na Equa¸c˜ao 2.29, onde F g representa o fator geom´etrico na interface e λ l =
ρl krl , µl
a mobilidade da fase l na interface.
T l = F g
ρl krl , µl
(2.29)
O fator geom´etrico em cada dire¸ca˜o pode ser calculado atrav´es da m´edia harmˆonica entre as permeabilidades das c´elulas adjacentes ponderadas pelos seus comprimentos e multiplicadas pela ´area da se¸ca˜o de fluxo. Por simplicidade, considere-se o problema unidimensional cujos blocos possuem comprimentos iguais ∆x e ´area de se¸c˜ao A. No caso tridimensional, o mesmo racioc´ınio pode ser aplicado. Neste caso, o fator geom´etrico est´ a expresso na Equa¸ca˜o 2.30.
(F g )i+ 1 = 2
ki+ 1 Ai+ 1 2
2
∆xi+ 1
,
(2.30)
2
Considerando por simplicidade as dimens˜oes das c´elulas iguais, a permeabilidade k da interface pode ser calculada atrav´es da simples m´edia harmˆonica entre as permeabilidades das c´elulas adjacentes conforme a Equa¸c˜ao 2.31. Entretanto, em caso de dimens˜oes diferentes, esta m´edia deve ser ponderada pelas dimens˜oes. Para mais detalhes, ver (Ertekin et al., 2011; Rodrigues and Bonet, 1991).
ki+ 1 = 2
2ki ki+1 ki + ki+1
(2.31)
Quanto a mobilidade, esta ´e calculada utilizando o que a literatura chama de upwind , que consiste em tomar ρ, k r e µ do bloco de maior potencial seguindo-se a dire¸c˜ao do fluxo. A Equa¸ca˜o 2.32 representa este racioc´ınio na dire¸c˜ao X, e deve se repetir nas dire¸c˜oes Y e Z.
λl,i+ 1 ,j,k = 2
k
+1,j,k ρl,i+1,j,k µrl,i , l,i+1,j,k
k
ρl,i,j,k µrl,i,j,k , l,i,j,k
≥ 0
se ∆Φl,i+ 1 ,j,k 2
se ∆Φl,i+ 1 ,j,k < 0 2
(2.32)
2.3. C´alculo das vaz˜oes dos po¸cos
2.3
40
C´ alculo das vaz˜ oes dos po¸cos Os termos de produ¸c˜ao nas equa¸co˜es de res´ıduos 2.13 e 2.14 representam a vaz˜ao
de ´o leo e ´agua produzidos ou de a´gua injetada. Para calcul´ a-las, faz-se necess´ario que se estabele¸ca uma rela¸ca˜o entre a press˜ao de fundo do po¸co, a press˜ao do bloco onde se encontra cada completa¸ca˜o e a vaz˜ao produzida/injetada de cada componente. Al´em disso, como se admite m´ ultiplas completa¸c˜oes, ´e necess´ario relacionar a press˜a o de fundo de po¸c o BHP `a press˜ao no interior do po¸co em cada uma das completa¸c˜oes. A rela¸ca˜o b´asica entre as press˜oes no interior do po¸co p wf ijk e no bloco onde este se ˙ l,ijk ´e que recebe o nome modelo de po¸co, onde localiza p oijk e a vaz˜ao produzida/injetada M o subscrito l = o, w representa a fase e ijk representa as coordenadas do bloco do po¸c o. O modelo de po¸co aqui considerado ´e descrito em (Peaceman, 1983) e necessita de um fator de proporcionalidade conhecido como ´ındice de produtividade P I l,ijk e est´a exposto na Equa¸ca˜o 2.33. ˙ ijk = P I l,ijk ρn+1 λn+1 ( pn+1 M oijk lijk ijk
n+1 wf ijk )
− p
(2.33)
A mobilidade do fluido no po¸co λ n+1 e calculada na Equa¸ca˜o 2.34 e depende se o ijk ´ po¸co ´e produtor ou injetor.
∑
krlijk µlijk
λijk =
f =o,w
para po¸co produtor; (2.34)
krf ijk µf ijk
para po¸co injetor.
No caso de po¸c os de m´ ultiplas completa¸co˜es, faz-se necess´ario calcular, a partir da press˜ao de fundo de po¸co medida na primeira c´elula do po¸co, as press˜oes no interior do po¸co nas demais completa¸c˜oes. Por simplicidade, aqui s´o ser˜ao considerados po¸cos verticais, mas o exposto se aplica a qualquer tipo de po¸cos. Sendo assim, considere pwf ijN z a press˜ao de fundo de po¸co (primeiro bloco completado de baixo para cima ou, como considerado no c´odigo do simulador, N z ´e a camada da u ´ltima completa¸ca˜o) e p wf ijk a press˜ao no interior da completa¸ca˜o na camada k. A press˜ao no interior do po¸co nas completa¸co˜es de cima pode ser obtida adicionando-se o peso da coluna de fluido como na Equa¸ca˜o 2.35 .
2.3. 2.3. Calculo a´lculo das vaz˜oes oes dos po¸cos
41
N z −1 n+1 n+1 = pwf + pwf ijk ijk ijN ijN z
�
ρnr+ 1 g (hi,j,r 2
r =k
−h
i,j,r+1 i,j,r+1 ),
(2.35)
edia dos fluidos presentes no interior do po¸co co na interface ρnr+ 1 ´e a densidade m´edia 2
entre os blocos i blocos i,, j, r e i, edia das densidades dos i, j, r + 1 e pode ser calculada fazendo-se a m´edia fluidos que adentram o po¸co co desde o fundo at´e a c´elula elula considerada consider ada como na Equa¸c˜ cao a˜o 2.36.
ρnr+ 1 = 2
∑
l=o,w
ρnwr
para po¸co co injetor; (2.36)
n co produtor. produtor. f l,r+ ρn para po¸co l,r+ 1 lr 2
Note que, no caso de po¸cos cos produtores, as densidades das fases s˜ao ao ponderadas pelo fluxo fracion´ario ario de cada fase no interior do po¸co. co. Define-se Define-se por fluxo fracion´ fracion´ario ario a raz˜ao ao entre a vaz˜ao ao volum´ volum´etrica etrica de cada fase e a vaz˜ao ao volum´ volum´etrica etrica total considerando-se todo o volume volume que adentrou adentrou o po¸co co desd d esdee o fundo fund o at´ a t´e a c´elula elul a cons c onsider iderada ada.. Isso Iss o ´e matem m atematic aticame amente nte expresso atrav´es es da Equa¸c˜ cao a˜o 2.37, onde Qlk ´e a vaz˜ vaz˜ao ao volum´etrica etri ca da fase fas e l na camada k camada k.. Nz
n = f l,r+ l,r + 1 2
∑
k=r+1 Nz
∑
k=r+1
n + Qw k
Qnlk Nz
∑
k=r+1
,
(2.37)
Qonk
Entretanto, j´a que as vaz˜oes oes volum´etricas etri cas s˜ao ao diretamente proporcionais `as as mobilidades de cada fase, sendo mais f´acil acil calcular as mobilidades do que as vaz˜oes oes — principalmente quando h´a g´as as dissolvido — o fluxo fracion´ario ario ´e aproximado aproximad o pela raz˜ao ao entre as mobilidades como exposto na Equa¸c˜ cao a˜o 2.38, onde λ onde λ lk a mobilidade da fase l na camada k camada k.. Nz
n = f l,r+ l,r + 1 2
∑
k=r+1 Nz
∑
k=r+1
n + λw k
λnlk Nz
∑
k=r+1
,
(2.38)
λonk
Note que, apesar de a formula¸c˜ c˜ao ao aqui considerada conside rada tratar tra tar a dependˆ d ependˆencia encia tempora tem porall de forma impl´ impl´ıcita, para c´alculo alculo da press˜ao ao no interior do po¸co co em cada completa¸c˜ cao, a˜o, como na Equa¸c˜ c˜ao ao 2.35, necessitanecessita-se se da densidade densidade m´edia edia dos fluidos no interior interior do po¸co. c o. Para ara
2.4. 2.4. Ca´lculo do Valor Presente L´ıquido
42
calcul´ a-la a- la,, ´e necess nec ess´´ario ario utilizar propriedades calculadas no passo de tempo anterior o que, de certa forma, altera o esquema de c´alculo alcu lo totalm to talmente ente impl´ i mpl´ıcito. ıcit o. Por fim, o controle de cada po¸co co pode assumir duas formas. formas. A primeira, primeira, por vaz˜ ao ao especificada, fixa a vaz˜ao a o do po¸co co (soma de todas as completa¸c˜ coes) o˜es) e portanto tranforma a press˜ao ao em cada completa¸c˜ cao ˜ao em vari´aveis, aveis, adicionando ao sistema de equa¸c˜ c˜oes oes uma nova equa¸c˜ cao a˜o baseada na Equa¸c˜ cao a˜o 2.33 para cada uma das completa¸c˜ coes o˜es de cada po¸co co com vaz˜ao ao especificada especificada.. A segunda, por press˜ ao especificada, fixa a press˜ao ao ao na completa¸c˜ cao ˜ao mais profunda p funda p wf ijN e calcula da forma fo rma descrita d escrita na Equa¸ Equ a¸c˜ c˜ao ao 2.35 a press˜ao ao nas outras completa¸ completa ¸c˜ coes o˜es ijN z acima. acima. Sendo Sendo assim, assim, n˜ ao a o h´a necessidade de adi¸c˜ c˜ao ao de equa¸c˜ coes o˜e s e n˜ao ao h´a vari´ var i´aveis aveis extras. A vaz˜ao ao passa a ser calculada pela Equa¸c˜ cao a˜o 2.33 onde a unica u ´ nica vari´avel avel advinda do sistema de equa¸c˜ coes o˜es de fluxo ´e a press˜ao ao na c´elula elula de cada completa¸c˜ c˜ao. O unico u´nico tipo de controle considerado consider ado neste trabalho trabalh o ´e este est e ultimo, u ´ ltimo, por press˜ao ao especificada.
2.4
C´ alculo alcu lo do Valor alo r Prese Pr esente nte L´ L´ıquido ıqu ido Por fim, o simulador simulador ser´ a utilizado utilizado para a previs˜ previs˜ ao ao do Valor Presente L´ıquido
(VPL) obtidos ob tidos ao a o aplicar-se aplic ar-se uma um a estrat´egia egia de produ¸ prod u¸c˜ cao a˜o baseada exclusivamente exclusivamente na inje¸c˜ cao a˜o de agua, ´agua, onde os controle controless dos po¸cos cos s˜ao ao as press˜oes oes de fundo aplicadas em cada um deles, tanto produtores como injetores. Sendo assim, nos cap´ cap´ıtulos 3, 4 e 5 o simulador ser´a considerado como uma fun¸c˜ cao V a˜o V P L = f = f ((p), onde p ´e o vetor de controles contendo todas to das as press˜oes oes de fundo. fundo. Desta forma, forma, considere considere um campo com nw po¸cos cos simulados nos passos de tempo τ t , p ode ser calculado atrav´ atrav´es es da Equa¸c˜ cao a˜o 2.39. t = 1 . . . nt , o VPL pode V P L =
nt
nw
∑∑
t=1 w=1
1 (1+ j) j )τ t
× − −
·
[P Oil Oil q Oil,w Oil,w ( pw )
·
C WProd W Prod q WProd,w W Prod,w ( pw )
·
(2.39)
C WInj W Inj q WInj,w W Inj,w ( pw )]
´ importante ressaltar que a taxa de desconto j deve relacionar-se ao mesmo E per´ per´ıodo a que se relacionam vaz˜ vaz˜oes oes q w . Po Porr exem exempl plo, o, se j for uma taxa mensal, q w deve ser vaz˜ao ao mensal, isto ´e, e, volume produzido/injetado pro duzido/injetado em um mˆes. es. O pre¸co c o do ´oleo ´e P Oil Oil e os custos de produ¸c˜ cao a˜o e inje¸c˜ cao a˜ o de ´agua agua s˜ao ao respectivamente respec tivamente C WProd odos s˜ sao a˜o W Prod e C WInj W Inj . Todos considerad considerados os constantes. constantes. A vaz˜ ao a o do po¸co co q w ´e determinada pelo simulador como a soma das vaz˜oes oes em todas as completa¸c˜ c˜oes. oes. Para tanto as press˜oes oes em cada completa¸c˜ cao a˜o deve ser
2.5. 2.5. Compar Compara¸ a¸c˜ ca˜o com simulador comercial
43
calcula calc ulada da atrav´es es da Equa¸ Equa ¸c˜ c˜ao ao 2.35 para aplicar-se o modelo de po¸co co da Equa¸c˜ cao a˜ o 2.33 2.33.. A rotina de c´alculo alculo do Valor Presente L´ıquido ´e externa ao simulador simulado r e aplica a Equa¸c˜ c˜ao ao 2.39 ap´os os receber a vaz˜ao ao de cada po¸co co em cada passo de tempo.
2.5
Compara¸ Compar a¸c˜ cao a ˜o com c om simulador s imulador comercial comerci al Como uma tentativa de valida¸c˜ cao a˜o do simulador, buscou-se comparar os resultados
da simula¸c˜ cao a˜o de um modelo de reservat´orios orios obtida com o uso do SIMPAR ao resultado obtido com algum simulador comercial j´a consagrado pela ind´ ustria ustria.. Sendo Sendo assim, assim, por ser mais comumente utilizado na Petrobras, escolheu-se o IMEX da CMG como simulador a ser comparado. O primeiro caso teste proposto nesse estudo comparativo, e utilizado tamb´em em nos Cap´ıtulos ıtu los 3, 4 e 5, ´e uma por¸ po r¸c˜ c˜ao ao modificada do modelo SPE10, um reservat´orio orio sint´etico etic o paralelepip´ edico edico (“caixa de sapato”) com canais proposto inicialmente em (Christie and Blunt, 2001). Esta modifica¸ modifica¸c˜ cao, a˜o, considerando a mesma por¸c˜ c˜ao ao aqui utilizada, foi determinada em (Cardoso, 2009) como um dos modelos para aplica¸c˜ cao a˜o da t´ecnica. ecni ca. O mod m odelo elo ´e tridi tr idimens mension ional al
× 80 × 5 c´elulas, elulas, isto ´e, e, possui pos sui 24000 c´elulas. elulas . Todas oda s as c´elulas elulas possuem poss uem dimens˜ oes o es de 50ft × 70ft × 20ft. H´a 4 po¸cos cos produtores (nomeados P1-P4) e dois injetores de dimens˜ dim ens˜oes oes 60
(I1 e I2). O valor m´edio edio para a permeabilidad permeabilidadee na dire¸c˜ cao a˜o x ´e kx = 418 mD. mD. A permea permeabi bi--
lidade vertical ´e definida como kz = 0,3kx nos canais e kz = 10 3 kx na por¸c˜ cao a˜o restante restante.. As −
satura¸c˜ coes o˜es iniciais de ´oleo o leo e ´agua agua s˜ ao ao respectivamente S oi oi = 0,8 e S wc wc = 0,2 e as residuais, oleo oleo tem-se ρo = 45lb/ 45lb/ft3 e µo = 3 cp e para a ´agua agua ρw = 60lb/ 60lb/ft3 S wr wr = S or or = 0,2. Para o ´ e µw = 0.3 cp. O sistema ´e pouco p ouco compress´ıvel ıvel com co m co = cw = cr = 10
6
−
psi
1
−
(compressi-
biliad biliadade adess dos fluidos fluidos e da rocha iguais). iguais). O efeito efeito da press˜ press˜ ao ao capilar ´e desconsiderado. As permeabilidades relativas s˜ao ao calculadas atrav´ atrav´es es do modelo de Corey (Equa¸c˜ coes ˜oes 2.19 e 2.20 0 0 com os seguintes parˆametros: ametros: kro = krw = 1 e a = b = 2. A figura 2.2 repres represen enta ta o mapa mapa
de permeabilidades na dire¸c˜ cao a˜o x, kx com os po¸cos cos posicionados. posicionados. Neste Neste teste comparativo comparativo,, todos os po¸cos cos foram controlados por press˜ao ao de fundo especificada, sendo para os produtores para os injetor injetores es P 11000 psi. psi. O tempo da simula simula¸c˜ c¸ao a˜o ´e de 3000 dias. P w = 4000 psi e para P w = 11000 Os resultados obtidos para este modelo SPE10 - Adaptado se encontram na Figura 2.3. 2.3 . A compa co mpara¸ ra¸c˜ c˜ao ao foi feita considerando as vaz˜oes oes de ´oleo oleo produzido (Figura 2.3(a)) a vaz˜ao ao de ´agua agua produzida (Figura 2.3(b)) e a vaz˜ao a o de ´agua agua injetada (Figura 2.3(c)) por po¸co. co. Estes mostraram quase perfeita aderˆencia encia entre as vaz˜ vaz˜oes oes calculadas pelos dois simuladores
2.5. Compara¸ca˜o com simulador comercial
44
Fig. 2.2: Modelo sint´etico (baseado no caso SPE10) com 24000 c´elulas, 5 po¸cos produtores e 2 injetores. Mapa de permeabilidades na dire¸c˜ao x. para todos os 3000 dias de simula¸ca˜o. Portanto, nem a formula¸ca˜o por fra¸co˜es m´assicas nem qualquer outra diferen¸ca que por ventura ambos os simuladores possuam, tiveram efeito significativo nos resultados. Este ent˜ ao foi um dos modelos utilizados nos estudos contidos nos Cap´ıtulos 3, 4 e 5 posteriores. Apesar disso, o desempenho do SIMPAR foi bastante inferior ao do IMEX em termos de tempo de simula¸ca˜o. Utilizando um computador com processador Intel Core 2 Duo 3 GHz com 4 GB de RAM e sistema operacional Windows 7, enquanto o IMEX utilizou 194 s, o SIMPAR utilizou 2175 s na simula¸ca˜o. Observou-se que o u ´ ltimo cortou mais os passos de tempo (em torno de duas vezes) e fez em torno de 4 vezes o n´umero de itera¸co˜es lineares total. Isto se deve a`s configura¸co˜es num´ericas, mas tamb´em a` qualidade do solver antigo e menos eficiente que ´e utilizado no SIMPAR. Na verdade, o solver desenvolvido no CENPES no fim da d´ecada de 80 ´e do tipo orthomin (Vinsome, 1976), mas seu pr´e-condicionador est´a muito ultrapassado se comparado ao estado da arte atual neste ´area. Este modelo SPE10 - Modificado foi bastante utilizado nos estudos de acur´acia do TPWL, otimiza¸ca˜o e incertezas. Entretanto, al´em de ser um modelo pequeno em termos de n´ umero de c´ elulas, possui poucos controles. S˜ao apenas 6 po¸cos onde somente os 4 produtores ser˜ao controlados nos estudos de otimiza¸ca˜o. Considerando-se o n´ u mero de 6 ciclos de controle, m´aximo utilizado, obt´em-se um problema com 24 vari´ aveis de projeto para o problema de otimiza¸ca˜o.
2.5. Compara¸ca˜o com simulador comercial
45
´ (a) Vaz˜ao de Oleo Produzido por Po¸co
´ (b) Vaz˜ao de Agua Produzida por Po¸co
´ (c) Vaz˜ao de Agua Injetada por Po¸co
Fig. 2.3: Compara¸ca˜o de resultados do SIMPAR com IMEX - Modelo SPE10 - Modificado
2.5. Compara¸ca˜o com simulador comercial
46
Por outro lado, juntamente com a ideia de revitaliza¸c˜ao do simulador SIMPAR, surgiu uma demanda por constru¸ca˜o de modelos para testes. Um campo que tem sido utilizado frequentemente na literatura e tem um car´ater geol´ogico mais realista ´e o campo de Brugge (Peters et al., 2010), proposto como caso benchmark para problemas de otimiza¸ca˜o ´ um campo sint´ e ajuste ao hist´orico. E etico, cuja estrutura consiste em um domo alongado de leste para oeste com uma falha de borda ao norte e uma falha interna com um rejeito
× 3 km.
modesto. As dimens˜ oes do campo s˜ao de aproximadamente 10 km
A sequˆencia
vertical das forma¸co˜es diz respeito a estratigrafia BRENT (forma¸c˜oes Broom-Ranoch-EtiveNess-Tarbert). O modelo de reservat´orios proposto para um estudo comparativo em (Peters et al., 2010) possui c´elulas de dimens˜oes aproximadas de 75 m
× 75 m × 2, 5 m e um total de 60048
blocos, sendo 44550 ativos. Cont´em 20 po¸cos produtores e 10 po¸cos injetores, todos verti-
cais. Est´a subsaturado o que permite a simula¸c˜ao bif´asica e a constru¸c˜ao do modelo de ordem reduzida TPWL. A figura 2.4 apresenta o mapa de permeabilidades na dire¸c˜ao x. As propriedades de fluido, rocha e rocha-fluido est˜ao descritas em (Peters et al., 2010). Na descri¸ca˜o do modelo foram fornecidas 104 realiza¸co˜es das propriedades de reservat´orio (permeabilidades, porosidade, raz˜ao net-to-gross , etc), tendo sido utilizada neste estudo a primeira delas. A dura¸c˜ao da simula¸ca˜o considerada aqui diz respeito somente ao per´ıodo relativo ao hist´orico de produ¸ca˜o proposto no estudo comparativo: 10 anos. O SIMPAR, por ser um simulador antigo, possui algumas limita¸c˜oes em rela¸ca˜o aos mais modernos. Sendo assim, para comparar seus resultados a respeito deste modelo com um outro simulador (IMEX), fez-se necess´ario realizar algumas modifica¸co˜es que deveriam ser replicadas nos modelos para os dois sumuladores. A primeira diz respeito `a descri¸ca˜o da malha de simula¸ca˜o, n˜ao possibilitando a utiliza¸c˜ao de malhas mais gen´ericas, ficando limitado ao tipo cartesiano com topo vari´avel. O caso em quest˜ao possui uma malha do tipo corner point que precisou ser convertida em cartesiano, utilizando-se a ferramenta Cyclope desenvolvida em parceria Petrobras-ESSS (CENPES and ESSS, 2012). Esta convers˜ao (juntamente com as outras modifica¸co˜es descritas a seguir) alterou consideravelmente o volume poroso (redu¸ca˜o de 16 %) e os volumes de ´oleo in place (aumento de 5%) e ´agua in place (redu¸c˜ao de 20 %), pois causa uma deforma¸c˜ao da malha nas partes perif´ericas, onde as c´elulas da malha original s˜ao muito diferentes de paralelep´ıpedos. Os volumes de rocha e fluido do modelo antes da convers˜ao encontram-se na primeira coluna da tabela 2.1 para compara¸c˜ao com o caso modificado. Esta diferen¸ca se deve ao fato de
2.5. Compara¸ca˜o com simulador comercial
47
a convers˜ao simplesmente fazer um mapeamento um para um das c´ elulas das duas malhas (original e convertida) mantendo assim a quantidade de c´elulas. O mais correto seria fazer um recobrimento do espa¸co representado no modelo com a nova malha cartesiana minimizando as diferen¸cas de volumes, tarefa que pode vir a ser feita no futuro.
Fig. 2.4: Modelo de Brugge Modificado. Mapa de permeabilidades na dire¸c˜ao x. Al´em disso, houve a necessidade de se redefinir o desenho dos po¸cos. Todos no modelo original s˜ao verticais, mas devido ao grid n˜ao regular n˜ao possuem todas as completa¸co˜es com as mesmas coordenadas x e y. Entretanto, com a “regulariza¸ca˜o” da malha, os po¸cos deixariam de ser verticais se fossem mantidas as coordenadas originais para as completa¸c˜oes. Sendo assim, alteraram-se as posi¸c˜oes das completa¸c˜oes e desprezou-se a descri¸ca˜o exata da trajet´oria (este u ´ ltimo recurso n˜ao existe no SIMPAR). Outras modifica¸co˜es foram realizadas tais como: (1) simplifica¸ca˜o do modelo de fluido, pois o SIMPAR n˜ao admite tabelas PVT para um modelo bi-f´asico; (2) raz˜ a o de solubilidade anulada, devido a diferen¸ca de formula¸ca˜o; (3) reposicionamento da profundidade de referˆencia, pois o SIMPAR s´o permite que esteja no contato; (4) press˜ao capilar desprezada devido a diferen¸cas na forma de inicializa¸ca˜o que geravam discrepˆancias entre os volumes iniciais de ´oleo e ´agua calculados pelos simuladores; (5) considera¸ca˜o de uma u ´nica curva de
2.5. Compara¸ca˜o com simulador comercial
48
permeabilidade relativa para todo o campo devido a complexidade de convers˜ ao do esquema de re-escalamento das curvas utilizado no modelo IMEX. Devido a todas estas altera¸c˜oes no modelo, este caso ´e chamadado daqui por diante de Brugge - Modificado. Todos os po¸cos produtores foram controlados por vaz˜a o m´axima de l´ıquido de 320m3 /d, exceto os po¸c os P10 e P15, onde a vaz˜a o m´axima de l´ıquido foi alterada para 220m3 /d e o po¸co P9, que foi controlado por press˜ao m´ınima de fundo de 51 kgf /cm2 . Os po¸cos injetores foram controlados por vaz˜ ao m´axima de ´agua injetada de 636 m3 /d. Desta forma, todas estas modifica¸ co˜es foram aplicadas tanto ao modelo simulado no IMEX quanto ao simulado pelo SIMPAR, possibilitando uma compara¸ca˜o justa dos resultados para fins de valida¸ca˜o. A Figura 2.5 cont´em as vaz˜oes de ´oleo, ´agua e l´ıquido produzidos e vaz˜ao de ´agua injetada total do campo obtidas pelos dois simuladores, utilizando-se a primeira realiza¸ca˜o do modelo de Brugge, com todas as modifica¸c˜oes descritas.
´ (a) Vaz˜ao Total de Oleo Produzido
(c) Vaz˜ao Total de L´ıquido Produzido
´ (b) Vaz˜ao Total de Agua Produzida
´ (d) Vaz˜ao Total de Agua Injetada
Fig. 2.5: Compara¸ca˜o de resultados do SIMPAR com IMEX As vaz˜oes totais produzidas e injetadas se mostraram praticamente idˆenticas nos resultados obtidos pelos dois simuladores. Houve uma pequena diferen¸ca na produ¸c˜a o de
2.5. Compara¸ca˜o com simulador comercial
49
´oleo e de ´agua devida `a pequenas discrepˆancias ap´os a erup¸c˜ao de ´agua em alguns dos po¸cos e a uma discrepˆancia razo´avel nas vaz˜oes calculadas para o po¸co controlado por press˜ao de fundo. Em todos os po¸cos produtores, exceto neste ´ultimo, a vaz˜ao de l´ıquido m´axima ´e atingida durante todo o tempo. As vaz˜ oes de inje¸c˜a o de todos os po¸cos se mativeram no valor m´aximo nos dois resultados. Outro importante resultado a ser comparado, calculado na inicializa¸ca˜o do simulador, s˜ao os volumes de ´o leo e ´agua in place e o volume poroso. Como ambos os modelos possuem a mesma malha e mesmos mapas espera-se que estes coincidam. A Tabela 2.1 apresenta os resultados. Pode-se observar que os volumes coincidem, mas isto s´o pode ser obtido desprezando-se a press˜ao capilar. Diferen¸cas no c´alculo da inicializa¸ca˜o (posicionamento dos contatos) dos dois simuladores causavam discrepˆancias nos volumes de ´oleo e ´agua quando a curva de press˜ao capilar foi considerada. Tab. 2.1: Compara¸ c˜ao
de volumes in place calculados pelos simuladores
IMEX - Inicial Volume Poroso(m3 ) Volume de ´oleo (Sm3 ) Volume de ´agua (Sm3 ) N´umero de c´elulas ativas
8
× 10 1,318 × 10 7,589 × 10 8,875
8 8
44550
Simpar
IMEX 8
× 10 1,387 × 10 6,028 × 10 7,380
8 8
44550
8
× 10 1,388 × 10 6,027 × 10 7,380
8 8
44550
Apesar da proximidade dos resultados, assim como com o modelo SPE10 - Modificado, o desempenho do SIMPAR com o Brugge - Modificado foi bastante inferior ao do IMEX em termos de tempo de simula¸c˜ao. Utilizando um computador com processador Intel Core 2 Duo 3GHz com 4GB de RAM e sistema operacional Windows 7, enquanto o IMEX utilizou 247s, o SIMPAR utilizou 1477s na simula¸ca˜o. Observou-se que o u ´ ltimo fez em torno de 1,4 vezes o n´umero de itera¸co˜es lineares total. Entretanto, o acr´escimo de tempo foi muito mais expressivo. Comparando com o primeiro modelo, demonstra-se que o solver do SIMPAR n˜ao ´e bem escal´avel com o n´ umero de c´elulas da simula¸ca˜o. O modelo de Brugge - Modificado foi utilizado nos estudos de otimiza¸c˜a o do cap´ıtulo 4 com mais uma modifica¸c˜ao: os controles utilizados foram somente press˜o es de fundo de po¸co para que fosse compat´ıvel com o modelo de ordem reduzida.
3. MODELO DE ORDEM REDUZIDA Com o advento de modelos de simula¸ca˜o cada vez maiores e mais detalhados e com a necessidade de estudos que demandam cada vez mais simula¸co˜es destes modelos, como otimiza¸ca˜o de controles e posi¸c˜ao de po¸cos, an´alise de incertezas ou, ainda mais, otimiza¸ca˜o sob incerteza, cresce a necessidade de constru¸c˜ao de modelos substitutos de ordem reduzida que sejam capazes de obter resultados pr´oximos aos dos simuladores com custo computacional bem inferior. Este cap´ıtulo descreve os aspectos te´oricos acerca do modelo substituto de ordem reduzida utilizado neste trabalho, bem como os detalhes para a sua implementa¸c˜ao. A t´ecnica escolhida para a redu¸c˜ao da complexidade num´erica ´e conhecida como Trajectory Piecewise Linearization - TPWL e consiste basicamente na lineariza¸ca˜o da equa¸ca˜o do res´ıduo em torno de estados salvos durante uma simula¸ca˜o previamente executada, tamb´em chamada de simula¸c˜ao de treinamento. Tal t´ecnica foi proposta pela primeira vez em (Rewienski, 2003) num contexto de microeletrˆonica, mas foi aplicada inicialmente `a problemas de simula¸ca˜o de reservat´orios por Cardoso (Cardoso, 2009). A simples aplica¸ca˜o desta t´ecnica transforma o problema n˜ao linear da simula¸ca˜o de escoamento em uma sequˆencia de solu¸co˜es de sistemas lineares. A dimens˜ao deste problema ainda ´e a mesma do problema original. Portanto, faz-se necess´ ario uma t´ecnica para redu¸ca˜o da dimens˜ao do problema. A t´ecnica de redu¸ca˜o escolhida ´e conhecida como Proper Orthogonal Linearization - POD ou Principal Component Analysis - PCA amplamente aplicada em diversas ´areas da engenharia, tendo sido combinada com o TPWL j´a em (Cardoso, 2009). Por outro lado, h´a um grande n´umero de trabalhos que mencionam um problema de estabilidade com a t´ecnica (He, 2010; Gildin et al., 2013). Estudos mais recentes mostram
50
3.1. Lineariza¸c˜ao utilizando TPWL
51
que a t´ecnica pode ser estabilizada pela substitui¸c˜a o do tipo de proje¸c˜a o que era usado inicialmente (Petrov-Galerkin) pela proje¸ca˜o de Bubnov-Galerkin (Carlberg et al., 2009; He and Durlofsky, 2013). Isto foi utilizado em todos os estudos aqui apresentados, eliminando problemas com estabilidade do m´etodo. A primeira parte deste cap´ıtulo consiste em explica¸co˜es sobre a matem´atica e o funcionamento algor´ıtmico do TPWL. A se¸ca˜o 3.1 apresenta os detalhes do m´etodo de lineariza¸ca˜o aplicado `a equa¸ca˜o de fluxo. Em seguida, a se¸ca˜o 3.2 apresenta em detalhes a forma das matrizes de derivadas que precisar˜ao ser exportadas a partir do c´odigo do simulador de reservat´orios. A se¸ca˜o 3.3 detalha metodologia de redu¸ca˜o de dimens˜ao por POD (Proper Orthogonal Decomposition ). A u ´ ltima se¸c˜ao desta primeira parte, se¸ca˜o 3.4, descreve o modelo de ordem reduzida obtido pela combina¸ca˜o da lineariza¸c˜ao com o TPWL e da redu¸ca˜o de dimens˜ao com o POD. Na segunda parte s˜ao expostos a implementa¸ca˜o do m´etodo acoplado ao simulador SIMPAR, detalhando a constru¸c˜ao de rotinas de exporta¸c˜ao, a forma de comunica¸ca˜ o e o desenvolvimento utilizando o Matlab na se¸c˜ao 3.5. Por fim, apresentam-se alguns resultados de medida de acur´acia do m´etodo na se¸ca˜o 3.6, comparando valores obtidos para o Valor Presente L´ıquido obtidos com o simulador e com o modelo de ordem reduzida. Isto ilustra a sua qualidade e evidencia algumas das limita¸co˜es.
3.1
Lineariza¸ c˜ ao utilizando TPWL
Para construir o modelo reduzido, primeiro ´e necess´ario analisar as equa¸c˜oes de ´ poss´ıvel reescrevˆe-las, dividindo-as em trˆes partes: termos de fluxo descritas em 2.26 e 2.27. E acumula¸ca˜o, que representa toda a massa acumulada no bloco e depende da compressibilidade dos fluidos, termo de fluxo, que representa a massa que flui de um bloco para outro e depende das transmissibilidades das interfaces, e termo de fonte/sumidouro, que representa a massa produzida/injetada em eventuais po¸cos completados nos blocos e depende do modelo de po¸co. A Equa¸c˜ao 3.1 representa estas trˆes parcelas que somadas resultam em zero, fechando assim o balan¸co de massa.
g(xn+1 , xn , un+1 ) = A(xn+1 , xn ) + F(xn+1 ) + Q(xn+1 , un+1 ) = 0
(3.1)
3.1. Lineariza¸c˜ao utilizando TPWL
52
Na Equa¸ca˜o 3.1, g representa o vetor de res´ıduo para as duas equa¸co˜es que representam o modelo bif´asico. Como a equa¸ca˜o ´e n˜ao linear, utiliza-se o m´etodo de NewtonRaphson para a solu¸ca˜o. Os ´ındices n e n + 1 designam o passo de tempo da simula¸ ca˜o e A ,
F e Q s˜ao os termos de acumula¸ca˜o, fluxo e fonte/sumidouro respectivamente aqui representados em negrito por representarem vetores com uma componente para cada equa¸ca˜o, sendo duas equa¸c˜oes para cada bloco. A t´ecnica conhecida como Trajectory Piecewise Linearization - TPWL se baseia na lineariza¸c˜ao da equa¸ca˜o do res´ıduo em torno de estados salvos durante uma simula¸ca˜o previamente executada, tamb´ em chamada de simula¸ca˜o de treinamento. A cada passo de tempo lineariza-se o modelo em torno de um ponto de alguma trajet´oria de treinamento, cujos estados foram previamente convergidos e armazenados (Cardoso, 2009; He, 2010). Analisando-se a equa¸c˜ao 3.1 sabe-se que o res´ıduo g ´e fun¸ca˜o do vetor de estados do passo atual xn+1 , do vetor de estados do passo anterior xn e do vetor de controles dos po¸cos un+1 . Sendo assim, considere os vetores de estados xi+1 e xi convergidos e memorizados durante uma simula¸ca˜o de treinamento utilizando o vetor de controles u i+1 . Seja a expans˜ao em s´erie de Taylor do res´ıduo g n+1 representado na equa¸ca˜o 3.1 em torno de x i+1 , x i e u i+1 . Podemos aproximar o res´ıduo em uma simula¸ca˜o g n+1 a partir do estado calculado no passo anterior xn , utilizando os dados memorizados pelo truncamento da expans˜ao, representado na equa¸c˜ao 3.2.
gn+1 = g i+1 +
∂ gi+1 n+1 (x ∂ xi+1
−x
i+1
∂ gi+1 n )+ (x ∂ xi
i+1
− x ) + ∂ ∂ ug i
i+1
(un+1
i+1
−u
),
(3.2)
´ importante ressaltar que na Equa¸c˜ao 3.2, o sobrescrito i representa um passo E de tempo de uma simula¸ca˜o de treinamento, onde as derivadas, estados e controles utilizados foram convergidos e memorizados e o sobrescrito n representa os passos de tempo de uma nova simula¸c˜ao, considerando o mesmo estado inicial, mas outros controles. Al´em disso, s˜ ao feitas as seguintes simplifica¸c˜oes de nota¸ca˜o g n+1 = g (xn+1 , xn , un+1 ) e g i+1 = g (xi+1 , xi , ui+1 ). Por outro lado, gi+1 = 0, pois representa o res´ıduo previamente convergido durante a simula¸c˜ao de treinamento. Por defini¸c˜ao a matriz jacobiana ´e a derivada do res´ıduo em rela¸c˜ao ao estado. Desta forma a primeira derivada parcial que aparece na Equa¸ca˜o 3.2 pode ser renomeada conforme Equa¸ca˜o 3.3.
3.1. Lineariza¸c˜ao utilizando TPWL
53
i+1
J
∂ gi+1 = ∂ xi+1
(3.3)
As outras duas derivadas parciais que aparecem na equa¸c˜ao do res´ıduo podem ser reescritas. Isto se deve ao fato de que o res´ıduo ´e a soma de fatores que n˜ao dependem todos da tripla x i+1 , xi , ui+1 . Expandindo o res´ıduo conforme Equa¸c˜ao 3.2 no c´alculo de sua derivada em rela¸c˜ao ao estado x i , resulta a Equa¸ca˜o 3.4. ∂ gi+1 ∂ = A(xi+1 , xi ) + F(xi+1 ) + Q(xi+1 , ui+1 ) i i ∂ x ∂ x
(3.4)
Como somente o termo de acumula¸c˜ao A (xi+1 , xi ) possui dependˆencia em rela¸ca˜o ao estado no passo de tempo anterior, a Equa¸ca˜o 3.4 pode ser simplificada como na Equa¸ca˜o 3.5. ∂ gi+1 ∂ Ai+1 = ∂ xi ∂ xi
(3.5)
` primeira vista, a derivada na Equa¸ca˜o 3.5 parece n˜ao estar dispon´ıvel facilmente A em um simulador. Entretanto, ao observar-se as Equa¸co˜es 2.26 e 2.27, nota-se que o termo de acumula¸ca˜o ´e composto por uma diferen¸ca entre duas parcelas quase idˆenticas. A primeira tomada no passo atual (i + 1) e a segunda no passo anterior (i). Isto posto, pode-se expressar uma rela¸c˜ao entre a derivada que aqui se deseja calcular
∂ Ai+1 ∂ xi
e a derivada do termo de
acumula¸ca˜o no passo anterior em rela¸ca˜o ao vetor de estados tamb´em do passo anterior Para tanto, deve-se fazer uma corre¸c˜ao conforme se expressa na Equa¸ca˜o 3.6, onde ∆t
∂ Ai . ∂ xi i+1
e
∆ti representam a dura¸ca˜o do passo de tempo atual e anterior respectivamente. ∂ Ai+1 = ∂ xi
i
∂ Ai i+1 ∂ xi
− ∆t∆t
(3.6)
A mesma simplifica¸c˜ao realizada na derivada do res´ıduo em rela¸c˜ao ao vetor de estados x i e que resulta na equa¸c˜ao 3.5 pode ser repetida na derivada em rela¸c˜ao ao vetor de controles u i+1 . Como somente o termo de fonte/sumidouro Q(xi+1 , ui+1 ) possui dependˆencia em rela¸ca˜o ao controle, a derivada
∂ gi+1 pode ∂ ui+1
ser simplificada como na Equa¸ca˜o 3.7.
∂ gi+1 ∂ Qi+1 = . ∂ ui+1 ∂ ui+1
(3.7)
3.1. Lineariza¸c˜ao utilizando TPWL
54
Como o res´ıduo gn+1 = 0, a Equa¸ca˜o 3.2 pode ser reescrita de forma mais compacta na Equa¸ca˜o 3.8. Esta ´e a forma da equa¸c˜ao motriz do TPWL expressa em (He, 2010).
Ji+1 (xn+1
i+1
−x
)=
�−
∂ Ai+1 n (x ∂ xi
−
∂ Qi+1 n+1 (u xi ) + ∂ ui+1
i+1
−u
�
)
(3.8)
Observando a Equa¸c˜ao 3.8 percebe-se que esta ´e uma forma de relacionar o desvio entre os vetores de estado simulado pelo TPWL e gravado na simula¸c˜ao de treinamento (xn+1
i+1
−x
) com os desvios entres os estados simulados e gravados para o passo de tempo
anterior (xn xi ) e os desvios entre os controles aplicados na simula¸ca˜o TPWL e na simula¸ca˜o
−
de treinamento ( un+1
i+1
−u
).
Al´em disso, observa-se que o TPWL aproxima a simula¸ca˜o eliminando a necessidade de um processo iterativo de solu¸c˜ao. Isto fica mais claro ao explicitar-se o estado xn+1 na Equa¸ca˜o 3.8 resultando na Equa¸ca˜o 3.9.
n+1
x
= x
i+1
(− � J
i+1
1
−
∂ Ai+1 n (x ∂ xi
−
∂ Qi+1 n+1 (u x )+ ∂ ui+1 i
−u
i+1
)
�
(3.9)
Mas ainda h´a um ponto em aberto na Equa¸ca˜o 3.9: como escolher os estados gravados durante a simula¸c˜ao de treinamento xi e xi+1 e as derivadas Ji+1 ,
∂ Ai+1 ∂ xi
e
∂ Qi+1 ∂ ui+1
a
serem utilizados a cada passo de tempo da simula¸ca˜o TPWL? Na verdade, basta determinar-se o ´ındice i do estado xi . A partir dele, determinase o estado consecutivo na simula¸ca˜o de treino que ser´a xi+1 e as derivadas correspondentes a este u ´ ltimo. Mas como determinar xi ? Este ser´a o estado “mais pr´oximo”, segundo alguma norma, ao estado calculado pelo TPWL no passo de tempo anterior xn . Existem v´arias maneiras de se medir tal proximidade. A maneira escolhida ´e parecida com a definida em (Cardoso, 2009) e tamb´em utilizada em (He, 2010). Seja zn o mapa de fra¸co˜es m´assicas no passo de tempo n da simula¸ca˜o TPWL, representado por somente as linhas de x n correspondentes `as fra¸c˜oes m´assicas. O estado gravado xi ser´a aquele cujo mapa de satura¸co˜es zi for mais pr´oximo de zn medindo-se a distˆancia pela norma euclidiana. Sendo assim, determina-se o ´ındice i do estado gravado a ser utilizado no passo de tempo n minimizando-se a distˆancia no espa¸co das fra¸co˜es m´assicas como mostrado na Equa¸c˜ao 3.10.
i = arg min zk k
n
| −z |
(3.10)
3.1. Lineariza¸c˜ao utilizando TPWL
55
Esta lineariza¸ca˜o ´e melhor se o estado simulado for mais pr´oximo do estado gravado mais pr´oximo. Al´em disso ´e dependente da trajet´oria, isto ´e, dos estados pelos quais passou anteriormente. Sendo assim, existe em torno de cada estado da trajet´oria de treinamento, uma regi˜ao de validade para o modelo linearizado dentro da qual a aproxima¸ca˜o ´e boa. Se a trajet´oria simulada passar por dentro de tais regi˜oes ent˜ ao a aproxima¸ca˜o ser´a melhor. A figura 3.1 foi extra´ıda de (Albunni et al., 2008) esquematiza este racioc´ınio.
Fig. 3.1: Regi˜ao Validade do TPWL em torno da trajet´oria de treinamento Desta forma, considere uma sequˆencia de controles (press˜oes de fundo de po¸co) t N c t=1 ,
{BHP }
onde N c ´e o n´ umero de ciclos de controle ao longo do tempo de simula¸ca˜o
T para os quais se desejam calcular as vaz˜o es dos po¸cos numa simula¸c˜a o do modelo de ordem reduzida TPWL. Considere uma simula¸c˜ao de reservat´orios chamada de simula¸ca˜o de treinamento. Esta simula¸c˜ao passa por N t passos de tempo. Armazenam-se e exportam-se todas as seguintes informa¸co˜es ao final de todos os passos de tempo da simula¸c˜a o ap´os a convergˆencia do m´etodo de Newton: i N t i=1
• os incrementos de tempo da simula¸ca˜o {∆t } ; • os controles utilizados {u } ; • os estados convergidos {x } ; • as derivadas convergidas {J } , { } e { i N t i=1
i N t i=1
∂ Ai+1 N t i=1 ∂ xi
i+1 N t i=1
∂ Qi+1 N t ; ∂ ui+1 i=1
}
O algoritmo executado na simula¸ca˜o TPWL consiste nos seguintes passos: 1. Faz-se n = i = 1, tn = 0 e x n = x i . 2. Determina-se o vetor de controles do passo de tempo de un+1 a partir da lista de controles a serem simulados BHPt
{
N c t=1 .
}
Para po¸cos com m´ultipla completa¸ca˜o, faz-se
necess´ ario calcular a press˜ao nas c´elulas superiores a` de fundo utilizando o modelo de
3.2. Exporta¸ca˜o de mapas de estados e derivadas
56
po¸co da Equa¸c˜ao 2.35. 3. Busca-se entre todos os estados gravados xi
N t i=1 qual
{ }
´e mais pr´oximo de xn conside-
rando somente as fra¸c˜oes m´assicas. Determina-se i e selecionam-se os estados gravados
xi e x i+1 e o intervalo de tempo entre os passos de tempo i e i + 1, ∆ti . 4. Selecionam-se tamb´em as derivadas Ji+1 ,
∂ Ai+1 ∂ xi
e
∂ Qi+1 . ∂ ui+1
5. Calcula-se o vetor de estados x n+1 Resolve-se a Equa¸c˜ao 3.9 com os dados selecionados e o estado anterior xn . 6. Determina-se o tempo transcorrido at´e ent˜ao na simula¸ca˜o por tn+1 = t n + ∆ti . Al´em disso, atualiza-se o vetor de estados, x n
←x
n+1
.
7. Calculam-se as vaz˜ oes nos po¸cos aplicando-se as press˜oes das c´elulas dos po¸cos contidas em x n+1 ao modelo de po¸co da Equa¸ca˜o 2.33. 8. se t n+1 < T retorna-se ao passo 2, caso contr´ario a simula¸ca˜o termina. ´ importante ressaltar que at´e agora n˜ao houve nenhuma redu¸ca˜o de dimens˜ao E do problema. Tal redu¸ca˜o ser´a realizada pela aplica¸ca˜o de uma t´ecnica descrita na se¸ca˜o 3.3 conhecida como Proper Orthogonal Decomposition e modifica minimamente o algoritmo do TPWL.
3.2
Exporta¸ ca ˜o de mapas de estados e derivadas A Equa¸ca˜o 3.9 demonstra que o TPWL basicamente transforma a solu¸ca˜o de um
sistema de equa¸c˜oes n˜ao lineares que modela o problema de escoamento em uma sequˆencia de sistemas lineares. Entretanto, para que o m´etodo funcione, ´e necess´ario conhecer os mapas de press˜a o e fra¸c˜o es m´assicas em cada passo de tempo da simula¸ca˜o de treinamento que constituir˜ao juntos os vetores de estado xi . Al´em disso, tamb´em ´e necess´ario conhecer as matrizes de derivadas convergidas em todos os passos de tempo, Ji+1 ,
∂ Ai+1 ∂ xi
e
∂ Qi+1 . ∂ xi+1
Portanto, fez-se necess´ario alterar o c´odigo do SIMPAR de forma a que ele fosse capaz de exportar todos estes dados enquanto executava a simula¸c˜ao. Algumas rotinas foram criadas, de uma forma menos intrusiva poss´ıvel, para que, a cada passo de tempo da simula¸ca˜o de fluxo, as matrizes de derivadas e mapas fossem exportadas para arquivo texto para serem lidos pelo programa TPWL. Nenhuma parte do c´alculo do simulador foi alterada, mas o c´odigo precisou ser compreendido em um n´ıvel razoalvelmente profundo para acessarem-se
3.2. Exporta¸ca˜o de mapas de estados e derivadas
57
todas as vari´aveis necess´arias e replicarem-se alguns trechos na exporta¸c˜ao e na posterior importa¸c˜ao no Matlab para treinamento. Os mapas de press˜ao e fra¸co˜es m´assicas j´a s˜ao calculados a toda itera¸c˜ao do m´etodo de Newton-Raphson. Inclusive j´a existe a op¸c˜ao de sua exporta¸c˜ao para p´os-processamento. Sendo assim, bastou fazer a escrita de todos os valores em ordem predefinida (sequˆencia de c´elulas definida pelo simulador) ap´os a convergˆencia em cada passo de tempo. A exporta¸c˜ao dos mapas de controle possui uma complica¸ca˜o adicional. Basicamente h´a um controle, ou seja, uma press˜ao fixada, em cada bloco com completa¸ca˜o de algum po¸co. Entretanto, o que se controla efetivamente ´e a press˜ao no fundo do po¸co (BHP - Bottom Hole Pressure ). Portanto, exporta-se o valor do BHP na c´ elula mais profunda correspondente a cada po¸co, mas deve-se tamb´em exportar a press˜ao em fluxo, calculada na equa¸ca˜o 2.35, para as c´elulas superiores de cada po¸co. Ent˜ ao, aproveitou-se todo o c´alculo do peso da coluna de fuido j´a realizado para obter-se as press˜oes em fluxo de todos os blocos dos po¸cos e export´a-las como controles. Em se tratando das derivadas, a mais simples de exportar foi a matriz jacobiana, uma vez que ela j´a deve ser montada para a realiza¸ca˜o da simula¸ca˜o. Para sua exporta¸ca˜o, bastou copiar a rotina de montagem do jacobiano trocando a escrita na mem´o ria por um arquivo de sa´ıda. Esta rotina, como todas as outras de exporta¸c˜ao de derivadas, s´o pode ser chamada ap´ os a convergˆencia do m´etodo de Newton-Raphson. ´ importante ressaltar que devido a natureza do m´etodo de diferen¸cas finitas e E da malha estruturada, esta matriz, no caso tridimensional, ´e praticamente heptadiagonal por blocos (a excess˜ao ocorre quando h´a conex˜ao entre c´elulas que n˜ao s˜ao vizinhas naturalmente e isto acontece em casos de pinch-out em que uma camada desaparece, havendo a necessidade de conectar duas camadas n˜ao consecutivas ou no caso de falhas com rejeito, onde parte do reservat´orio se desloca para cima ou para baixo). Sendo assim, ´e uma matriz esparsa e portanto n˜ao h´a a necessidade de exportar todos os seus elementos. Al´em disso, como no problema aqui em quest˜ao, s´o se admite controle dos po¸cos por press˜ao, esta matriz n˜ao possui as linhas e colunas correspondentes `as equa¸c˜oes de po¸co e seus elementos n˜ao-nulos s˜ao sempre os mesmos ao longo do tempo. Portanto, exportam-se as coordenadas desses elementos uma u ´ nica vez, s´o sendo necess´ario exportar os valores em cada passo de tempo. Esse mesmo racioc´ınio se aplica a`s outras derivadas. As outras derivadas normalmente n˜ao precisariam ser calculadas durante a simula¸c˜ao. Sendo assim, fez-se necess´ario a contru¸c˜ao de rotinas para c´alculo e exporta¸ca˜o.
3.2. Exporta¸ca˜o de mapas de estados e derivadas
58
Portanto, antes de tentar implementa-las, foi necess´ario calcular qual seria a forma dessas derivadas baseados em propriedades e derivadas que j´a estivessem dispon´ıveis no decorrer da simula¸ca˜o. A Equa¸ca˜o 3.11 cont´em um bloco da derivada do termo de acumula¸c˜ao em ´ importante ressaltar que este rela¸ca˜o ao estado anterior para uma c´elula N , no passo i. E bloco possui duas linhas, uma para cada equa¸ca˜o de balan¸co e duas colunas, uma para cada componente (´o leo e ´agua). A matriz
∂ Ai+1 ∂ xi
para a formula¸ca˜o totalmente impl´ıcita ´e bloco-
diagonal. Isto se deve ao fato de o termo de acumula¸c˜ao da c´elula N s´o depender de termos relacionados a` pr´opria c´elula, reduzindo o n´umero de elementos a serem exportados.
� � ∂ Ai+1 ∂ xi
= N
− ∆tV
N i+1
O c´alculo desta derivada
∂φ ρm ∂p o
m + φ ∂ρ ∂p o
m φ ∂ρ ∂z w
∂φ m m + φz w ∂ρ + φρm z w ρm ∂p φz w ∂ρ ∂p o ∂z w o
∂ Ai+1 ∂ xi
i
(3.11) N
j´a estava em parte implementado no SIMPAR,
pois ´e um dos componentes necess´arios para o m´etodo adjunto, parcialmente implementado no simulador. Note que, assim como exposto na Equa¸ca˜o 3.6, tal derivada depende de propriedades calculadas no passo de tempo n e n + 1. Portanto, optou-se por export´a-la no passo de tempo n +1 junto com as outras matrizes e sem a divis˜ao por ∆tn+1 . O seu uso deve ser ent˜ao atrasado no tempo o que implica que o passo de tempo utilizado no denominador seria o imediatamente posterior. Por fim, uma outra rotina foi desenvolvida para exportarem-se as derivadas do termo de fonte/sumidouro. A partir das Equa¸c˜oes 2.26 e 2.27 tais derivadas puderam ser calculadas. Seu c´ alculo baseia-se no modelo de po¸co utilizado exposto na Equa¸ca˜o 2.33. A Equa¸ca˜o 3.12 cont´em um bloco da matriz para a c´elula N que contenha um po¸co produtor no passo de tempo i. Nesta equa¸ca˜o, o termo F g ´e o fator geom´etrico do po¸co (Peaceman, 1983). Note que um bloco desta matriz possui duas linhas, uma para cada equa¸ca˜o, representando, a primeira, a vaz˜ao total de fluido produzido ou injetado e, a segunda, a vaz˜a o de ´a gua. H´ a uma u ´ nica coluna, pois s´o h´ a um controle no m´aximo por c´elula. Os u ´ nicos blocos n˜ao nulos s˜ao os correspondentes `as c´elulas com po¸cos completados, portanto, esta matriz ´e bloco-diagonal, mas com pouqu´ıssimos termos n˜ ao nulos.
3.3. Redu¸ca˜o de dimens˜ao - Proper Orthogonal Decomposition (POD)
� � − ∂ Qi+1 ∂ ui+1
˙o ∂ M ∂p wf
+
˙w ∂ M ∂p wf
=
N
˙w ∂ M ∂p wf
i+1
F g
=
N
� − � � ρo kµroo
59
+ ρw kµrw w
F g ρw kµrw w
�
i+1
(3.12) N
A equa¸ca˜o 3.13 cont´ em um bloco da matriz para a c´elula N que contenha um po¸co injetor no passo de tempo i. Note que neste caso as linhas correspondentes `as duas equa¸co˜es s˜ao idˆenticas, j´a que a mobilidade da ´agua num po¸co injetor ´e a total para os dois fluidos, como definido na Equa¸ca˜o 2.34.
� � − ∂ Qi+1 ∂ ui+1
3.3
˙w ∂ M ∂p wf
=
N
˙w ∂ M ∂p wf
i+1
F g ρw
= N
� − � F g ρw
kro µo
kro µo
+ +
krw µw
krw µw
� �
i+1
(3.13) N
Redu¸c˜ ao de dimens˜ ao - Proper Orthogonal Decomposition (POD) A metodologia TPWL consiste em um redutor de complexidade num´erica pois
lineariza o problema, eliminando a necessidade de um processo iterativo como NewtonRaphson para a solu¸c˜ao das equa¸c˜oes em cada passo de tempo. Entretanto, a quantidade de vari´aveis e equa¸c˜oes permanece a mesma, n˜ao havendo portanto redu¸c˜ao da dimens˜ao do problema. Sendo assim, faz-se necess´ario a combina¸c˜ao do TPWL com alguma t´ecnica eficiente para a redu¸ca˜o de dimens˜ao de modo a obter-se um modelo de ordem reduzida com consequente redu¸c˜ao significativa no tempo computacional. A t´ecnica assim escolhida para promover a redu¸c˜ao de dimens˜ao ´e conhecida como Proper Orthogonal Decomposition - POD ou Principal Component Analysis - PCA (Jolliffe, 2002). Ela tira proveito da correla¸c˜ao existente entre elementos de um mesmo conjunto de dados. Pode ser aplicada em diversos ramos da engenharia. Esta t´ecnica ´e amplamente utilizada em problemas de compress˜ao, reconstru¸ca˜o e reconhecimento de faces devido `a correla¸ca˜o existente entre as faces humanas (Muller et al., 2004). Por exemplo, no contexto de identifica¸c˜ao autom´atica de imagens, ao considerar-se um conjunto de rostos de pessoas, apesar de todas diferirem entre si, h´a caracter´ısticas presentes
3.3. Redu¸ca˜o de dimens˜ao - Proper Orthogonal Decomposition (POD)
60
em todas elas. Todas as pessoas possuem dois olhos, duas orelhas, uma testa, uma boca, etc, mais ou menos nas mesmas posi¸co˜es. Sendo assim, as imagens possuem muita correla¸ca˜o umas com as outras, o que sugere que o “espa¸co vetorial” gerado pelo conjunto de imagens de faces humanas tem uma dimens˜ao inferior ao n´umero de imagens consideradas, , se um pequeno erro for tolerado. Correla¸c˜oes similares ocorrem, por exemplo, entre os mapas de press˜ao e satura¸ca˜o resultantes de uma simula¸ca˜o de reservat´orios. Isto se deve ao fato de formarem-se frentes de avan¸co que seguem uma tendˆencia fortemente dependente das caracter´ısticas do meio simulado. Este trabalho visa avaliar a reconstru¸ca˜o de tais mapas utilizando-se uma quantidade menor de informa¸ca˜o. A ideia ´e descobrir as dire¸co˜es principais do espa¸co gerado pelos mapas conhecidos, mas s´o considerar as mais significativas com base em um crit´ erio de energia. A ideia ´e baseada na an´alise espectral da matriz de covariˆancia cujos autovalores indicam a variabilidade em cada uma das dire¸co˜es principais, que s˜ao os seus autovetores. Dire¸c˜oes principais com baixa variabilidade (pequenos autovalores) podem ser desprezadas. Entretanto, n˜a o h´a a necessidade do c´alculo da matriz de covariˆancia; isto seria bastante custoso. A teoria demonstra a equivalˆencia entre esse conceito e a decomposi¸c˜ao em valores singulares, fatora¸c˜ao de matrizes bastante conhecida pela ´algebra linear.
3.3.1 Descri¸ca˜o do POD Considere um sistema de dimens˜ao N , no caso deste trabalho, representando as equa¸co˜es resolvidas pelo simulador de reservat´orios e descritas na Equa¸ca˜o 2.26 e 2.27 e um M i=1 ,
{ }
conjunto de M solu¸c˜oes desse sistema, isto ´e, vetores de dimens˜ao N , xi
chamados de
snapshots e que foram gerados por simula¸ca˜o num´ erica. Monta-se a matriz X da Equa¸ca˜o
× M em que as colunas representam os M snapshots .
3.14 de dimens˜ao N
X = [x1 , x2 ,
·· · , x
M ]
(3.14)
Como o modelo ´e uma aproxima¸c˜ao discreta de uma equa¸c˜ao diferencial parcial, a dimens˜ao do snapshot ´e normalmente muito maior que a sua quantidade (N >> M ). O υ i=1 de
{ }
objetivo do POD ´e determinar υ(υ < M << N ) vetores pr´oprios ortonormais φi
tal
modo que a distˆancia entre os snapshots e sua proje¸ca˜o no subespa¸co gerado pelos vetores pr´oprios apresentada na Equa¸ca˜o 3.15 seja minimizada para um dado υ (Markovinovic, 2003).
3.3. Redu¸ca˜o de dimens˜ao - Proper Orthogonal Decomposition (POD)
1 Q(Φ) = M
M
�
xi
i=1
T
− ΦΦ
xi
dimens˜ ao n
× υ apresentada na Equa¸ca˜o 3.16. Φ=
�
φ1 φ2
·· ·
φυ
υ e i=1 ´
{ }
O subespa¸co gerado pelos vetores pr´oprios φi
61
(3.15)
definido pela matriz Φ de
�
(3.16)
considerando υ autovetores da matriz n
υ i=1
{ }
Pode-se mostrar que a solu¸ca˜o deste problema de minimiza¸c˜ao ´e dada por φi
× n dada pela Equa¸ca˜o 3.17 e que representa a
covariˆ ancia entre os snapshots . Estes autovetores correspondem aos υ maiores autovalores υ i i=1 .
{λ }
R =
1 XXT M
(3.17)
Em alguns casos, ao inv´ es de utilizar-se a matriz de snapshots X diretamente no ˜ conforme c´alculo da matriz de covariˆancia R definida na Equa¸ca˜o 3.17, calcula-se a matriz R Equa¸ca˜o 3.18. ˜ = 1 X ˜X ˜ T = 1 R M M
M
� i=1
(xi
T
− x¯)(x − x¯ ) i
(3.18)
˜ ´e apresentada na Equa¸c˜ao 3.19, onde x ¯ representa o snapshot m´edio A matriz X ¯ = (1/M ) x
∑
M i=1
xi . ˜ = [x1 X
− x¯, x − x¯, ··· , x − x¯ ] , 2
M
(3.19)
Geometricamente, a subtra¸ca˜o da m´edia de um conjunto de pontos de cada um dos pontos do conjunto ´e equivalente a mover o centro de massa do conjunto para a origem. Nas aplica¸co˜es de constru¸c˜ao de modelos de ordem reduzida determin´ısticos, esta transla¸ca˜o dos pontos transformando-os em um conjunto de m´edia zero n˜ao ´e de grande importˆancia (Markovinovic, 2003) e portanto n˜ao ser´a considerada neste trabalho. Determinar os autovetores da matriz de covariˆancia significa descobrir as dire¸c˜oes ortogonais nas quais os dados apresentem maior variabilidade. Ao desprezarem-se algumas
3.3. Redu¸ca˜o de dimens˜ao - Proper Orthogonal Decomposition (POD)
62
dire¸co˜es, as dire¸co˜es com pouca variabilidade, obtem-se uma aproxima¸ca˜o Xυ conforme a Equa¸ca˜o 3.20.
Xυ = ΦΦ T X
(3.20)
O erro nesta aproxima¸c˜ao, ent˜ao, medido pela norma-2 da diferen¸ca entre X e X υ ´e no m´aximo igual ao maior valor singular desprezado, conforme representado na Equa¸ca˜o 3.21.
∥X − X ∥ ≤ σ υ
υ+1
(3.21)
Pode-se mostrar que X υ ´e a melhor aproxima¸c˜ao para X (no sentido da norma-2) entre todas as matrizes com posto r
≤ υ.
Se συ+1 ´e suficiente pequeno, manter somente υ
valores singulares resulta em uma boa aproxima¸ca˜o e, portanto, se diz que o posto efetivo de
X ´e υ. A redu¸ca˜o de dimens˜ao ocorre atrav´es da proje¸ca˜o dos estados contidos na matriz
X de dimens˜ao n em um subespa¸co de dimens˜ao υ muito menor. Tal proje¸ca˜o ´e representada M i=1 .
{ }
a xi
M i=1 correspondentes
{ }
pela matriz Φ, chamada de base do POD, e gera estados reduzidos zi
Esta transforma¸ca˜o pode ser aplicada a qualquer estado x no espa¸co de dimens˜ao
M para o c´alculo de um estado reduzido z como mostrado na Equa¸ca˜o 3.22.
z = Φ T x
(3.22)
Por fim, para ilustrar o funcionamento do POD, considere o exemplo ilustrado na Figura 3.2. Suponha que os estados de uma sistema sejam representados em um espa¸co tridimensional dentro de um elips´oide como na Figura 3.2(a). As dire¸co˜es principais deste conjunto s˜ao os autovetores da matriz de covariˆancia e est˜ao representadas na Figura 3.2(b) por PC1, PC2 e PC3; o m´odulo dos vetores ´e proporcional aos autovalores e portanto a` variabilidade naquela dire¸ca˜o. Ao desprezar-se a dire¸ca˜o PC3 com menor autovalor, isto ´e, com menor variabilidade, os pontos passam a ser representados de maneira aproximada em um plano no interior de uma elipse como na Figura 3.2(c). Isto s´o ´e poss´ıvel pois a variabilidade na dire¸ca˜o principal desprezada ´e bastante pequena.
3.3. Redu¸ca˜o de dimens˜ao - Proper Orthogonal Decomposition (POD)
63
Fig. 3.2: Funcionamento do POD - Consideram-se somente as dire¸co˜es de maior variabilidade
3.3.2 Decomposi¸ca˜o em Valores Singulares Como descrito anteriormente, o POD necessita do c´alculo dos autovalores e autovetores da matriz de covariˆancia dos dados. Entretanto, s´o o c´alculo dessa matriz, por si s´o, j´a seria custoso. Al´em disso, a determina¸ca˜o de autovetores ´e uma opera¸c˜ao cara compu´ nesse sentido que se aplica a decomposi¸c˜ao em valores singulares descrita tacionalemente. E nesta subse¸ca˜o.
× M de snapshots de simula¸ca˜o na qual ser´a aplicada
Considere a matriz N
o POD. A sua decomposi¸c˜ao em valores singulares (sigla em inglˆes, SVD – Singular Value Decomposition) consiste na sua fatora¸c˜ao em um produto de trˆes matrizes U, V e Σ conforme representado na Equa¸ca˜o 3.23.
X = U Σ VT
· ·
(3.23)
× N e M × M , respectivamente.
U e V s˜ao ortonormais e possuem dimens˜ao N
× M , contendo os valores singulares n˜ao-negativos σ , j
Σ ´e uma matriz diagonal N
j
=
1, . . . , m i n(N, M ), dispostos em ordem n˜ao-crescente ao longo da diagonal. As colunas de U e V s˜ao denotadas pelos vetores u j , j = 1, . . . , n e v j , j = 1, . . . , M . Duas importantes express˜oes que relacionam U e V a Σ est˜ao nas Equa¸co˜es 3.24 e 3.25 e podem ser deduzidas diretamente da Equa¸ca˜o 3.23.
X XT U = U Σ ΣT
·
·
· ·
(3.24)
3.4. Modelo de Ordem Reduzida - TPWL/POD
64
XT X V = V ΣT Σ
· ·
·
·
(3.25)
Das Equa¸co˜es 3.24 e 3.25 conclui-se que as colunas de U s˜ao autovalores de X XT
·
e as colunas de V s˜ao autovalores de XT X. Al´em disso, tanto os autovalores de X XT ,
·
·
encontrados na diagonal da matriz Σ ΣT , quanto os de X T X, na diagonal de Σ T Σ, s˜ao
·
·
·
iguais aos quadrados dos valores singulares de X. Portanto, estas express˜oes permitem que se utilize a SVD para o c´alculo de autovalores e autovetores da matriz de covariˆancia. ´ poss´ıvel demonstrar que o posto de X ´e igual ao n´umero de valores singulares E diferentes de zero. Portanto, se rank(X) = r, ´e poss´ıvel reescrever a SVD em sua forma reduzida. Na Equa¸ca˜o 3.26 , U + e V + s˜ao as primeiras r colunas de U e V , respectivamente.
Σ+ ´e uma matriz diagonal r x r. Esta forma para a decomposi¸ca˜o reduz o espa¸co em mem´oria necess´ ario na opera¸ca˜o. T X = U+ Σ+ V+
·
·
(3.26)
A computa¸c˜ao das dire¸co˜es principais da matriz de covariˆancia, que s˜ao a solu¸ca˜o do problema de minimiza¸c˜ao da Equa¸c˜ao 3.15 objetivo do POD, ´e feita utilizando-se a SVD descrita na Equa¸ca˜o 3.26. A matriz U + , de acordo com a Equa¸c˜ao 3.24, ´e a matriz de todos os autovalores de X XT .
·
Sendo υ, υ < M << N , o n´ umero de dire¸co˜es principais utilizadas na aproxima¸ca˜o do POD, monta-se a matriz Uυ , considerando-se somente as υ primeiras colunas de U + . As colunas est˜ao ordenadas em ordem decrescente dos autovalores associados e, portanto, correspondem aos maiores autovalores, representando os modos de maior energia. Desta forma, Uυ ´e a base do POD representada na Equa¸ca˜o 3.16. Isto est´a exposto na Equa¸ca˜o 3.27.
Uυ = Φ =
3.4
�
φ1 φ2
···
φυ
�
(3.27)
Modelo de Ordem Reduzida - TPWL/POD A lineariza¸ca˜o em torno de estados convergidos e gravados reduz a complexidade
do modelo, eliminando a necessidade de m´etodos iterativos para solu¸c˜ao do sistema, transformando o problema de simula¸ca˜o em uma sequˆencia de sistemas lineares. Neste trabalho,
3.4. Modelo de Ordem Reduzida - TPWL/POD
65
a t´ecnica POD (Proper Orthogonal Decomposition ) foi combinada ao TPWL (Trajectory Piecewise Linearization ) com o objetivo de reduzir a dimens˜ao do problema a ser resolvido. O primeiro trabalho a aplicar este esquema `a simula¸ca˜o de reservat´orios foi (Cardoso, 2009). Faz-se necess´ario ent˜ao gerar a base do POD, matriz que projeta vetores de um espa¸co de estados bastate grande (e. g., mapas de press˜ao e fra¸c˜oes m´assicas gerados em uma simula¸c˜ao de reservat´orios) em um espa¸co de dimens˜ao reduzida que cont´em a maior parte da informa¸c˜ao necess´aria. Para tanto, efetua-se uma ou mais simula¸co˜es do reservat´orio estudado, armazenando os estados (ou snapshots ) pelos quais a simula¸ca˜o passou a cada passo de tempo simulado. Entende-se por snapshot um par de vetores x p e xz contendo, respectivamente, os valores de press˜a o e fra¸c˜a o m´assica de todos as N c c´elulas do modelo. Considere ent˜ao que X p e X z s˜ao matrizes que cont´em em suas colunas todos os snapshots calculados em todos os N passos de tempo, como mostra a Equa¸ca˜o 3.28.
X p = x p1 , x p2 ,
N p
··· , x
, Xz = x1z , x2z ,
· ·· , x
N z
(3.28)
Note que, o TPWL/POD j´a havia sido aplicado a` formula¸c˜ao o´leo-´agua que considera as vari´aveis de estado: press˜ ao e satura¸c˜ao (Cardoso, 2009; He, 2010). Portanto, o modelo de ordem reduzida aqui desenvolvido possui esta diferen¸ca. Uma aplica¸c˜ao parecida foi realizada em (He and Durlofsky, 2013), que considerou um modelo composicional por fra¸co˜es molares. ´ importante ressaltar que, por causa da diferen¸ca de magnitude entre os valores E de press˜ao e fra¸co˜es m´assicas, com o objetivo de evitar problemas num´ ericos no algoritmo, os estados s˜ao normalizados conforme ´e mostrado na Equa¸c˜ao 3.29. x pi =
− −
− −
( pi pmin ) (z i z min ) , xzi = ( pmax pmin ) (z max z min )
(3.29)
A base do POD utilizada para redu¸c˜ao da dimens˜ao dos mapas de press˜a o e satura¸ca˜o ´e a matriz U da decomposi¸c˜ao em valores singulares da matriz de snapshots . S˜ao realizadas duas decomposi¸co˜es em separado com os mapas normalizados de press˜oes e os de fra¸co˜es m´assicas, obtendo-se as matrizes Φ p e Φz . Isto permite a escolha de um n´umero de autovalores diferentes para as grandezas que tˆem naturezas bastante distintas. Ao combinaremse essas duas matrizes, obtem-se a base Φ que ser´a usada nos c´alculos de redu¸ca˜o da dimens˜ao do TPWL como proje¸c˜ao dos estados no espa¸co reduzido representada na Equa¸ca˜o 3.30.
3.4. Modelo de Ordem Reduzida - TPWL/POD
66
·
x = Φ z
(3.30)
Em suma, Φ p foi determinada a partir da decomposi¸ca˜o da matriz de snapshots de press˜ao X p e Φ z e foi calculada a partir da decomposi¸ca˜o da matriz de snapshots de fra¸c˜oes m´assicas X z . Os snapshots de dimens˜ao reduzida tˆem duas partes tamb´em. A maneira como as bases e snapshots foram combinados est´a descrita na Equa¸ca˜o 3.31.
≈
x p1 xz1 x p2 xz2 .. . x pN c xzN c
φ p11 0 φ p12 0 .. . φ p1N c 0
·· · ·· · ·· · ·· ·
φ p1p
υ
0
0
φ1z1
φ p2p
υ
0
0 .. .
φ1z2 .. .
·· · ·· ·
p φ pN c
υ
0
0
φ1zN c
...
··· ··· ··· ···
...
··· ···
0 φυz1z 0 φυz2z .. . 0 z φυzN c
·
z p1 .. . z pυp z z1 .. . z zυz
(3.31)
Finalmente, a redu¸ca˜o de dimens˜a o pode ser aplicada ao TPWL. A Equa¸ca˜o 3.32 mostra como fica a express˜ao do TPWL que era representada pela Equa¸c˜ao 3.9 ap´os a aplica¸c˜ao do POD para redu¸ca˜o da dimens˜ao atrav´es da pro je¸c˜ao da Equa¸c˜ao 3.30. Note que os snapshots x de dimens˜ao completa se transformam em z de dimens˜ao reduzida atrav´es da transforma¸ca˜o representada na Equa¸c˜ao 3.30.
n+1
z
= z
(− �� � � �� �
i+1
i+1
J
1
−
r
∂ Ai+1 ∂ xi
n
(z r
i
−z )+
� � ∂ Qi+1 ∂ ui+1
n+1
(u r
i+1
−u
)
�
(3.32)
Por outro lado, h´a a necessidade de calcular tamb´em as derivadas com dimens˜ao reduzida (Ji+1 )r ,
∂ Ai+1 ∂ xi
r
,
∂ Qi+1 ∂ ui+1
r
. Coerentemente com a Equa¸ca˜o 3.30, faz-se necess´ario
p´os-multiplicar todas as derivadas em rela¸ca˜o aos estados pela base do POD. Entretanto, isto faz com que o sistema fique com mais equa¸c˜oes do que incognitas. Existem diferentes estrat´ egias para resolver este sistema. A primeira maneira, j´a utilizada em um contexto de elementos finitos, ´e conhecida como proje¸ca˜o de BubnovGalerkin e representa uma proje¸ca˜o ortogonal no espa¸co de estados reduzido. Foi aplicada
3.4. Modelo de Ordem Reduzida - TPWL/POD
67
a este problema de constru¸ca˜o de modelo de ordem reduzida em simula¸c˜ao de reservat´orios em (Cardoso, 2009; He, 2010). Consiste em pr´e-multiplicar as derivadas pela transposta da base, Φ T , e, portanto, ´e uma proje¸ca˜o ortogonal no espa¸co reduzido. Entretanto, problemas de estabilidade do m´etodo foram relatados em (He, 2010; Gildin et al., 2013) o que levou a busca de outras formas. A proje¸c˜ao escolhida neste trabalho ´e a de Petrov-Galerkin. Foi relatada como respons´ avel pela estabiliza¸ca˜o em (Carlberg et al., 2009; He and Durlofsky, 2013) e ´e equivalente a resolver o sistema por m´ınimos quadrados, j´ a que consiste em pr´e-multiplicar as derivadas T ´ uma proje¸ca˜o obl´ıqua no espa¸co de dimens˜ao reduzida. A Equa¸ca˜o 3.33 por ΦT (Ji+1 ) . E mostra todas as trˆes derivadas com dimens˜oes reduzidas a serem utilizadas em 3.32.
� � � �
T
(Ji+1 )r = Φ T (Ji+1 ) Ji+1 Φ ∂ Ai+1 ∂ xi
∂ Qi+1 ∂ ui+1
T
r
i+1 T
= Φ (J
)
T
r
= Φ T (Ji+1 )
� � � � ∂ Ai+1 ∂ xi
Φ
(3.33)
∂ Qi+1 ∂ ui+1
Por fim, a constru¸ca˜o do modelo de ordem reduzida ´e o que se chama aqui de treinamento e precisa calcular todos os objetos utilizadas na solu¸ca˜o sequencial da Equa¸ca˜o 3.32. O processo de treinamento do TPWL/POD engloba a execu¸ca˜o de uma ou mais simula¸c˜oes do SIMPAR armazenando os mapas e derivadas convergidos, seguida do c´alculo da base e dos mapas reduzidos e finalmente o c´alculo das derivadas reduzidas. Neste trabalho o treinamento foi realizado com uma ´unica simula¸ca˜o do SIMPAR com controles de press˜ao de fundo variando aleatoriamente entre os limites m´aximo e m´ınimo estipulados. Estes controles variam com uma frequˆencia maior do que ser´a utilizado na simula¸c˜ao posterior para estimular a variabilidade dos estados pelos quais a trajet´oria de treinamento passa. A quantidade de autovalores (υ p e υz ) considerados na redu¸ca˜o da dimens˜ ao ´e definida empiricamente atrav´es de um simples estudo da qualidade da aproxima¸ca˜o. O algoritmo de treinamento da maneira como foi implementado est´a representado abaixo: 1. Seleciona-se uma sequˆencia aleat´oria de controles de press˜ao de fundo a serem aplicadas na simula¸ca˜o de treinamento. 2. Realiza-se a simula¸ca˜o de treinamento. Armazenam-se os mapas, derivadas, controles utilizados, informa¸co˜es de po¸cos, etc. em um arquivo bin´ario.
3.4. Modelo de Ordem Reduzida - TPWL/POD
68
3. Leem-se os mapas e montam-se as matrizes normalizadas de snapshots de press˜ao X p e fra¸c˜oes m´assicas X z . 4. Calculam-se as bases Φ p e Φ z atrav´es da SVD considerando as quantidades de autovalores υ p e υz respectivamente. Combinam-se as bases, obtendo-se Φ. 5. Calculam-se os mapas reduzidos z i atrav´es da Equa¸ca˜o 3.30, mantendo-os na mem´oria para uso futuro. 6. Leem-se as derivadas (J
i+1
treinamento.
),
� �� � � �� � ∂ Ai+1 ∂ xi
,
∂ Qi+1 ∂ ui+1
7. Calculam-se as derivadas reduzidas (Ji+1 )r , mantendo-as na mem´oria.
exportadas durante a simula¸ca˜ o de
∂ Ai+1 ∂ xi
r
,
∂ Qi+1 ∂ ui+1
r
conforme Equa¸ca˜o 3.33,
8. Realiza-se a simula¸ca˜o TPWL/POD utilizando-se a Equa¸ca˜o 3.32 e o algoritmo de simula¸ca˜o TPWL descrito na se¸ca˜o 3.1 com os controles utilizados para o treinamento com o objetivo de avaliar a qualidade da aproxima¸ca˜o. Tamb´ em foi desenvolvida uma metodologia para retreinamento. Isto consiste na adi¸ca˜o dos estados e derivadas calculados em uma nova simula¸ca˜o ao conjunto de estados considerados no treinamento inicial. A base precisa ser recalculada considerando os estados de todas as simula¸c˜oes. A justificativa para o retreinamento ´e extrapolar a capacidade de representa¸c˜ao do TPWL/POD em uma trajet´oria pr´oxima a um conjunto de controles espec´ıfico e ser´a u ´ til durante a otimiza¸c˜ao na medida em que o processo avance e a qualidade da aproxima¸ca˜o diminua. No cap´ıtulo 4 ser´ a desenvolvido um crit´ erio para iniciar o retreinamento. O algoritmo de retreinamento pressup˜oe que um conjunto de simula¸c˜o es com o SIMPAR j´a foi realizado e que uma delas teve os mapas e derivadas exportadas para serem considerados na reconstru¸ca˜o do TPWL/POD. Pode considerar uma ou mais simula¸co˜es no conjunto para retreinamento, dependendo da configura¸c˜a o escolhida. Note que os mapas e derivadas reduzidos de todas as simula¸co˜es ficam na mem´oria, dispon´ıveis para serem utilizados e cuidados devem ser tomados para n˜ao perder a sua correspondˆencia temporal. Os passos do retreinamento, ap´os a simula¸c˜ao do SIMPAR, s˜ao: 1. Realiza-se a leitura dos mapas de press˜a o e fra¸co˜es m´assicas da primeira simula¸ca˜o de treinamento e de todas aquelas simula¸c˜oes que se deseja utilizar no retreinamento. Montam-se as matrizes normalizadas de snapshots de press˜ao X p e fra¸co˜es m´assicas X z
3.5. Detalhes de Implementa¸ca˜o
69
com os mapas de todas as simula¸co˜es concatenados. 2. Executam-se os passos 4 a 7 do algoritmo de treinamento obtendo-se os mapas redui
i+1
zidos z e as derivadas reduzidas ( J
)r ,
(treinamento e retreinamento).
� �� � ∂ Ai+1 ∂ xi
r
,
∂ Qi+1 ∂ ui+1
r
de todas as simula¸c˜oes
3. Realizam-se a simula¸co˜es TPWL/POD utilizando-se a Equa¸ca˜o 3.32 e o algoritmo descrito na se¸ca˜o 3.1 com os controles utilizados para o retreinamento e outras sequˆencias de controles que j´a tenham sido simuladas com o objetivo de corrigir o resultado. Foi desenvolvida uma maneira de medir a qualidade da aproxima¸ca˜o realizada pelo modelo de ordem reduzida baseada nos estados calculados na simula¸c˜ao. Isto ´e necess´ario para o algoritmo de otimiza¸ca˜o estudado no Cap´ıtulo 4 como um mecanismo para avaliar a necessidade de retreinamento. Na equa¸ca˜o 3.32, observa-se que o modelo linear que constitui o TPWL/POD ´e baseado na distˆ ancia entre os estados e controles gravados e calculados durante a simula¸ca˜o. O estado reduzido gravado zi a ser utilizado no passo de tempo n ´e escolhido de forma a minimizar a distˆancia ao u ´ ltimo estado zn gravado na simula¸c˜ao pelo TPWL/POD. Esta distˆancia considerada diz respeito somente `a parte do vetor de estados correspondente `as fra¸c˜o es m´assicas znz
i z
∥ − z ∥ =
√ − (znz
ziz )T (znz
i z
· − z ).
Sendo assim, a
medida de erro na estimativa de estados realizada pelo modelo E tpwl foi definida como o valor m´edio normalizado desta distˆancia ao longo do tempo de simula¸ca˜o T , conforme equa¸ca˜o 3.34.
E tpwl =
3.5
N
1
� ( ∥ − × √
T
υz
znz
n=1
ziz
∥ × ∆t
n
(3.34)
Detalhes de Implementa¸ c˜ ao A implementa¸ca˜o do algoritmo TPWL foi totalmente realizada utilizando-se o
Matlab. Entretanto, foi necess´ario alterar o c´odigo do SIMPAR de forma a proporcionar a exporta¸ca˜o dos dados necess´arios para a constru¸c˜ao do modelo de ordem reduzida. Este simulador ´e em sua maior parte desenvolvido em FORTRAN 77, contendo algumas rotinas e m´odulos em FORTRAN 90. Desta forma, foram desenvolvidas algumas rotinas dentro do simulador que acessassem as vari´aveis e matrizes a serem exportadas e escrevessem em um arquivo de interface. Isto faz com que o TPWL seja considerado uma t´ecnica semi-intrusiva, uma vez que n˜ao
3.5. Detalhes de Implementa¸ca˜o
70
se precisa interferir nos c´alculos do simulador, mas necessita acessar vari´aveis internas que normalmente n˜ao estariam dispon´ıveis. A u ´nica interferˆencia nos c´alculos do simulador diz respeito ao crit´erio de convergˆencia do m´etodo de Newton-Raphson. H´a dois crit´ erios para que o m´etodo pare de
∥ ∥ < ϵ) e o segundo
iterar: o primeiro pelo valor do res´ıduo, que deve tender a zero ( g
∥ ∥
por varia¸ca˜o do vetor de estados que tamb´em tende a zero ∆x < ϵ. Entretanto, caso a convergˆencia ocorra devido `a varia¸c˜ao dos estados, o simulador n˜ao tem a necessidade de
atualizar as derivadas para o c´alculo do res´ıduo. Sendo assim, os estados ficam “defasados” em rela¸c˜ao a`s derivadas, o que gera uma incoerˆencia e traz problemas ao funcionamento do TPWL. Portanto, h´a duas formas de resolver o problema. A mais robusta e mais intrusiva seria alterar o loop do m´etodo de Newton de modo a obrigar a atualiza¸ca˜o das derivadas em qualquer caso. Entretanto, a forma escolhida neste trabalho, consiste em desabilitar a convergˆencia por varia¸ca˜o dos estados, s´o permitindo que o processo iterativo pare com um res´ıduo suficientemente pequeno e com as derivadas calculadas coerentemente com os mapas de estados. Outro aspecto importante que refor¸ca o aspecto semi-intrusivo do metamodelo ´ necess´ario conhecer precisamente os detalhes de est´a relacionado ao modelo de po¸co. E implementa¸c˜ao do modelo de po¸co utilizado pelo simulador. O TPWL s´o ´e capaz de estimar as vari´aveis de estado (press˜a o e fra¸c˜oes m´assicas), mas o que de fato se est´a interessado em calcular s˜ao as vaz˜oes de fluido produzido/injetado. Este c´alculo ´e realizado a partir das vari´ aveis de estado nas c´elulas dos po¸cos pelo modelo de po¸co do simulador, que deve estar inteiramente reproduzido dentro do metamodelo. Ainda tratando dos po¸cos, o TPWL/POD precisa fazer o c´alculo das vari´aveis de estado nas c´elulas dos po¸cos para que o modelo de po¸co possa ser aplicado e permitindo o c´alculo de vaz˜ao. Entretanto, o restante ´e inteiramente computado no espa¸co reduzido, onde o vetor de estado n˜ao tem significado f´ısico direto. Desta forma, utilizam-se somente as linhas correspondentes `as c´elulas dos po¸cos na matriz Φ para reverter-se a redu¸c˜ao de dimens˜ao. Isto reduz o produto de matrizes a ser efetuado e o custo computacional. Um problema relacionado `a aproxima¸ca˜o realizada pelo TPWL, e que ainda n˜ao foi abordado na literatura, ´e o fato de ele poder calcular valores n˜ao-f´ısicos para os estados como, por exemplo, press˜oes menores que zero e fra¸c˜oes m´assicas fora da faixa entre zero e um. No u ´ ltimo caso, propaga-se o problema para as satura¸co˜es obtidas pela Equa¸ca˜o 2.18, o que leva a um erro no c´alculo da permeabilidade relativa e mobilidade de cada fluido no
3.5. Detalhes de Implementa¸ca˜o
71
po¸co (ver Equa¸ca˜o 2.34) e a uma estima¸ca˜o errˆonea da vaz˜ao produzida/injetada. Este problema foi de certa forma evitado, impondo-se limites f´ısicos `as fra¸c˜oes m´assicas nos po¸cos antes dos c´alculos do modelo de po¸co. Entretanto, ´e poss´ıvel que as vari´ aveis de estado calculadas pelo metamodelo possam assumir valores n˜ao-f´ısicos em muitas c´elulas e estes valores sejam propagados ao longo do tempo. Como o TPWL ´e inteiramente computado no espa¸co reduzido, a ´unica forma de avaliar a viabilidade das vari´aveis de estado e aplicar os limites f´ısicos seria reverter a redu¸ca˜o de dimens˜ao em todas as c´elulas, o que poderia tornar o c´alculo bastante caro. Testes est˜ao sendo realizados nesse sentido. Um ponto cr´ıtico desta implementa¸ca˜o est´a exatamente na troca de informa¸c˜oes entre o simulador e a ferramenta desenvolvida no Matlab. De fato, esta exporta¸ca˜o das derivadas e mapas precisa de uma boa quantidade de espa¸co em disco e consome tempo de escrita/leitura dos arquivos. Portanto, a escolha do formato deste arquivo tem grande influˆencia no desempenho da ferramenta. Inicialmente, o formato escolhido para a troca de informa¸c˜oes era basicamente um conjunto de arquivos-texto. Entretanto, o volume de dados escrito era bastante grande e, por causa da lentid˜ao da escrita, o tempo de simula¸ca˜o era multiplicado por trˆes. Al´em disso, a leitura destes dados fazia com que o tempo para treinamento se comparasse ao de duas simula¸co˜es com o SIMPAR. Com este tempo de treinamento de cinco a sete vezes o de uma simula¸ca˜o, tornar-se-ia proibitivo realizar um retreinamento ao longo de um processo de otimiza¸ca˜o caso fosse necess´ario. Sendo assim, iniciou-se a busca de um formato de arquivo que fosse mais eficiente. O ideal ´e que tal formato fosse bin´ario, para economizar espa¸co e reduzir o tempo de acesso atrav´es de acesso direto. Entretanto, o formato bin´ario do FORTRAN padr˜ao n˜ao se mostrou compat´ıvel com o Matlab, o que demandaria a constru¸ca˜o de rotinas complexas para leitura e a concep¸ca˜o de um padr˜ao de ponteiros e organiza¸ca˜o do arquivo. Decidiu-se ent˜ao utilizar o formato HDF - Hierarchical Data Format , que est´a em sua quinta vers˜ao: HDF5. (HDFGroup, 2014) Tal formato ´e bin´ario e gen´erico, onde as informa¸co˜es podem ser organizadas de maneira hier´arquica, como numa ´arvore de diret´orios, mas s˜ao escritas de forma sequencial. Para acess´a-las existe um sistema de ponteiros que permitem a leitura de maneira direta. Outra importante vantagem reside no fato de tudo isto ser totalmente transparente ao usu´ario. Existe uma biblioteca para diversas linguagens de programa¸c˜ao como C, C++ e Fortran, o que permite utiliz´a-lo de maneira bastante simples. Al´em disso, o Matlab j´a possui fun¸co˜es relativamente simples para leitura. Ao optar-se por
3.5. Detalhes de Implementa¸ca˜o
72
esta forma de exporta¸ca˜o reduziu-se significamente o tempo de escrita e de leitura, bem como o volume de dados gerados. Todas as informa¸c˜oes exportadas, vaz˜oes, mapas, derivadas, controles, etc, s˜ao encapsuladas em um arquivo HDF que cont´em uma estrutura dividida por categorias. Sendo assim, deixou-se de exportar um conjunto de arquivos-texto para exportar-se um ´unico arquivo bin´ario com toda a informa¸c˜ao necess´aria. Com o uso do HDF o tempo de treinamento, considerando a simula¸ca˜o com exporta¸c˜ao de dados, somado ao tempo de leitura dos mapas e derivadas, constru¸ca˜o da base e c´alculo das derivadas reduzidas, equivale ao tempo de uma e meia simula¸c˜ao simples. Outro aspecto importante da implementa¸ca˜o ´e que o processo de treinamento foi dividido em duas etapas. A primeira parte lˆ e todos os mapas e realiza o c´ alculo da base utilizando SVD e o c´alculo dos mapas reduzidos. A segunda parte faz a leitura das derivadas e controles utilizados e efetua a redu¸ca˜o da dimens˜ao, efetuando o produto da base pelas matrizes de cada passo de tempo. Estas rotinas foram separadas para permitir que a base fosse calculada a partir de uma simula¸ca˜o, e as derivadas, caso se fizesse necess´ario, a partir de uma simula¸ca˜o diferente. A terceira rotina implementada no MATLAB, e que integra a base do modelo substituto, ´e respons´avel pela simula¸ca˜o, isto ´e, a sequˆencia de solu¸co˜es de sistemas lineares que representa a simplifica¸c˜ao do problema de simula¸ca˜o. Esta ´e a rotina que deve ser chamada ao longo do processo de otimiza¸ca˜o como substituta do SIMPAR. Vale ressaltar que inicialmente os mapas reduzidos, as respectivas derivadas reduzidas, os controles e todos os outros dados necess´arios eram mantidos em arquivos bin´arios do MATLAB. Entretanto, isto se mostrou ineficiente, uma vez que para cada simula¸c˜ao do TPWL era necess´ario a leitura de arquivos. Isto posto, uma vez que a rotina de otimiza¸c˜ao que chamaria o modelo substituto ser´ a tamb´em desenvolvida em MATLAB e executada pela mesma instˆancia, optou-se por manter todas aquelas vari´aveis na mem´oria, como vari´aveis globais, pagando-se o pre¸co de ocupar uma quantidade significativa de mem´oria RAM. Tamb´em foram constru´ıdas rotinas para encapsular a execu¸ca˜o do TPWL, bem como a execu¸ca˜o do simulador. Na verdade, o papel dela ´e permitir que o otimizador em processo de desenvolvimento seja capaz de executar o SIMPAR e o TPWL com controles normalizados entre zero e um, onde zero significa o valor m´ınimo da press˜ao de fundo e um, o valor m´aximo.
3.6. Compara¸ca˜o com o modelo de alta fidelidade
73
Por fim, foi desenvolvida uma rotina para retreinamento. Esta basicamente inclui entre os mapas e derivadas reduzidas j´a calculados um novo conjunto obtido com outra simula¸c˜ao. Para tanto, precisa recalcular a base considerando todos os mapas. Al´ em disso, como a base ´e recalculada, ´e necess´ario recalcular os mapas reduzidos da simula¸ca˜o que j´a haviam sido calculados no treinamento.
3.6
Compara¸ca ˜o com o modelo de alta fidelidade Com o objetivo de avaliar a qualidade da aproxima¸ca˜o realizada pelo modelo de
ordem reduzida aqui estudado, foram executados alguns estudos comparativos. O u ´nico modelo de reservat´orios aqui considerado ´e o SPE10 - Modificado descrito no cap´ıtulo 2, considerando trˆes varia¸co˜es. A primeira, mais simples, considera que as compressibilidades do ´oleo, ´agua e rocha s˜ao nulas e que as densidades dos fluidos s˜ao idˆenticas. A segunda tamb´em ´e incompress´ıvel, mas considera uma diferen¸ca de densidades entre ´agua e ´oleo de 5 lbm/ft3 . A terceira ´e um modelo compress´ıvel com a mesma diferen¸ca de densidades entre fluidos; considera compressibilidades do ´oleo de co = 3 da rocha, cr = 1
× 10
7
−
× 10
6
−
psi 1 , da ´agua cw = 1 −
× 10
6
−
psi
1
−
e
psi 1 . A primeira varia¸ca˜o se deve ao fato de o problema ser menos −
n˜ao-linear e portanto mais reprodut´ıvel pelo modelo de ordem reduzido aqui considerado. ´ importante ressaltar que na literatura ainda ´e bastante comum considerar-se os casos E incompress´ıveis para avaliar o uso dessa t´ecnica (Cardoso, 2009; He, 2010; He et al., 2013). A compara¸c˜ao de resultados ´e feita em termos do VPL (Valor Presente L´ıquido) que representa a fun¸ca˜o objetivo a ser otimizada. O pre¸co do ´oleo ´e 100 $/BBL e os custos de inje¸c˜ao e produ¸ca˜o de ´agua s˜ao de 10 $/BBL e a taxa de desconto ´e de 10 % a. a. H´a quatro po¸cos produtores e dois injetores instalados, todos abrindo no in´ıcio da simula¸ca˜o. A press˜ao de inje¸c˜ao ´e fixada em 12000 psi no fundo do po¸co. A press˜ao de fundo em fluxo (BHP) nos po¸cos produtores varia entre 2000 psi e 6000 psi. O per´ıodo de simula¸ca˜o aqui considerado ´e de 3000 dias. O reservat´orio (mapa de permeabilidade) est´a representado na Figura 2.2. A sequˆencia de controles para o primeiro treinamento foi determinada aleatoriamente atrav´es de um hipercubo latino considerando-se os controles dos quatro po¸c os a cada 200 dias como vari´aveis. Portanto h´a 15 ciclos de controles. As sequˆencias utilizadas em todos os po¸cos est˜ao representadas na Figura 3.3. O que se espera com isto ´e uma maior variabilidade dos estados gravados com o incremento da capacidade de aproxima¸ca˜o do TPWL/POD. O processo de retreinamento que ser´a aplicado a este teste considera os
3.6. Compara¸ca˜o com o modelo de alta fidelidade
74
estados gravados inicialmente adicionando os estados de mais uma simula¸ c˜ao ao conjunto. 6000 5500 ) i 5000 s p ( o d4500 n u F 4000 e d o ã3500 s s e r P3000
2500 2000 0 W1
500 W2
1000 W3
1500 W4
2000 2500 3000 Tempo (Dias)
Fig. 3.3: Sequˆencia de controles de treinamento (press˜oes de fundo) aplicados aos po¸cos produtores O n´umero de autovalores considerados na redu¸ca˜o de dimens˜a o do POD foi de ´ importante ressaltar que υ p = 128, para a press˜ao e υz = 256, para as fra¸co˜es m´assicas. E a dura¸c˜a o m´axima dos passos de tempo neste problema foi de 30 dias, mas o simulador decidiu cort´a-los bastante o que gerou estados suficientes para utilizar tamanha quantidade autovalores. A escolha do n´ umero de autovalores foi feita ap´os um conjunto r´apido de testes que mostrou que estas quantidades eram suficientes para uma boa aproxima¸ca˜o. Os u ´ltimos valores singulares considerados est˜ao entre a ordem de 10
3
−
e 10 4 . A figura 3.4 apresenta −
um gr´afico dos valores singulares para a SVD da matriz de snapshots de press˜oes (3.4(a)) e de fra¸co˜es m´assicas (3.4(b)) na simula¸ca˜o de treinamento dispostos em ordem decrescente com a indica¸ca˜o dos respectivos pontos de corte escolhidos. Portanto, em resumo, o teste aqui realizado para avalia¸ca˜o da acur´acia do modelo reduzido pode ser descrito pelos passos a seguir. 1. Escolhem-se aleatoriamente um conjunto de 15 controles entre 2000 psi e 6000 psi para cada po¸co produtor utilizando-se hipercubo latino. Estes controles ser˜ao aplicados aos po¸cos, mudando-se o valor a cada 200 dias, totalizando 3000 dias de simula¸ca˜o. 2. Utilizando-se o SIMPAR, realiza-se a simula¸c˜ao do modelo aplicando-se os controles escolhidos.
3.6. Compara¸ca˜o com o modelo de alta fidelidade
5
5
10
10
Incompressível − Dens. Iguais Incompressível − Dens. Dif. Compressível − Dens. Dif.
0
0
10
10
−5
−5
10
10
−10
−10
10
75
0
100
200
300
400
(a) Press˜ao
500
600
700
10
0
100
200
300
400
500
600
700
(b) Fra¸c˜ao m´assica
Fig. 3.4: Valores singulares dispostos em ordem decrescente - Modelo SPE10-Modificado 3. Executam-se em sequˆencia as rotinas de c´alculo da base e mapas reduzidos (POD) e de c´alculo das derivadas reduzidas, realizando-se assim o treinamento do modelo de ordem reduzida. 4. Executam-se algumas simula¸c˜oes com o SIMPAR com dura¸c˜ao de 3000 dias, considerando-se que em cada haver´a 3 ciclos de controle de 1000 dias. Anotam-se para cada uma delas o valor de VPL calculado. Exportam-se todos os dados de mapas e derivadas, para que se possa vir a fazer retreinamento do TPWL no futuro. Considera-se que os controles de press˜ao aplicados em todos os po¸cos s˜ao iguais, permitindo-se a varia¸ca˜o dos controles de um ciclo para outro. S˜ao trˆes os valores que ser˜ao avaliados em cada ciclo: 2000 psi (limite inferior), 4000 psi (meio da escala) e 6000 psi (limite superior). Como os controles s˜ao iguais para todos os po¸cos, tem-se trˆes vari´aveis, uma para cada ciclo. Como s˜ao trˆes ciclos, com a possibilidade de trˆes valores para cada, ser˜ao assim 27 simula¸co˜es no total. 5. Executam-se as mesmas simula¸c˜oes com o TPWL treinado no passo 3, anotando-se o seu resultado de VPL. 6. Efetua-se o retreinamento do TPWL, adicionando-se os mapas e derivadas de uma simula¸ca˜o escolhida entre todas as calculadas no passo 4. Utiliza-se para isso o algoritmo de retreinamento descrito na se¸ca˜o 3.4, que sempre mant´em as informa¸co˜es da simula¸ca˜o realizada no passo 2 no conjunto de dados do modelo de ordem reduzida. Adicionam-se as informa¸co˜es de uma das simula¸c˜oes efetuadas em 4 eliminando-se as informa¸c˜oes do
3.6. Compara¸ca˜o com o modelo de alta fidelidade
76
u ´ltimo retreinamento. 7. Executam-se as mesmas 27 simula¸c˜oes com o TPWL retreinado, anotando o VPL. 8. Retorna-se ao passo 6, de modo a retreinar o TPWL com uma outra simula¸ca˜o. Repetese este ciclo at´e esgotar as simula¸co˜es escolhidas para retreinamento. A tabela 3.1 cont´em as 27 sequˆencias dos controles aplicados igualmente aos quatro po¸cos nos trˆ es ciclos de controle. Nesta tabela, a palvra MIN, siginifica valor m´ınimo do controle, 2000 psi, a palavra MED representa valor m´edio, 4000 psi e MAX, o m´aximo, 6000 psi. As simula¸co˜es escolhidas para retreinamento do TPWL no passo 6 do teste s˜ao as obtidas com as sequˆencias de controles de n´umero 1, 5, 10, 20, 24 e 27. Estas foram escolhidas de forma a que haja a mesma quantidade de simula¸c˜oes de retreinamento com os trˆes n´ıveis de controle no primeiro ciclo. Tal escolha se deve `a forte dependˆencia que se espera haver entre o VPL e o valor inicial dos controles devido a taxa de desconto. Sendo assim, entre as simula¸c˜oes utilizadas para retreinamento h´a duas com valor m´aximo de press˜ao de fundo no primeiro ciclo, duas com valor m´edio e duas com valor m´ınimo. Para avaliar a qualidade da aproxima¸ca˜o de maneira r´apida e visualmente simples, foram constru´ıdos crossplots nos quais o eixo x representa o VPL calculado pelo SIMPAR, que seria a medida real, e o eixo y representa a aproxima¸c˜ao pelo modelo de ordem reduzida. Sendo assim, se o TPWL fosse perfeito, todos os pontos cairiam sobre a reta identidade em azul. H´ a um conjunto de crossplots para o caso incompress´ıvel com densidades iguais, um para o caso incompress´ıvel com densidades diferentes e um para o compress´ıvel. Em cada conjunto foi feito um gr´afico para o primeiro treinamento e um para cada retreinamento considerado no teste, como mostram as Figuras 3.5, 3.6 e 3.7. Na Figura 3.5 ´e considerado o modelo SPE10 - modificado sem compressibilidades e densidades iguais para ´a gua e ´oleo. Em cada crossplot o eixo x representa o VPL obtido na simula¸c˜ao do SIMPAR e o eixo y o VPL calculado com o TPWL. As nuvens representam os seguintes casos: (a) sem retreinamento, (b) com retreinamento na simula¸ca˜o 1, (c) com retreinamento na simula¸ca˜o 5, (d) com retreinamento na simula¸c˜ao 10, (e) com retreinamento na simula¸ca˜o 20, (f) com retreinamento na simula¸c˜ao 24 e (g) com retreinamento na simula¸ca˜o 27. Neste caso, obtem-se boa aderˆencia entre simulador e modelo de ordem reduzida devido ao baixo n´ıvel de n˜ao linearidades proporcionado pela ausˆencia de diferen¸cas em densidades dos fluidos.
3.6. Compara¸ca˜o com o modelo de alta fidelidade
77
1o Ciclo 2o Ciclo 3o Ciclo 1
MIN
MIN
MIN
2
MED
MIN
MIN
3
MAX
MIN
MIN
4
MIN
MED
MIN
5
MED
MED
MIN
6
MAX
MED
MIN
7
MIN
MAX
MIN
8
MED
MAX
MIN
9
MAX
MAX
MIN
10
MIN
MIN
MED
11
MED
MIN
MED
12
MAX
MIN
MED
13
MIN
MED
MED
14
MED
MED
MED
15
MAX
MED
MED
16
MIN
MAX
MED
17
MED
MAX
MED
18
MAX
MAX
MED
19
MIN
MIN
MAX
20
MED
MIN
MAX
21
MAX
MIN
MAX
22
MIN
MED
MAX
23
MED
MED
MAX
24
MAX
MED
MAX
25
MIN
MAX
MAX
26
MED
MAX
MAX
27
MAX
MAX
MAX
encias Tab. 3.1: Sequˆ
de controles utilizadas no estudo
3.6. 3.6. Compar Compara¸ a¸c˜ ca˜o com o mo delo de alta fidelidade
78
8
8
8
7.5
7.5
7.5
7
7
7
6.5
6.5
6.5
6
6
6
5.5
5.5
5.5
5
5
5
4.5
4.5
4.5
4 4
5
6
7
8
(a) Somente Treinamento
4 4
5
6
7
8
(b) Retreinamento - Sim. 01
4 4
8
8
8
7.5
7.5
7
7
7
6.5
6.5
6.5
6
6
6
5.5
5.5
5.5
5
5
5
4.5
4.5
4.5
5
6
7
8
(d) Retreinamento - Sim. 10
4 4
5
6
7
6
7
8
(c) Retreinamento - Sim. 05
7.5
4 4
5
8
(e) Retreinamento - Sim. 20
4 4
5
6
7
8
(f) Retreinamento - Sim. 24
8 7.5 7 6.5 6 5.5 5 4.5 4 4
5
6
7
8
(g) Retreinamento - Sim. 27
cao a˜o do VPL calculado pelo SIMPAR e pelo TPWL/POD para o modelo Fig. 3.5: Compara¸c˜ SPE10 - Modificado sem compressibilidades e densidades iguais. J´a na Figura 3.6 ´e considerado o modelo mo delo SPE10 - modificado mo dificado sem compressibilidades e densidades diferentes para ´agua agua e ´oleo. oleo. A ordem dos casos de retreinamento retreinam ento ´e idˆentica entica a` Figura Figura 3.5. Nota-se Nota-se uma piora significativ significativaa na qualidade da aproxima¸ aproxima¸ c˜ cao a˜o com grandes discrepˆancias ancias devido ao aumento da n˜ao-linearid ao-linearidade ade por p or causa da diferen¸ diferen¸ca ca entre as densidades dos fluidos. Finalmente, a Figura 3.7 mostra o resultado para o modelo SPE10 - modificado com compressibilidades e densidades diferentes para ´agua a gua e ´oleo o leo.. A orde ordem m dos dos caso casoss de retrei ret reina namen mento to ´e idˆentica enti ca `as as Figuras 3.5 e 3.6. Ocorrem Ocorrem resultados resultados ainda mais discrepan discrepantes tes entre TPWL e SIMPAR devido `a atribui¸c˜ cao a˜o de compressibili compres sibilidade dade acarretand ac arretandoo a dependˆ d ependˆencia encia
3.6. 3.6. Compar Compara¸ a¸c˜ ca˜o com o mo delo de alta fidelidade
79
8
8
8
7.5
7.5
7.5
7
7
7
6.5
6.5
6.5
6
6
6
5.5
5.5
5.5
5
5
5
4.5
4.5
4.5
4 4
5
6
7
8
(a) Somente Treinamento
4 4
5
6
7
8
(b) Retreinamento - Sim. 01
4 4
8
8
8
7.5
7.5
7
7
7
6.5
6.5
6.5
6
6
6
5.5
5.5
5.5
5
5
5
4.5
4.5
4.5
5
6
7
8
(d) Retreinamento - Sim. 10
4 4
5
6
7
(e) Retreinamento - Sim. 20
6
7
8
(c) Retreinamento - Sim. 05
7.5
4 4
5
8
4 4
5
6
7
8
(f) Retreinamento - Sim. 24
8 7.5 7 6.5 6 5.5 5 4.5 4 4
5
6
7
8
(g) Retreinamento - Sim. 27
cao a˜o do VPL calculado pelo SIMPAR e pelo TPWL/POD para o modelo Fig. 3.6: Compara¸c˜ SPE10 - Modificado sem compressibilidades e densidades diferentes. temporal temporal dos resultados. resultados. Em todos os trˆes es casos estudados observou-se uma dependˆencia encia muito forte da qualidade dos resultados do TPWL com a escolha do primeiro controle da simula¸c˜ cao a˜o utilizada para retreinamento. Nos crossplots Nos crossplots apresentados apresentados nas Figuras 3.5, 3.6 e 3.7, os pontos verdes representam simula¸c˜ c˜oes oes cujo primeir pri meiroo controle contr ole ´e o valor m´aximo axim o para a press˜ pres s˜ao ao de fundo, os pontos po ntos preto p retoss tˆem em o prim p rimeiro eiro controle contr ole no n o valor valo r m´ m´ınimo ıni mo e os vermelh ver melhos os o tˆem em primei pr imeiro ro control co ntrolee no valor intermedi´ario. ario. O pon ponto to marcado marcado com um diaman diamante te rosa repres represen enta ta a simula simula¸c˜ c¸ao a˜o utilizada para retreinamento e por isso recai sobre a reta, j´a que seu resultado passa a ser praticamente exato.
3.6. 3.6. Compar Compara¸ a¸c˜ ca˜o com o mo delo de alta fidelidade
80
8
8
8
7.5
7.5
7.5
7
7
7
6.5
6.5
6.5
6
6
6
5.5
5.5
5.5
5
5
5
4.5
4.5
4.5
4 4
5
6
7
8
(a) Somente Treinamento
4 4
5
6
7
8
(b) Retreinamento - Sim. 01
4 4
8
8
8
7.5
7.5
7
7
7
6.5
6.5
6.5
6
6
6
5.5
5.5
5.5
5
5
5
4.5
4.5
4.5
5
6
7
8
(d) Retreinamento - Sim. 10
4 4
5
6
7
(e) Retreinamento - Sim. 20
6
7
8
(c) Retreinamento - Sim. 05
7.5
4 4
5
8
4 4
5
6
7
8
(f) Retreinamento - Sim. 24
8 7.5 7 6.5 6 5.5 5 4.5 4 4
5
6
7
8
(g) Retreinamento - Sim. 27
cao a˜o do VPL calculado pelo SIMPAR e pelo TPWL/POD para o modelo Fig. 3.7: Compara¸c˜ SPE10 - Modificado com compressibilidades e densidades diferentes. Observa-se Observa-se uma certa estratifica¸c˜ c˜ao, ao, onde o valor utilizado para o primeiro controle divide divide a nuvem nuvem em trˆ es es grupos de ponto p ontoss quase colineares. colineares. Isto se deve deve `a grande for¸ca c a do primeiro ciclo de controle na forma¸c˜ cao a˜o do VPL por causa da taxa de desconto, que maximiza a influˆencia encia de erros no primeiro ciclo no erro total. Entretanto, Entretanto, o mais interessante interessante ´e que o retreinamento se mostra menos efetivo quando a simula¸c˜ c˜ao ao utilizada possui o primeiro ciclo controlado pelo valor de press˜ao ao intermedi´ ario ario (pontos (pontos pretos) pretos).. Uma explica explica¸¸c˜ cao a˜o para este fato ´e que a sequˆencia encia de treinamento treiname nto utilizada utiliza da tem m´edia edia pr´oxima oxima do valor intermedi´ario ario e, portanto, a adi¸c˜ c˜ao ao de uma simula¸ simu la¸c˜ cao a˜o de retreinamento com primeiro ciclo controlado no valor valo r m´edio edi o n˜ao ao agrega muita informa¸c˜ cao a˜o para o modelo TPWL/POD.
3.6. 3.6. Compar Compara¸ a¸c˜ ca˜o com o mo delo de alta fidelidade
81
Outra forma escolhida para medir a qualidade da aproxima¸c˜ cao a˜o ´e atrav at rav´´es es do erro er ro m´edio edi o quadr´ qua dr´atico atico considerando-se os resultados de todas as simula¸c˜ coes. o˜ es. Para ara o caso caso inincompress´ compress´ıvel e o compress´ compress´ıvel foram tabelados os valores valores de VPL obtidos com a simula¸c˜ cao a˜o do SIMPAR SIMPAR e do TPWL sem retreinam retreinament entoo e com retreinamen retreinamento. to. Considerand Considerandoo V P LREF e V P LROM respctivamente o valor calculado pelo SIMPAR SIMPAR (referˆ (referˆencia) encia) e o calculado pelo modelo de ordem reduzida, calculam-se os desvios m´edios edios quadr´aticos aticos pela Equa¸c˜ c˜ao ao 3.35 levando-se em conta as N as N = = 27 simula¸c˜ coes o˜es em cada um dos casos considerados.
∑ � N
RMSD = RMSD =
i=1
V P LROM −V P LREF V P LREF
N
�
2
∗ 100%
(3.35)
Os valores obtidos para o RMSD est˜ao ao compilados compilados na Tabela 3.2, de onde ´e poss´ poss´ıvel observar que os casos com densidades diferentes, devido a sua n˜ao ao linearidade maior apresent apresentam am desvios maiores. Note que a presen¸ presen¸ca ca de compress c ompressibilida ibilidade de tamb´ t amb´em em aumenta a umenta o desvi des vioo m´edio ed io.. Tab. 3.2: RMSD
percentual para os dois casos considerados
Incompr Inco mpress´ ess´ıvel ıvel
Incompr Inco mpress´ ess´ıvel ıvel
Compres Com presss´ıvel
Dens. Igu Iguais
Dens. Dif.
Sem Retreinamento
3, 06
8, 83
11, 17
Retreinamento na 1 a sim.
3, 18
3, 59
4, 90
Retreinamento na 5 a sim.
2, 33
8, 93
9, 49
Retreinamento na 10 a sim.
3, 53
3, 38
4, 97
Retreinamento na 20 a sim.
2, 62
6, 99
7, 72
Retreinamento na 24 a sim.
1, 92
4, 60
4, 65
Retreinamento na 27 a sim.
1, 98
5, 11
5, 72
Outro importante resultado diz respeito aos tempos de simula¸c˜ cao. a˜o. Vale ale a pena pena utilizar um modelo de ordem reduzida que reproduz os resultados do modelo de alta fidelidade consumindo menos tempo de simula¸c˜ cao. a˜ o. D´ a-se a-se o nome de speedup `a raz˜ao ao entre os tempos de simula¸c˜ c˜ao ao de alta e baixa fidelidade. O modelo TPWL/POD TPWL/POD foi desenvol desenvolvido vido em Matlab, Matlab, equanto equanto que o SIMPAR SIMPAR ´e escrito em FORTRAN. Isto pode limitar um pouco o speedup, speedup, pois o Matlab, apesar de possuir muito boas bibliotecas, com fun¸c˜ coes o˜es e m´etodos etodos desenvolvidos desenvolvidos para serem r´apidos, apidos,
3.6. 3.6. Compar Compara¸ a¸c˜ ca˜o com o mo delo de alta fidelidade
82
acaba se mostrando mostrando lento por ser interpret interpretado. ado. O computador em que estes estudos foram foram realizados consiste em um Intel Xeon X5680 3, 3 ,33GHz, com 24GB de RAM, 12 n´ucleos ucleos e sistema sistema operacional operacional Windows Windows 7. Uma simula¸c˜ cao a˜o do modelo de reservat´orios orios aqui estudado estudad o para o caso compress´ıvel ıvel com densidades diferentes diferentes utilizando o SIMPAR levou em m´edia edia 1873 s, considerando-se as 27 realizadas no estudo. Por outro lado, as simula¸c˜ coes o˜es correspondentes do TPWL/POD custaram em m´edia edi a 4,8 s, o que resulta resulta em um speedup um speedup de de 390. 3 90. Al´em em disso, d isso, ap´os os o retreinamento, o custo do TPWL/POD TPWL/POD passou a ser em m´edia edia 6, 6 ,4 s, resu result ltan ando do em um speedup de 292. Este aumento no custo computacional do TPWL/POD ap´os os o retreinamento era esperado e ´e devido ao maior n´umero umero de estados gravados, o que complica o processo de busca do mais pr´oximo. oximo. Entretanto, note que as avalia¸c˜ c˜oes oes do SIMPAR podem ser realizadas em paralelo (a rotina j´a contempla isso), mas as do TPWL/POD devem ser feitas sequencialmente devido a falta de licen¸cas cas do m´odulo odulo de processamento paralelo do Matlab. Outro tempo importante a ser avaliado ´e o tempo de treinamento. Considerando o mesmo caso compress´ compress´ıvel com densidades diferentes, diferentes, a simula¸c˜ c˜ao ao do SIMPAR com controles aleat´orios orios para para treina treinamen mento to custou custou 1830 s. O process processoo de c´ alculo alculo da base base do POD e dos estado estadoss reduzi reduzidos dos levou levou 44 s consid considera erando ndo a leitur leituraa dos mapas, o process processoo de c´ alculo alculo das derivadas derivadas reduzidas levou 580 s, tempo consumido em grande parte pela leitura das derivadas e a simula¸c˜ c˜ao ao do TPWL/POD da mesma sequˆencia encia de controles de treinamento utilizou 5 s. Sendo assim, o processo de treinamento custou mais ou menos 1, 1,4 simul si mula¸ a¸c˜ c˜oes. oes. O processo pro cesso de retreinamento retreinamento ´e um pouco mais caro. N˜ao ao h´a a necessidade de uma simula¸c˜ c˜ao ao do SIMPAR exclusiva para o retreino, j´a que a ideia ´e utilizar uma das simula¸c˜ coes o˜es j´a executadas durante o processo de otimiza¸c˜ c˜ao. ao. En Entre tretan tanto, to, h´a a necessidade de realizar o POD considerando os mapas utilizados no primeiro treinamento e os da nova simula¸c˜ cao. a˜o. Desta forma consumiu-se nessa etapa um tempo de em torno de 80s 80 s. O c´alculo alculo das derivadas reduzidas durante o retreinamento retreinamento ´e bem b em mais caro, consumindo em torno de 1200s 1200 s devido a uma maior quantidade de derivadas derivadas a serem lidas e reduzidas. Al´em em disto, ´e necess´ario ario recalcular o VPL utilizando o TPWL/POD retreinado em todos os pontos nos quais j´a havia sido calculado anteriormente, o que pode custar bastante, dependendo da quantidade de avalia¸c˜ coes o˜es a serem realizadas, j´a que as avalia¸c˜ coes o˜es do modelo reduzido devem ser feitas sequencialmente. A ultima u ´ ltima an´alise alise realizada neste estudo diz respeito ao efeito de estabiliza¸c˜ao ao causado pelo uso da proje¸c˜ cao a˜o de Petrov-Galerkin no POD. Inicialmente, foi utilizada a proje¸c˜ cao a˜o
3.6. Compara¸ca˜o com o modelo de alta fidelidade
83
de Bubnov-Galerkin, como na maioria dos trabalhos sobre o assunto (Cardoso, 2009; He, 2010). Ent˜ ao, observou-se uma tendˆ encia muito forte `a instabilidade. Entretanto, alguns trabalhos demonstraram que o uso da proje¸ca˜o de Petrov-Galerkin (equivalente `a solu¸ca˜o por m´ınimos quadrados) leva `a estabiliza¸ca˜o do processo (Carlberg et al., 2009; He and Durlofsky, 2013). Ao utilizar-se tal recurso n˜ao se experimentou em nenhuma simula¸ca˜o qualquer problema de instabilidade. A Figura 3.8 mostra sobrepostos trˆ es gr´ aficos. Todos representam a vaz˜ a o de ´oleo dos quatro po¸cos no modelo SPE10 Modificado com compressibilidades e diferen¸ca de densidades e com os controles da simula¸ca˜o 1 utilizados no estudo de acur´acia. As linhas cheias representam as vaz˜oes de ´oleo dos po¸cos produtores calculada pelo SIMPAR, as cruzes (x) s˜ao as vaz˜oes calculadas pelo TPWL/POD estabilizado pelo uso da pro je¸ca˜o de PetrovGalerkin (pr´e-multiplica¸ca˜o das derivadas por ΦT (J i+1 )T ) e os c´ırculos (o) representam as vaz˜oes calculadas pelo TPWL/POD com proje¸c˜ao de Bubnov-Galerkin (pr´e-multiplica¸ca˜o por ΦT ).
6000 W1(SIMPAR) W2(SIMPAR) W3(SIMPAR) W4(SIMPAR) W1(TPWL−Petrov) W2(TPWL−Petrov) W3(TPWL−Petrov) W4(TPWL−Petrov) W1(TPWL−Bubnov) W2(TPWL−Bubnov) W3(TPWL−Bubnov) W4(TPWL−Bubnov)
5000
4000
3000
2000
1000
0 0
500
1000
1500
2000
2500
3000
3500
Fig. 3.8: Vaz˜a o de ´oleo dos po¸cos - SPE10 - Modificado compress´ıvel e com densidades de fluidos diferentes
3.6. Compara¸ca˜o com o modelo de alta fidelidade
84
Note que a vaz˜ao calculada pelo TPWL/POD com a proje¸ca˜o de Petrov-Galerkin mostra alguns desvios em rela¸ca˜o a` obtida pelo simulador. De fato, o erro no VPL para este caso foi o maior entre todas as 27 simula¸c˜oes sem retreinamento, atingindo 21 %. Entretanto, percebe-se que o resultado ´e est´avel e os erros podem ser atribu´ıdos `as varia¸c˜oes frequentes dos controle na simula¸c˜ao de treinamento. Por outro lado, a vaz˜ao calculada utilizando a outra proje¸ca˜o se mostra verdadeiramente inst´a vel. O VPL calculado n˜ ao faz nenhum sentido e quando se observam os mapas de press˜ao e satura¸c˜oes, muitos valores negativos ou acima dos limites podem ser encontrados. Este problema de instabilidade foi reportado na literatura (Gildin et al., 2013) e depende do n´ umero de autovalores escolhidos (ver (He, 2010), onde um estudo mais detalhado foi realizado). Por outro lado, a solu¸ca˜o de utilizar-se a proje¸c˜ao de Petrov-Galerkin tamb´em foi apontada anteriormente (Carlberg et al., 2009; He and Durlofsky, 2013) e se mostrou bastante eficaz. N˜ao foram observados problemas de instabilidade em nenhuma execu¸ca˜o do TPWL/POD com qualquer modelo quando utilizou-se a proje¸ca˜o de Petrov-Galerkin. ´ Isto n˜ao pode ser conclusivo, mas ´e um bom indicativo do papel estabilizador da t´ecnica. E necess´ ario fazer um estudo mais cuidadoso sobre a estabilidade do m´etodo, aplicando t´ecnicas apropriadas de an´alise num´erica.
˜ EM OTIMIZAC ˜ 4. APLICAC ¸ AO ¸ AO Em diversos ramos da engenharia os estudos de otimiza¸ca˜o tˆem se tornado indispens´a veis. Na a´rea de gerenciamento de reservat´orios os estudos de otimiza¸c˜ao vˆem se tornando cada vez mais comuns. Os objetivos podem ser variados, como a determina¸ca˜o das posi¸c˜oes para perfura¸c˜ao de novos po¸cos, ou a defini¸c˜ao da sequˆencia o´tima de controles a serem aplicados aos po¸cos. A fun¸c˜ao-objetivo utilizada tamb´ em pode variar, como, por exemplo, minimizar a produ¸c˜a o de ´agua instantˆanea ou maximizar o valor presente l´ıquido de todo o tempo de vida do empreendimento de produ¸c˜ao do o´leo do reservat´orio. Entretanto, os modelos de simula¸ca˜o utilizados nesta ´area possuem elevado custo computacional. Ultimamente, cada vez mais detalhes s˜ao inclu´ıdos nos modelos e, apesar dos avan¸cos dos computadores, o tempo de avalia¸ca˜o de um modelo destes ´e razoavelmente alto. Por outro lado, a quantidade de avalia¸c˜oes que devem ser realizadas durante o processo de otimiza¸ca˜o, por mais eficiente que seja o algoritmo, pode ser bastante grande. Sendo assim, fazem-se necess´arios esfor¸cos para reduzir o custo computacional total do processo de otimiza¸ca˜o, reduzindo-se assim o tempo para a obten¸c˜ao dos resultados. Uma alternativa que vem sendo empregada ´e a utiliza¸ca˜o de modelos de ordem reduzida substitutos da simula¸ca˜o que aproximam o seu resultado com boa acur´acia, mas s˜ao executados em um tempo bem menor. O algoritmo de otimiza¸ca˜o sequencial aproximada (Sequential Approximate Optimization - SAO) ´e um daqueles baseados em modelos substitutos (Surrogate Based Optimization – SBO) e realiza a otimiza¸c˜ao de uma fun¸ca˜o cuja avalia¸c˜ao ´e custosa atrav´es de uma sequˆencia de otimiza¸co˜es de modelos substitutos que tˆem validade em uma regi˜ao limitada e que v˜ao sendo melhorados `a medida que o processo avan¸ca (Giunta and Eldred, 2000). Uma aplica¸c˜ao deste algoritmo ao problema de otimiza¸ca˜o do gerenciamento de reservat´orios de petr´oleo pode ser encontrada em (Horowitz et al., 2013). Sua vers˜ao tradicional utiliza como modelo de ordem reduzida uma abordagem
85
86 baseada em processos estoc´asticos (Jones et al., 1998). Tal abordagem ´e conhecida por kriging (Forrester et al., 2008) ou krigagem e utiliza pontos que tenham sido previamente amostrados e avaliados no modelo de alta fidelidade. Este modelo ´e exclusivamente baseado em dados e, portanto, ´e dito data driven . Entretanto, o algoritmo aqui desenvolvido permite utilizar um segundo modelo substituto com base na f´ısica do problema. Sendo assim, a krigagem ´e utilizada somente para corrigir poss´ıveis erros que este modelo f´ısico possa vir a cometer na estima¸c˜ao do modelo de alta fidelidade. Este ´e chamado de modelo de baixa fidelidade. Portanto, o metamodelo ou modelo substituto que ´e de fato utilizado pelo algoritmo SAO passa a ser a soma do modelo baseado no kriging com o modelo de baixa fidelidade. A rotina desenvolvida permite a utiliza¸c˜ao dos dois modelos em conjunto — o que ´e conhecido como multifidelidade — mas tamb´em permite que o usu´ario opte por utilizar SAO tradicional, caso um modelo f´ısico de baixa fidelidade n˜ao esteja dispon´ıvel. Todo o algoritmo foi desenvolvido em Matlab (Mathworks, 2012), considerando-se como fun¸ca˜o de alta fidelidade o simulador de reservat´orios SIMPAR, descrito no Cap´ıtulo 2 e como fun¸c˜ao de baixa fidelidade o modelo de ordem reduzida TPWL/POD desenvolvido no Cap´ıtulo 3. Em ambos os modelos a sa´ıda utilizada como fun¸c˜ao-objetivo no processo de otimiza¸ca˜o ´e o Valor Presente L´ıquido definido na se¸c˜ao 2.4 e os controles s˜ao as press˜oes de fundo dos po¸cos produtores. O algoritmo aqui desenvolvido recebe o nome de SAO Multifidelidade (MSAO ´e a sigla em inglˆes). Foi concebido de forma a permitir o acoplamento com qualquer tipo de modelo e, portanto, para a integra¸ca˜o destes modelos, foram constru´ıdas rotinas que recebem como parˆametros as vari´aveis de projeto da otimiza¸ca˜o normalizadas, aplicando-as aos simuladores e recebem os resultados de VPL das simula¸co˜es, normalizando-os para que sejam avaliados pelo otimizador. O presente cap´ıtulo come¸ca fazendo primeiramente algumas considera¸co˜es te´oricas sobre as t´ecnicas que s˜ao utilizadas pelo algoritmo desenvolvido e sobre as diretrizes nele aplicadas. Logo em seguida descreve-se o algoritmo MSAO e o seu desenvolvimento no Matlab. Por fim s˜ao apresentados alguns resultados obtidos com os dois diferentes modelos de reservat´orios descritos no Cap´ıtulo 2.
4.1. Algoritmos de Otimiza¸ca˜o baseados em Modelos Substitutos
4.1
87
Algoritmos de Otimiza¸c˜ ao baseados em Modelos Substitutos O algoritmo de otimiza¸ca˜o aqui desenvolvido ´e uma adapta¸ca˜o do algoritmo de
otimiza¸ca˜o sequencial aproximada tradicional. Como em qualquer algoritmo baseado em modelos substitutos ou proxy models, ocorrer´ a a aproxima¸ca˜o atrav´es de modelos simplificados de um problema de elevado custo computacional, representado em um primeiro momento por um modelo de alta fidelidade. Este modelo de alta fidelidade pode ser, por exemplo, um modelo de simula¸ca˜o de reservat´orios e pode representar a fun¸ca˜o-ob jetivo ou as restri¸c˜oes do problema de otimiza¸c˜a o. J´a os modelos substitutos podem ser dos seguintes tipos, assim classificados em (Afonso et al., 2011): 1. Aproxima¸ca˜o funcional – baseada na interpola¸ca˜o de respostas obtidas a partir do modelo de alta fidelidade atrav´es de uma fun¸ca˜o especificada; esta aproxima¸ca˜o tamb´em ´e dita baseada em dados ou data driven . Exemplos deste tipo de aproxima¸co˜es s˜ao as redes neurais, fun¸c˜oes de base radial (radial basis fuctions ) a krigagem ou kriging . 2. Aproxima¸ca˜o f´ısica – baseada na f´ısica do problema real, ou seja, o modelo de ordem reduzida ´e obtido a partir de alguma simplifica¸ca˜o no equacionamento do problema de alta ordem. Um exemplo para este tipo ´e a combina¸ca˜o da t´ecnica TPWL (Trajectory Piecewise Linearization ) com POD (Proper Orthogonal Decomposition ) . A primeira lineariza o problema real em torno de estados gravados a partir da simula¸ca˜o de alta fidelidade enquanto a segunda reduz a dimens˜ao do problema atrav´es da decomposi¸ca˜o em dire¸c˜oes principais e elimina¸c˜ao das dire¸c˜oes menos importantes. 3. Aproxima¸ca˜o mista – ´e um misto dos dois tipos anteriores, onde se combinam t´ecnicas ´ este tipo de aproxima¸ca˜o que foi considerada neste f´ısicas com t´ecnicas funcionais. E trabalho. Existe uma classe de algoritmos utilizados para otimiza¸ca˜o que s˜ao ditos baseados em modelos substitutos (Surrogate Based Optimization - SBO). Estes algoritmos se baseiam na aproxima¸c˜ao do modelo de alta fidelidade, complexo e de elevado custo computacional, de alguma das trˆes formas descritas acima. Um destes algoritmos ´e o SAO (Sequential Approximate Optimization ) (Afonso et al., 2011). A ideia b´asica ´e que essa aproxima¸ca˜o ´e confi´avel dentro de uma regi˜a o de confian¸ca cujo raio ser´a avaliado a cada itera¸ca˜o. Sendo assim, a otimiza¸ca˜o ´e realizada sobre
4.2. Modelos de Kriging
88
a fun¸c˜ao aproximada, simples e de baixo custo computacional. O ponto ´otimo obtido com o modelo aproximado ´e aplicado ao modelo real e os resultados s˜ao comparados segundo algum crit´ erio. Dependendo da proximidade dos dois resultados, o ponto ´otimo ´e aceito como centro da regi˜ao de confian¸ca da pr´oxima itera¸c˜ao do algoritmo ou n˜ao e o raio da nova regi˜ao ´e atualizado, podendo ser reduzido, aumentado ou mantido. Um novo modelo substituto ´e constru´ıdo para a nova regi˜ ao de confian¸ca e a otimiza¸c˜ao ´e novamente realizada. Desta sequˆencia de otimiza¸co˜es adv´em o nome do algoritmo. Note que no caso deste trabalho, n˜ao haver´a outras restri¸co˜es al´em dos limites das vari´ aveis de projeto, e portanto s´o se faz necess´ ario a aproxima¸ca˜o do modelo de simula¸c˜ao utilizado como fun¸ca˜o-objetivo. Mas num caso geral, onde existam restri¸co˜es n˜ao-lineares baseadas em simula¸c˜ao, modelos substitutos podem ser utilizados tamb´ em para as restri¸c˜oes. No caso do SAO comumente encontrado na literatura, um modelo reduzido comumente utilizado ´e o kriging (ou krigagem em portuguˆes), um tipo de aproxima¸c˜ao funcional que interpola resultados obtidos a partir do modelo de alta fidelidade. Portanto, uma desvantagem direta ´e que este modelo real deve ser simulado algumas vezes para obten¸ca˜o de pontos que ser˜ao utilizados na constru¸c˜ao do modelo substituto, fazendo-o sofrer da “maldi¸c˜a o de dimensionalidade”, pois quanto mais mais vari´aveis o problema considerar, mais simula¸co˜es de alta fidelidade devem ser realizadas para constru¸c˜ao da aproxima¸ca˜o. O algoritmo MSAO aqui desenvolvido utilizar´a uma forma de aproxima¸c˜ao mista como modelo substituto, a qual ´e resultado da composi¸ca˜o de um modelo f´ısico, o TPWL, desenvolvido no cap´ıtulo 3 e uma corre¸c˜ao baseada em krigagem. O MSAO, assim como o SAO tradicional, ´e baseado em regi˜oes de confian¸ca e possui as mesmas regras para atualiaza¸c˜ao do centro e do tamanho da regi˜ao de confian¸ca, necessitando fazer algumas amostras no interior desta regi˜ao. Foi nomeado Multifidelity Sequential Aproximate Optmization por se basear em dois n´ıveis de fidelidade.
4.2
Modelos de Kriging A krigagem, do nome do criador Krige (Krige, 1951), faz a interpola¸c˜ao de dados
atrav´es da associa¸c˜ao de um polinˆomio (regress˜ao polinomial) a uma fun¸c˜ao erro cuja matriz de covariˆancia ´e conhecida. Nesta aproxima¸ca˜o, assume-se que os dados possuem correla¸ca˜o entre si e que esta correla¸ca˜o depende da distˆancia (Forrester et al., 2008). Este tipo de modelo ´e bastante utilizado nas ´areas da estat´ıstica e geo-estat´ıstica
4.2. Modelos de Kriging
89
e foi inicialmente introduzido por (Matheron, 1963) baseado na disserta¸c˜ao de mestrado (Krige, 1951). O modelo considera a covariˆancia entre os pontos da amostra usando uma correla¸ca˜o espacial atrav´es de uma distribui¸c˜ao gaussiana em cada ponto. Devido a isto, m´etodos que utilizam esta t´ecnica s˜ao facilmente influenciados pelo arranjo dos pontos das amostras (da Silva, 2009). A krigagem, diferentemente dos modelos de regress˜ao tradicionais (que utilizam polinˆomios), em geral s˜ao capazes de prover aproxima¸c˜oes globais a` resposta e tamb´em capturar tendˆencias oscilat´orias (Afonso et al., 2011). O modelo de krigagem ´e um interpolador que, de forma geral, pode ser expresso segundo a Equa¸ca˜o 4.1. k
f (x) =
�
β j N j (x) + Z (x)
(4.1)
j=1
Na defini¸c˜ao do modelo de krigagem, N j (x) representam fun¸co˜es polinomiais ponderadas por coeficientes β j ajustados por regress˜ao e Z (x) ´e um desvio localizado considerando uma fun¸ca˜o aleat´oria que normalmente segue uma distribui¸ca˜o gaussiana. Suponha que exitem m observa¸co˜es da fun¸ca˜o a ser a justada. Al´em disso o vetor de entradas do modelo tem dimens˜ao n. O termo aleat´ orio Z (x) ´e constru´ıdo assumindo m´edia igual a zero e covariˆancia dada pelo variograma da Equa¸ca˜o 4.2, onde os ´ındices i e j representam as diferentes observa¸c˜oes e portanto 1 < i, j < m..
(
cov Z (xi ), Z (x j ) = σ 2 R θ, xi , x j A matriz de correla¸ca˜o R tem dimens˜ao m
(4.2)
× m e ´e definida na Equa¸c˜ao 4.3 e
correlaciona xi e x j , i, j = 1 . . . m. Esta utiliza um tipo de fun¸c˜ao de correla¸ca˜o dependente dos parˆametros θk , k = 1 . . . n inicialmente desconhecidos. n
ij
R
( ∏ ( i
Rl θl , xil , x jl
j
θ, x , x =
l=1
(4.3)
Existem v´arias formas para as fun¸co˜es de correla¸ca˜o R l que podem ser utilizadas na montagem de R . A fun¸c˜ao de correla¸ca˜o aqui considerada ´e conhecida como exponencial gaussiana e tem a forma apresentada na Equa¸ca˜o 4.4.
4.2. Modelos de Kriging
90
Rk = exp
−
j 2 l
θk (xil
−x )
(4.4)
ˆ x), Uma estimativa do modelo a ser aproximado em qualquer ponto do espa¸co, f ( considerando as respostas j´a obtidas da fun¸c˜ao real f (x) pode ser calculada como na Equa¸ca˜o 4.5. ˆ x) = E [[f (x) f (x1 ), . . . , f ( xm )]] f (
|
(4.5)
´ Para avaliar a qualidade desta aproxima¸ca˜o faz necess´ario uma medida de erro. E escolhido ent˜ao o Erro M´edio Quadr´atico (Mean Square Error (MSE)), que mede a diferen¸ca entre a fun¸c˜ao aproximada pelo modelo de krigagem e a fun¸ca˜o real em todo o espa¸c o de projeto conforme exposto na Equa¸ca˜o 4.6 (Horowitz et al., 2012).
MSE = E
��
f ˆk (x)
−
f (x)
�� 2
(4.6)
O estimador f ˆk (x) que minimiza o MSE pode ser calculado conforme a Equa¸ca˜o 4.7. ˆT + r(x)R f ˆk (x) = N (x)β
1
−
�
f S
� − N ˆT β
(4.7)
Para compreens˜ao deste resultado fazem-se necess´arias as defini¸co˜es listadas abaixo.
• N(x) = [N (x) . . . N (x)] ´e um vetor contendo os polinˆomios utilizados na regress˜ao; • β ˆ ´e um vetor de coeficientes do modelo de regress˜ao; • f = [f . . . f ] ´e um vetor com os valores do modelo real avaliado nos pontos amos1
S
1
k
m
T
trados;
• N ´e uma matriz m × k que cont´em os polinˆomios escolhidos para a cria¸ca˜o do modelo
de regress˜ao num´ erica aplicados nas amostras com o seguinte arranjo apresentado na Equa¸ca˜o 4.8.
N =
N 1 (x1 ) .. .
···
N k (x1 ) .. .
N 1 (xm )
···
N k (xm )
(4.8)
4.2. Modelos de Kriging
91
• r(x) = [R(θ, x, x ) . . . R(θ, x, x 1
m
)]T ´e o vetor de correla¸c˜ao entre os pontos da amostra
`a qualquer ponto dentro de espa¸co de projeto. ˆ e a covariˆancia σ 2 s˜ao obtidos usando o m´etodo dos Os coeficientes da regress˜ao β
m´ınimos quadrados segundo a Equa¸ca˜o 4.9.
( N N N � − N � �
ˆ = β σ2 =
1 m
T
R
f S
1
−
1
−
ˆT β
T
T
R 1 f S
R
1
−
f S
−
� − N
(4.9)
ˆT β
Note que r e R dependem do vetor de parˆametros θ. Para determin´a-los utilizase a estimativa de m´axima verossimilhan¸ca, obtida atrav´es da solu¸ca˜o de um problema de minimiza¸ca˜o definido na Equa¸c˜ao 4.10. θ = arg min 12 [m ln σ2 + ln R ] s. a. θ
≥0
| |
(4.10)
Ao resolver este problema de otimiza¸ca˜o que est´a acoplado a Equa¸c˜a o 4.9, o modelo kriging est´a constru´ıdo. Resumindo, a krigagem funciona como mostrado na figura 4.1. Na figura 4.1(a) ´e poss´ıvel observar uma aproxima¸c˜ao de um conjunto de pontos por regress˜ao de um polinˆomio de segundo grau, uma par´abola. Note que a curva n˜ao honra nenhum deles, possuindo erro maior que zero para todos, j´a que estes pontos n˜ao recaem sobre uma curva polinomial. Nas figuras 4.1(b) e 4.1(c) observa-se a aproxima¸ca˜o por krigagem. Note que a par´ abola foi combinada a um desvio local associado a` parte estoc´astica do kriging que deforma a curva polinomial (pontilhada) de tal forma a fazˆe-la honrar todos os pontos. O efeito de tal deforma¸ca˜o depende do raio de correla¸ca˜o utilizado no kriging . Na figura 4.1(b) utilizou-se um raio de correla¸ca˜o menor enquanto na figura 4.1(c) utilizou-se um raio maior. Observa-se uma diferen¸ca na distˆancia em que a krigagem atua. Observa-se tamb´em que, com um raio mais longo, o m´etodo altera a extrapola¸c˜ao polinomial, n˜ ao honrando mais a par´abola al´em dos limites dos pontos conhecidos.
4.3. Amostragem por Hipercubo Latino
Y
92
10
10
5
5
0
0
Y
−5
−5
−10 −20
0
20
40
60
80
100
−10 −20
120
0
20
40
X
60
80
100
120
X
(a) Regress˜ao polinomial
(b) Krigagem - correla¸c˜ao de curto alcance
10
5
Y
0
−5
−10 −20
0
20
40
60
80
100
120
X
(c) Krigagem - correla¸ca˜o de longo alcance
Fig. 4.1: Interpola¸ca˜o por krigagem - regress˜ao polinomial adicionada a deforma¸co˜es locais causadas por uma fun¸ca˜o aleat´oria com correla¸ca˜o espacial definida
4.3
Amostragem por Hipercubo Latino Para realizar a krigagem e, portanto, construir o interpolador, como mencionado
anteriormente, faz-se necess´ario avaliar-se o modelo de alta fidelidade em diferentes pontos do espa¸co de projeto dentro da regi˜ao de confian¸ca, de tal forma que precisa-se amostrar tal espa¸co. Para tanto existem alguns m´etodos de amostragem (Forrester et al., 2008; Afonso et al., 2011), podendo-se entre eles destacar: Quasi–Monte Carlo (QMC), Centroidal Voronoi Tesselation (CVT) e Latin Hypercube Sampling (LHS). A t´ecnica aqui escolhida foi a LHS (Giunta, 2002). Para obter o conjunto de amostras pelo m´etodo LHS, o intervalo de cada vari´avel deve ser dividido em m subintervalos equiprov´aveis, onde m ´e o n´ umero de amostras. Se
4.4. Algoritmo SAO Multifidelidade
93
considerarmos n vari´aveis, esta divis˜ao resulta em mn subdivis˜oes no espa¸co de projeto. Sendo assim, m amostras s˜ao selecionadas aleatoriamente dentro do espa¸co de projeto satisfazendo as seguintes restri¸co˜es: cada amostra ´e aleatoriamente posicionada dentro de uma parti¸ca˜o do dom´ınio e para toda proje¸ca˜o unidimensional das amostras e parti¸c˜oes, haver´ a uma e somente uma amostra em cada parti¸ca˜o (Horowitz et al., 2012).
Fig. 4.2: Hipercubo latino 2D com 4 amostras A figura 4.3 mostra como exemplo o que seria um hipercubo latino em 2D, isto ´e, para duas vari´aveis (x1 e x 2 ). Neste caso o n´umero de amostras m = 4 e portanto 4 parti¸c˜oes s˜ao constru´ıdas nos dois eixos. Isso resulta em 16 “subespa¸cos” dos quais 4 s˜ao escolhidos de forma a satisfazer `as duas restri¸c˜oes. As amostras s˜ao representadas pelos pontos pretos posicionados no interior de cada quadrado e foram sorteados aleatoriamente.
4.4
Algoritmo SAO Multifidelidade O algoritmo de otimiza¸ca˜o sequencial aproximada - SAO aqui desenvolvido possui
uma diferen¸ca b´asica com rela¸c˜ao ao tradicionalmente explorado na literatura. Este n˜ao utiliza a krigagem dos dados diretamente como modelo substituto. Um modelo de ordem reduzida, que no caso desta disserta¸ca˜o ´e representado pelo TPWL apresentado no cap´ıtulo 3, ´e utilizado e, portanto, a krigagem ´e aplicada `a diferen¸ca entre as respostas do modelo real e deste modelo substituto f´ısico. Sendo assim, existem duas fun¸c˜oes que devem ser avaliadas: o modelo real, chamado de modelo de alta fidelidade e o modelo reduzido, chamado de modelo de baixa fidelidade. O proxy ou metamodelo utilizado pelo algoritmo de otimiza¸ca˜o ´e, portanto, a soma do modelo de baixa fidelidade com a corre¸ca˜o por kriging . A rotina
4.4. Algoritmo SAO Multifidelidade
94
desenvolvida tamb´ em permite o uso do algoritmo SAO tradicional caso n˜ ao haja modelo de baixa fidelidade dispon´ıvel. O objetivo ´e resolver o problema de otimiza¸ca˜o descrito na Equa¸ca˜o 4.11, onde f (x) representa o modelo alta fidelidade que no caso em quest˜ao ´e o Valor Presente L´ıquido calculado por uma simula¸ca˜o de reservat´orios utilizando o SIMPAR. x ´e o vetor de vari´aveis de projeto, isto ´e, a press˜ao de fundo de po¸co a ser aplicada como controle dos po¸cos em cada ciclo de controle. xl , xu s˜ao os limites superiores e inferiores do espa¸co de projeto, isto ´e, os valores m´aximos e m´ınimos para as press˜oes de fundo em cada po¸co e cada ciclo. f (x)
max s.a. xl
(4.11)
≤ x ≤ x
u
Expressando matematicamente, a ideia por tr´as do SAO multifidelidade ´e converter o problema de otimiza¸ca˜o em uma sequˆencia de problemas aproximados da forma expressada na Equa¸c˜ao 4.12. Note que a fun¸c˜ao de alta fidelidade f (x) ´e substitu´ıda pelo ˆ x) resultante da composi¸ca˜o de um modelo de ordem metamodelo ou modelo aproximado f ( reduzida e um modelo de corre¸ca˜o e ´e v´alido no interior de uma regi˜ao de confian¸ca. F k (x) ´e um modelo de baixa fidelidade que aproxima a f´ısica de f (x) com ordem reduzida. No caso deste trabalho F k (x) representa o VPL calculado pela simula¸c˜ao do TPWL e pode ser atualizado ou retreinado caso seja necess´ario. δ k (x) ´e um modelo de krigagem constru´ıdo a partir da diferen¸ca entre o de alta fidelidade f (x) e o de baixa F k (x) servindo como elemento de corre¸ca˜o ao de baixa fidelidade. xkl , xku s˜ao respectivamente os limites superiores e inferiores da regi˜ao de confian¸ca da itera¸ca˜o e devem ser atualizados a cada itera¸ca˜o do algoritmo. k e
xkc , ∆k s˜ao respectivamente o centro e o raio da regi˜ao de confian¸ca da itera¸ca˜o k e tamb´em s˜ao recalculados a cada passo. max f ˆk (x) = F k (x) + δ k (x) s.a. xl
k l k k c l xku = x kc
k u
≤ x ≤ x ≤ x ≤ x x = x − ∆ k
u
(4.12)
+ ∆k
k = 0, 1, 2, . . . O algoritmo utilizado para a otimiza¸ca˜o em cada um dos problemas da sequˆencia ´e o de programa¸c˜ao quadr´atica sequencial (em inglˆes, Sequential Quadratic Programing -
4.4. Algoritmo SAO Multifidelidade
95
SQP) (Biggs, 1979), j´a implementado na fun¸ca˜o fmincon do Matlab. Entretanto, qualquer algoritmo de otimiza¸ca˜o pode ser empregado. A regi˜ao de confian¸ca consiste em um paralelep´ıpedo multidimensional no espa¸co de projeto cujas dimens˜oes podem ser iguais ou diferentes dentro do qual se sup˜oe boa a aproxima¸ca˜o feita pelo metamodelo. Genericamente seu tamanho (dado por uma ou mais medidas se as dimens˜oes forem diferentes) ´e conhecido como raio. Al´em do raio, a regi˜ao de confian¸ca possui um centro. O primeiro raio e centro s˜ao pr´e-definidos e podem ter influˆencia no desempenho do algoritmo. ` medida que o algoritmo avan¸ca, a cada itera¸ca˜o, ´e necess´ario atualizar o centro e A do raio regi˜ao de confian¸ca. Para tanto, ´e necess´ario medir a qualidade da aproxima¸ca˜o que o metamodelo est´a realizando. Sendo assim, o ponto ´otimo obtido com o metamodelo ´e aplicado ao modelo de alta fidelidade. De posse das respostas dos dois modelos, calcula-se o parˆ ametro de qualidade da aproxima¸ca˜o ρk atrav´es da Equa¸ca˜o 4.13 onde f (xk ), f (xk ), f ˆk (xk ), f ˆk (xk ) f
c
∗
c
∗
s˜ao respectivamente o modelo de alta fidelidade avaliado no centro e no ponto ´otimo calculado na itera¸c˜ao k e o modelo aproximado (composto) avaliado no centro e no ponto ´otimo calculado na itera¸ca˜o k.
ρkf
f (xkc ) = f ˆk (xkc )
k
− f (x ) − f ˆ (x )
(4.13)
∗
k
k ∗
A regra aplicada pelo algoritmo para atualiza¸ca˜o do raio da regi˜ao de confian¸ca ´e de fato a “arte” do m´etodo. Neste trabalho utilizou-se a mesma regra prosposta em (Giunta and Eldred, 2000) exposta na equa¸ca˜o 4.14.
k+1
∆
=
0, 25∆k , 0, 25∆k ,
ρk 0
∆k , 0, 25 2∆k ,
≤ ≤
ρk ρk ρk
≤ ≤ ≤ ≥
0 0, 25 0, 75
(4.14)
0, 75
A regra para atualiza¸ca˜o do centro da regi˜ao ´e tamb´em proposta em (Giunta and Eldred, 2000) e est´a descrita na Equa¸c˜ao 4.15 onde x k+1 ´e o centro da pr´oxima itera¸c˜ao, x kc c ´e o centro da itera¸ca˜o corrente e xk ´e o ponto ´otimo calculado utilizando o metamodelo na ∗
itera¸c˜ao corrente.
4.4. Algoritmo SAO Multifidelidade
xk+1 c
96
=
{
xk , ρ > 0 ∗
xkc , ρ < 0
(4.15)
Fig. 4.3: Esquema de amostragem e atualiza¸ca˜o da regi˜ao de confian¸ca no algoritmo MSAO A figura 4.4 esquematiza como o algoritmo MSAO funciona na busca pelo ´otimo. Nela est´a representado um problema de duas vari´aveis de projeto (fun¸c˜ao banana de Rosenbrok). A estrela representa o ponto ´otimo. A cada itera¸c˜ao o algoritmo considera uma regi˜ao de confian¸ca representada pelos retˆangulos. Faz-se a amostragem de um conjunto de pontos no interior desta regi˜ao, avaliando-se os modelos de alta e baixa fidelidade (SIMPAR e TPWL/POD) em todos os pontos amostrados. Constr´ oi-se o modelo de corre¸ca˜o por krigagem utilizando-se a diferen¸ca entre os resultados nos dois n´ıveis de fidelidade. Otimiza-se no interior da regi˜ao de confian¸ca utilizando-se o metamodelo representado pelo modelo de baixa fidelidade corrigido. O resultado ao fim de cada itera¸ca˜o ´e um ponto candidato a o´timo que deve ser aplicado ao modelo de alta fidelidade e ao de baixa fidelidade corrigido. Com base na metodologia aqui exposta, representada pelas Equa¸c˜oes 4.14 e 4.15, o algoritmo calcula as dimens˜ oes e o centro da pr´oxima regi˜ao de confian¸ca, repetindo todo o processo na pr´oxima itera¸c˜ao. Os crit´erios de parada que s˜ao testados pelo algoritmo e que levam `a parada do processo est˜ao listados a seguir e, para que qualquer um dos crit´erios acima leve `a parada do processo, ´e necess´ario que a situa¸c˜ao ocorra em um n´ umero de itera¸co˜es consecutivas definido pelo usu´ario. 1. Distˆancia m´ınima entre os pontos de ´otimo atingida;
4.4. Algoritmo SAO Multifidelidade
97
2. Varia¸ca˜o m´ınima da fun¸ca˜o-objetivo atingida; 3. Raio m´ınimo da regi˜ao de confian¸ca atingido; 4. N´ umero m´aximo de itera¸c˜oes atingido. O algoritmo MSAO tamb´em foi concebido de forma a permitir que o modelo de ordem reduzida seja retreinado ao longo do processo de otimiza¸ca˜o. Na realidade, observouse uma tendˆencia de redu¸c˜ao da qualidade do metamodelo ao se aproximar do ponto ´otimo. Isto pode ser atribu´ıdo ao pequeno raio da regi˜ ao de confian¸ca que pode levar a varia¸co˜es com sinais diferentes do VPL calculado pelo simulador e o calculado pelo metamodelo. Neste caso, n˜ao se deseja o retreinamento, mas sim parar o algoritmo. Entretanto, o parˆametro de qualidade ρkf pode ficar com sinal negativo, o que pode ser confundido com qualidade ruim do metamodelo e portanto gerar a necessidade de retreinar o modelo de ordem reduzida. Com o objetivo de avaliar se o defeito do metamodelo ´e o TPWL/POD, foi proposto o parˆametro de qualidade E T P W L da Equa¸ca˜o 3.34. Este representa uma soma acumulada das distˆancias entre os estados calculados pelo modelo reduzido e os estados gravados utilizados na lineariza¸ca˜o, sendo considerado uma medida da distˆancia da trajet´oria simulada pelo TPWL/POD e a trajet´oria em torno da qual a lineariza¸ca˜o foi realizada. Devido ao custo computacional elevado do retreinamento, espera-se que este s´o seja necess´ario quando esta medida for grande. Portanto, s´o se cogita retreinar quando ρ kf < ρ min e E T P W L > E max , onde ρmin e E max s˜ao definidos pelo usu´ario devido a experiˆencia com o problema a ser otimizado. Desta forma, o algoritmo SAO multifidelidade aqui desenvolvido pode ser resumidamente descrito como a seguir. Considere x0c , a coordenada do centro e ∆0 o raio da primeira regi˜ao de confian¸ca. Considere tamb´ em que j´a foi executada uma simula¸c˜a o de treinamento do SIMPAR com uma sequˆencia aleat´oria de controles. Esta foi utilizada para a constru¸ca˜o do modelo TPWL/POD inicial, F 0 . 1. Inicializa o contador de itera¸c˜oes k = 0. 2. Calcula o modelo de alta e baixa fidelidade (VPL atrav´ es da simula¸ca˜o SIMPAR e TPWL/POD respectivamente) no centro, f (x0c ) e F 0 (x0c ). 3. Calcula os limites da regi˜ ao de confian¸ca xkl = x kc
k
− ∆
e xku = x kc + ∆k . Observe que
os limites em cada itera¸ca˜o n˜ao devem ultrapassar os limites do espa¸co de projeto x l e
xu .
4.4. Algoritmo SAO Multifidelidade
98
4. Amostra N pontos dentro desta regi˜ao de confian¸ca xki , 1
≤ i ≤ N (quantidade definida
pelo usu´ario – recomendado N = 2N var + 1 para a primeira itera¸ca˜o, onde N var ´e o n´umero de vari´aveis e N = N proc para as demais, onde N proc equivale ao n´umero de processadores). Estas amostras s˜ao adicionadas ao conjunto de todas as amostras obtidas nas itera¸c˜oes anteriores. 5. Calcula o modelo de alta e baixa fidelidade para todos os pontos amostrados na itera¸ca˜o k, f (xki ) e F k (xki ), 1
≤ i ≤ N . Acumulam-se estas avalia¸c˜oes das fun¸c˜oes ao conjunto
de todas as anteriores.
6. Calcula a diferen¸ca entre as respostas de alta e baixa fidelidade δ ik = f (xki )
k
k i
− F (x ).
7. Faz o kriging considerando todos os pontos do conjunto de amostras no interior da regi˜ao de confian¸ca da itera¸ca˜o k (amostras x diferen¸ca das respostas). Caso n˜ao haja pontos suficientes no interior da regi˜ao de confian¸ca, s˜ao utilizados os pontos mais pr´ oximos de todos os j´a calculados at´e que se complete a quantidade necess´aria. Constroi-se assim o modelo δ k (x) e o metamodelo f ˆk (x) = F k (x) + δ k (x). 8. Otimiza o metamodelo f ˆk (x) dentro da regi˜ao de confian¸ca (problema mostrado na Equa¸ca˜o 4.16) utilizando o algoritmo de programa¸ca˜o quadr´atica sequencial (SQP) determinando o ponto candidato a ´otimo x k . ∗
k
x = ∗
{
max
f ˆk (x)
s.a. xkl
≤x≤x
(4.16)
k u
9. Verifica convergˆencia ou algum dos crit´erios de parada definidos na lista anterior. Caso algum dos crit´ erios seja atingido, incrementa o contador correspondente. 10. Calcula modelo de alta fidelidade no ponto de ´otimo obtido com o metamodelo f (xk ). ∗
Al´ em do VPL, anota o erro do TPWL/POD calculado conforme Equa¸c˜a o 3.34. Se algum dos contadores de convergˆencia atinge o valor definido pelo usu´ario, o algoritmo p´ara. 11. Caso o algoritmo n˜ao tenha atingido a convergˆ encia, simultaneamente com o passo 10, amostram-se N proc pontos x jk , 1
≤ j ≤ N
proc dentro
de uma regi˜ao de confian¸ca
centrada no u ´ ltimo candidato a ´otimo xk com o mesmo raio anterior ∆k . ∗
12. Avaliam-se a fun¸ca˜o de alta e baixa fidelidade f (x jk ) e F k (x jk ), 1
≤ i ≤ N
proc nos
pontos
amostrados simultaneamente com a avalia¸c˜ao do candidato a o´timo f (xk ) do passo 10. ∗
4.5. Detalhes de Implementa¸ca˜o
99
Aplica-se a corre¸ca˜o δ k (x) ao modelo de baixa fidelidade. Acumulam-se estas avalia¸co˜es ao conjunto de todas as avalia¸co˜es anteriores. 13. Calcula parˆ ametro de qualidade do metamodelo ρ kf definido na Equa¸ca˜o 4.13. 14. Aplica a regra do algoritmo definida nas Equa¸co˜es 4.14 e 4.15 a partir do valor de ρkf , calculando novo centro x k+1 e raio ∆ k+1 da nova regi˜ao de confian¸ca. c 15. Se ρkf < ρmin , onde ρmin ´e configurado pelo usu´ario, ativa-se o alerta para retreinamento que obrigar´ a a exporta¸c˜ao dos mapas e derivadas na simula¸ca˜o do pr´oximo candidato a o´timo xk+1 . ∗
16. Se ρkf < ρmin e o alerta de retreinamento j´a se encontrava ligado, realiza-se o processo de retreinamento com a simula¸ca˜o do candidato a o´timo atual xk . Desliga-se o alerta ∗
de retreinamento.
← k + 1. Retorna a 3, iniciando a pr´oxima itera¸ca˜o.
17. k
4.5
Detalhes de Implementa¸ c˜ ao Todo o desenvolvimento foi realizado utilizando-se o Matlab. Para tanto dois
pacotes se fizeram necess´arios. O primeiro, utilizado para a otimiza¸ca˜o propriamente dita, ´e o Optimization Toolbox (Mathworks, 2012) e o segundo, respons´avel por realizar o processo de krigagem, ´e o DACE (Design and Analysis of Computer Experiments ) (Lophaven et al., 2002). Para otimiza¸ca˜o foi utilizada a fun¸ca˜o fmincon , aplicada ao metamodelo. Esta fun¸ca˜o permite o uso de restri¸co˜es lineares e n˜ao lineares e pode resolver o problema utilizando os algoritmos mais avan¸cados da atualidade. Entretanto, nenhuma restri¸c˜ao, al´em dos limites da regi˜ao de confian¸ca de cada itera¸ca˜o do SAO, foi aplicada e o algoritmo para otimiza¸ca˜o foi o SQP (Sequential Quadratic Programming ). Outro aspecto importante ´e que esta fun¸ca˜o tem por objetivo resolver um problema de minimiza¸c˜ao. Portanto, como o problema em quest˜ ao ´e de maximiza¸ca˜o do Valor Presente L´ıquido, fez-se necess´ario considerar a fun¸ca˜oobjetivo com sinal trocado. Esta ´e uma estrat´ egia muito comum para o uso de pacotes de otimiza¸ca˜o. Na constru¸ca˜o do modelo kriging utilizou-se a fun¸ca˜o dacefit do pacote DACE que recebe como parˆametros de entrada os pontos amostrados e suas respectivas avalia¸co˜es no
4.6. Desempenho do algoritmo MSAO
100
modelo real (neste caso diferen¸ca entre a avalia¸c˜ao no modelo de alta e baixa fidelidade). Esta fun¸ca˜o ´e capaz de utilizar diferentes tipos de correla¸c˜ao, mas neste trabalho s´o foi utilizada a de Gauss. Tamb´ em pode utilizar polinˆomio regressor constante (kriging ordin´ario) ou de primeiro ou segundo graus. Tanto a fun¸c˜ao de correla¸c˜a o como o grau do polinˆ omio de regress˜ao s˜ao escolhidos entre os parˆametros de entrada. A principal sa´ıda da fun¸ca˜o dacefit ´e uma estrutura com todos os parˆ ametros necess´ arios para reconstruir o modelo kriging que se ajusta aos pontos. Basicamente s˜ao os coeficientes do polinˆomio e os parˆametros da fun¸ca˜o de correla¸c˜ao. A outra fun¸ca˜o do pacote DACE utilizada no trabalho ´e a fun¸ca˜o predictor . Esta fun¸ca˜o avalia o modelo de krigagem em um ponto dado como entrada. O modelo utilizado para avalia¸ca˜o tem que ter sido previamente ajustado e ´e representado por uma estrutura sa´ıda da fun¸ca˜o dacefit que deve ser passada como entrada para predictor . Para realizar a amostragem por hipercubo latino tamb´em foi utilizada uma fun¸ca˜o do pacote DACE chamada lhsamp. Entretanto, esta fun¸ca˜o somente amostra pontos em um hipercubo de aresta unit´aria. Portanto, fez-se necess´ario escalarem-se estas amostras para as dimens˜ oes da regi˜ao de confian¸ca. Neste estudo a fun¸ca˜o de alta fidelidade ´e representada por uma simula¸ca˜o de reservat´orios utilizando o simulador SIMPAR. A entrada do modelo s˜a o os controles e a sa´ıda, o Valor Presente L´ıquido (VPL). O modelo de baixa fidelidade ´e uma simula¸c˜a o do modelo de ordem reduzida TPWL/POD que foi previamente treinado utilizando-se uma sequˆencia aleat´oria de controles. Este modelo pode ser retreinado ao longo do processo da maneira como descrito no cap´ıtulo 3. Portanto, foram constru´ıdas duas fun¸co˜es de interface do otimizador com os simuladores (SIMPAR e TPWL). Como o algoritmo foi concebido de maneira gen´erica, as vari´aveis de projeto utilizadas e a fun¸c˜ao-objetivo devem ser normalizadas. Logo, estas fun¸co˜es fazem a adequa¸c˜ao das vari´aveis aos limites determinados pelo usu´ario para o espa¸co de projeto e `a ordem de grandeza do VPL.
4.6
Desempenho do algoritmo MSAO Com o objetivo de avaliar-se o algoritmo de otimiza¸c˜ao MSAO desenvolvido neste
cap´ıtulo foram propostos alguns testes utilizando-se os modelos de reservat´orio apresentados
4.6. Desempenho do algoritmo MSAO
101
no Cap´ıtulo 2 com algumas modifica¸co˜es. Os modelos s˜ ao: SPE10 - Modificado, que ´e um corte de 24000 c´elulas do modelo SPE10 e Brugge - Modificado, que ´e uma adapta¸ca˜o ao SIMPAR do modelo de Brugge (benchmark apresentado em (Peters et al., 2010)) na qual a malha ´e convertida para cartesiana. A fun¸ca˜o-ob jetivo aqui considerada para ambos os casos ´e o Valor Presente L´ıquido - VPL com os mesmos parˆametros econˆomicos utilizados na avalia¸c˜ao do TPWL/POD no Cap´ıtulo 3. O pre¸co do ´oleo ´e de 100 $/BBL e os custos de inje¸ca˜o e produ¸c˜ao de ´agua s˜ao de 10 $/BBL.
4.6.1 Resultados com modelo SPE10 - Modificado O primeiro problema que foi atacado baseou-se no modelo SPE10 exposto no Cap´ıtulo 2 considerando as densidades diferentes e fluido e rocha compress´ıveis como no u ´ ltimo caso estudado no Cap´ıtulo 3. O tempo de concess˜ao do reservat´orio ´e de 3000 dias e o controle ´e feito sobre a press˜ao de fundo dos 4 po¸cos produtores em 4 ciclos de controle de 750 dias de dura¸ca˜o cada um. Desta forma o problema de otimiza¸c˜ao possui 16 vari´aveis de projeto. A sequˆencia de controles de treinamento foi determinada aleatoriamente da mesma forma que no teste do Cap´ıtulo 3, variando-se os controles dos quatro po¸cos entre 2000 psi e 6000 psi a cada 200 dias, isto ´e, considerando-se 15 ciclos de controles. A justificativa para isto ´e que se espera uma maior variabilidade dos estados gravados, o que incrementa a capacidade de aproxima¸ca˜o do TPWL/POD. A quantidade de autovalores foi mantida idˆentica aos testes ´ importante ressaltar que a dura¸c˜ao m´axima dos passos de acur´acia: υ p = 128 e υz = 256. E de tempo neste problema foi de 30 dias como no estudo de acur´acia. O simulador decidiu cort´a-los gerando estados suficientes para utilizar tamanha quantidade de autovalores. A quantidade de pontos avaliados no interior da primeira regi˜ao de confian¸ca foi de 2N var +1 = 33, onde N var = 16 ´e o n´ umero de vari´aveis. Nesta quantidade j´a est´a inclu´ıdo o centro da primeira regi˜ao. A justificativa para esta escolha ´e que s´o com esta quantidade de pontos seria poss´ıvel o ajuste de um polinˆomio quadr´atico sem os termos cruzados. O computador utilizado neste processo de otimiza¸ca˜o possui 12 processadores, sendo que um deles fica dedicado ao proceso do Matlab. Sendo assim, somente N proc = 11 ´e o n´ umero de processadores livres para simula¸ca˜o do SIMPAR. Em todas as avalia¸co˜es do modelo de alta fidelidade, s˜ao efetuadas N proc simula¸co˜es simultaneamente.
4.6. Desempenho do algoritmo MSAO
102
Desta forma, a quantidade de pontos avaliados em cada regi˜ao de confian¸ca a partir da segunda itera¸c˜ao foi fixada em N proc , o que permite que todas sejam feitas simultaneamente. A quantidade de avalia¸co˜es realizadas em conjunto com o candidato a ´otimo foi fixada em N proc
− 1 pelo mesmo motivo.
Foram avaliadas duas possibilidades para o grau do polinˆomio interpolador utilizado na krigagem. O processo de otimiza¸ca˜o foi executado utilizando-se polinˆomio de grau zero (krigagem ordin´aria) e grau um (polinˆomio linear). O estudo comparativo entre os modelos de alta e baixa fidelidade realizado no Cap´ıtulo 3, indica que uma corre¸ca˜o linear pode ser mais eficiente. Tamb´em foram avaliados os parˆametros de controle de retreinamento. O valor limite para E T P W L (distˆancia entre estados gravados no treinamento e os calculados na simula¸c˜ao TPWL/POD) foi alterado de forma a aumentar ou diminuir o n´umero de retreinamentos e ´e representado por E max . Note que quanto menor este limiar, maior ser´a a tendˆencia ao retreinamento. Tamb´em avaliou-se o limiar m´ınimo do parˆametro de qualidade do metamodelo ρ f para o qual deve-se cogitar o retreinamento. Este limiar ´e designado por ρmin . Como nos casos simulados neste estudo nunca se observou ρ f > 1, utilizou-se ρ min = 2 como uma maneira de obrigar o retreinamento o m´aximo n´ umero de vezes. O valor inicial para as press˜oes de fundo em todos os po¸cos e todos os ciclos de controle foi de 4000 psi, podendo variar de 2000 psi a 6000 psi que s˜ ao os limites aplicados durante o treinamento. O tamanho inicial da regi˜ao de confian¸ca foi de 20 % do espa¸co de projeto baseado em (Horowitz et al., 2013). Al´em de aplicar-se o algoritmo MSAO variando-se alguns de seus parˆametros de configura¸ca˜o, foi realizada a otimiza¸ca˜o do VPL atrav´es da aplica¸ca˜o direta do algoritmo SQP (Programa¸c˜ao Quadr´atica Sequencial) sobre o modelo de alta fidelidade (simulador SIMPAR) e sobre o modelo de baixa fidelidade (TPWL/POD). No ´ultimo caso, apesar da otimiza¸ca˜o se realizar sobre o modelo reduzido, o resultado ao final ´e medido utilizando-se o simulador. Este ´e o m´etodo mais investigado na literatura para o uso de modelos reduzidos em otimiza¸c˜ao e necessita de modelos substitutos quase perfeitos. No caso aqui estudado, onde se consideram n˜ao-linearidades bastante grandes, o TPWL/POD n˜ao ´e um substituto perfeito e portanto tal estrat´egia n˜ao parece ser aplic´avel. Os resultados obtidos est˜ao apresentados na Tabela 4.1, onde SQP(HF) significa a aplica¸ca˜o do SQP diretamente sobre o SIMPAR, SQP(LF) significa aplicar o SQP sobre o TPWL/POD e medir o resultado final do VPL com o SIMPAR e MSAO significa a aplica¸ca˜o
4.6. Desempenho do algoritmo MSAO
103
do algoritmo MSAO proposto neste cap´ıtulo. Nesta tabela E max representa a distˆancia m´axima entre os estados gravados e calculados no TPWL/POD para que o retreinamento ocorra no caso de ρ f > ρ min . Tamb´em foram anotados os n´ umeros de itera¸co˜es (# It.), de avalia¸co˜es da fun¸c˜ao de alta fidelidade, o SIMPAR (# HF), de avalia¸c˜oes da fun¸ca˜o de baixa fidelidade, o TPWL/POD (# LF) e de retreinamentos. c˜ao Tab. 4.1: Otimiza¸
do VPL utilizando diferentes esquemas - SPE10 com 4 ciclos de controle
Algorithm Polin. E max
ρmin
# It. # HF # LF #Retrein. NPV (108 $) ∗
SQP(HF)
-
-
-
5
88
-
-
6, 9229
SQP(LF)
-
-
-
11
-
187
-
6, 4826
MSAO
0
10
2
0,00
7
164
676
0
6,5424
MSAO
0
10
2
0,25
7
165
777
1
6,5318
MSAO
0
10
2
2,00
8
186
1027
2
6,5626
MSAO
1
10
2
0,25
5
120
715
0
7,2000
MSAO
1
10
2
2,00
11
254
1446
2
7,2238
MSAO
1
10
3
2,00
11
254
2040
5
7,2238
−
−
−
−
−
−
´ importante recordar que, conforme an´alise do speedup realizada no Cap´ıtulo E 3, uma avalia¸ca˜o de fun¸c˜ao de alta fidelidade (SIMPAR) gasta 400 vezes o tempo de uma de baixa fidelidade (TPWL/POD). Esta propor¸ca˜o diminui para 300 ap´os o retreinamento. Portanto, um alto n´umero de avalia¸co˜es de baixa fidelidade n˜ao impacta tanto no tempo total do processo de otimiza¸c˜ao. A referˆencia da compara¸ca˜o de resultados ´e o algoritmo SQP acoplado diretamente ao simulador SIMPAR que est´a representado na primeira linha da tabela. Este ´e um algoritmo de otimiza¸ca˜o restrita de aplica¸c˜ao geral comumente utilizado. Precisa dos gradientes para funcionar, que neste caso s˜ao calculados numericamente atrav´es de perturba¸co˜es nas vari´aveis e utilizando diferen¸cas finitas. Isto aumenta bastante o n´umero de simula¸co˜es. O resultado utilizando-se tal algoritmo est´a na primeira linha da tabela. Nota-se que a simples substitui¸ca˜o do modelo de alta fidelidade pelo reduzido pode n˜ao levar a um bom resultado na otimiza¸c˜ao. A segunda linha da tabela cont´em o resultado onde a fun¸c˜ao-objetivo acoplada ao SQP foi o VPL calculado pelo TPWL/POD. Ao final do processo de otimiza¸c˜ao calcula-se o VPL com o simulador. Este foi o pior resultado entre
4.6. Desempenho do algoritmo MSAO
104
todos, o que demonstra que o modelo de ordem reduzida precisa de corre¸c˜a o ao longo do processo de otimiza¸c˜ao. Al´em disso, observa-se, ao utilizar-se uma krigagem ordin´ aria (polinˆomio de grau 0) consegue-se melhorar o resultado da otimiza¸c˜ao. Entretanto, estes ainda n˜ ao foram os melhores resultados. Por outro lado, retomando-se a an´alise de acur´acia do TPWL/POD apresentada no Cap´ıtulo 3, observa-se que o erro deste modelo reduzido n˜ao ´e constante para qualquer sequˆencia de controles e depende muito do primeiro controle. Portanto, o uso de um polinˆomio regressor constante pode realmente n˜ao ser u ´ til, j´a que a parte estoc´astica do modelo kriging tem influˆencia local. Esta foi a justificativa para a utiliza¸ca˜o de polinˆomios lineares. Observa-se na linha 6 da tabela de resultados que com o uso de um interpolador linear na krigagem, n˜ao houve necessidade de retreinamento pois o parˆametro de qualidade ρf do SAO se manteve superior a 0,25. Melhor ainda, mesmo sem retreinamento, o resultado conseguiu superar aquele obtido com o SQP. Isso ´e explicado pelo fato de este ´ultimo algoritmo sofrer com certas descontinuidades do modelo de simula¸c˜ao que s˜ao mitigadas pelas aproxima¸co˜es e interpola¸co˜es realizadas pela krigagem. Al´ em disso, observa-se uma ligeira melhora no resultado quando se aumenta o valor de ρf a partir do qual se avalia a necessidade de retreinamento. Na linha 7 tem-se um resultado um pouco maior onde foram realizados dois retreinamentos. A necessidade de retreinamento ´e avaliada pela distˆancia entre os estados gravados e simulados E tpwl (calculada conforme Equa¸c˜ao 3.34) que deve estar abaixo de 10
2
−
neste caso.
No entanto, quando este patamar m´aximo de erro ´e reduzido em uma ordem de grandeza, obtem-se o resultado da linha 8. Note que n˜ao h´ a melhora alguma apesar do aumento expressivo do n´ umero de retreinamentos. Tudo isto demonstra que retreinar nem sempre ´e indicado. Primeiramente, sabese que a qualidade do metamodelo medida por ρf fica comprometida na medida em que o processo se aproxima do ´otimo devido a pequenas varia¸co˜es da fun¸c˜ao-objetivo, fazendo com que um erro de aproxima¸c˜ao, mesmo que pequeno, leve a valores baixos ou at´ e negativos para ρ f . Este problema tende a ser mitigado pela aplica¸ca˜o do crit´erio sobre E tpwl que pode avaliar se a “culpa” pelos erros ´e da m´a qualidade do modelo reduzido. A Figura 4.4 mostra a evolu¸c˜a o de ρf , E tpwl e do valor ´otimo ao longo das itera¸co˜es do MSAO nos casos com
4.6. Desempenho do algoritmo MSAO
105
polinˆomio interpolador linear. 0.07 1
0.06
0.8
0.05
0.6
L0.04 W P T
f
ρ
E
0.4
0.03
0.2
0.02
0
0.01
−0.2
2
4 6 # Iteração do MSAO
8
10
(a) Parˆametro de qualidade do MSAO ( ρf )
0 0
2
4 6 8 # Iteração do MSAO
10
12
(b) Indicador de erro do TPWL/POD ( E tpwl )
7.6 7.4 7.2 ) $ M M (
7
L P6.8 V
6.6 ro=0.25,E=1E−2 ro=2.00,E=1E−2 ro=2.00,E=1E−3
6.4 6.2 0
2
4 6 8 # Iteração do MSAO
10
12
(c) Valor presente l´ıquido - VPL(10 8 $)
Fig. 4.4: Evolu¸ca˜o do processo de otimiza¸c˜ao nas itera¸c˜oes do algoritmo - Modelo SPE10 Modificado Observe primeiramente as curvas em vermelho que representam o primeiro resultado onde n˜ao houve retreinamento. O valor ´otimo obtido para o VPL ´e ligeiramente menor do que os outros casos e isto se deve ao retreinamento que ocorreu na quarta itera¸c˜ao. Esta atualiza¸ca˜o do modelo reduzido levou a um VPL um pouco menor, mas, que devido `a melhor aproxima¸ca˜o, veio a ficar melhor na pr´oxima itera¸ca˜o. Note tamb´em que o valor de E tpwl cai a um patamar de 10
2
−
depois do segundo
retreinamento na itera¸c˜ao 6 (curva azul). Mesmo assim, ρf ´e pr´oximo de zero (em algumas itera¸c˜oes, negativo), o que indica que o metamodelo n˜ao ´e razo´avel. Entretanto, a culpa n˜ao
4.6. Desempenho do algoritmo MSAO
106
´e do TPWL/POD j´a que E tpwl se mant´em controlado. Isto se deve `a proximidade do ´otimo, onde as varia¸c˜oes da fun¸ca˜o-objetivo s˜ao da ordem do erro da aproxima¸ca˜o. Pode-se confirmar esta ideia ao “apertar-se” o crit´ erio do erro para E tpwl
≤ 10
3
−
como nas curvas em preto. N˜ao h´a nenhum ganho na fun¸ca˜o-objetivo em rela¸c˜ao a curva azul. Tamb´ em n˜ao h´a melhora de ρf e observa-se um aumento de E tpwl ap´o s um dos retreinamentos ocorrerem. Isto demonstra que fazer E tpwl
≤ 10
3
−
´e desnecess´ario e s´o leva a
retreinamentos excessivos, que podem vir a piorar o metamodelo. Na pr´atica, o valor ideal para este parˆametro depender´a da experiˆencia do profissional respons´avel pela otimiza¸c˜ao. 4
16000 ) d / l b b ( o d i z u d o r p l a t o t o e l ó e d o ã z a V
3.5
Base Ótimo
14000
) d / l b 3 b ( a d i 2.5 z u d o r p 2 l a t o t
12000 10000 8000
1.5
a u g á e 1 d o ã z0.5 a V
6000 4000 2000 0
x 10
500
1000 1500 2000 Tempo (Dias)
2500
3000
0 0
(a) Vaz˜ao de ´oleo total
500
1000 1500 2000 Tempo (Dias)
2500
3000
(b) Vaz˜ao de ´agua produzida total
4
3.5
x 10
) d / l b 3 b ( a d a2.5 t e j n i l a t o 2 t a u g á1.5 e d o ã z 1 a V
0.5 0
500
1000 1500 2000 Tempo (Dias)
2500
3000
(c) Vaz˜ao de ´agua injetada total
Fig. 4.5: Vaz˜oes totais do campo obtidas no processo de otimiza¸c˜ao — SPE10 - Modificado Analisando-se os resultados do melhor caso (Retreino com ρf
≤ 2,00 e E ≤ tpwl
10 2 ), obt´em-se as vaz˜ oes totais do campo apresentadas na Figura 4.5. Nesta figura, os −
4.6. Desempenho do algoritmo MSAO
107
gr´aficos em vermelho representam as vaz˜oes para configura¸c˜ao de controles inicial do processo de otimiza¸c˜ao, os gr´aficos em preto, a configura¸ca˜o o´tima e os azuis, s˜ao as itera¸c˜oes intermedi´arias. Nota-se destes resultados que a estrat´ egia do otimizador consiste em antecipar produ¸ca˜o de ´oleo e reduzir a produ¸ca˜o e inje¸c˜a o de ´agua drasticamente em quase todo o tempo simulado. Tamb´em pode-se perceber que h´a grandes ganhos nas primeiras quatro itera¸c˜oes do algoritmo, o que cessa nas itera¸c˜oes seguintes. Os controles de press˜ao de fundo otimizados para os quatro po¸cos produtores est˜ao representados na Figura 4.6 onde se observa que a decis˜ao tomada pelo otimizador ´e de aumentar a press˜ a o de fundo nos u ´ ltimos ciclos de controle o que reduz a produ¸ca˜o de ´agua, j´a que os po¸cos j´a produzem muita ´agua nesta ´epoca.
6000 5500 ) i s5000 p ( o d4500 n u F 4000 e d o ã3500 s s e r P3000
W1 W2 W3 W4
2500 2000 0
500
1000 1500 2000 Tempo (Dias)
2500
3000
Fig. 4.6: Press˜oes de fundo dos po¸cos produtores otimizadas - Modelo SPE10 - Modificado Finalmente ´e importante avaliar a qualidade da aproxima¸ca˜o do metamodelo corrigido e do modelo reduzido (TPWL/POD). Para tanto, com o mesmo resultado utilizado na Figura 4.5, foram constru´ıdos, para cada itera¸ca˜o do algoritmo, crossplots com os pontos avaliados durante a itera¸ca˜o, onde o eixo x representa o resultado (VPL) obtido com o modelo de alta fidelidade (SIMPAR) e o eixo y, o resultado (VPL) em baixa fidelidade. Quanto melhor a aproxima¸ca˜o, mais pr´oximos da reta de 45o estar˜ao os pontos. As Figuras 4.7 a 4.9 apresentam as nuvens de pontos para as trˆes primeiras itera¸c˜oes. Os pontos apresentados s˜ao somente os considerados em cada uma das itera¸co˜es.
4.6. Desempenho do algoritmo MSAO
108
7.5
7.5
7
7
6.5
6.5
6 6
6.5
7
7.5
6 6
(a) Simpar x TPWL/POD
6.5
7
7.5
(b) Simpar x TPWL/POD+kriging
Fig. 4.7: Compara¸ca˜o do VPL obtido durante o processo de otimiza¸ca˜o - 1a Itera¸ca˜o - SPE10 - Modificado 7.6
7.5
7.4 7.2 7
7 6.8 6.6
6.5
6.4 6.2 6 6
6.5
7
(a) Simpar x TPWL/POD
7.5
6 6
6.5
7
7.5
(b) Simpar x TPWL/POD+kriging
Fig. 4.8: Compara¸ca˜o do VPL obtido durante o processo de otimiza¸ca˜o - 2a Itera¸ca˜o - SPE10 - Modificado Observando-se os crossplots da direita (compara¸c˜ao entre VPL calculado pelo SIMPAR e pelo metamodelo com corre¸c˜ao) em todos as figuras, observam-se dois grupos de pontos. O primeiro grupo recai exatamente sobre a reta, pois s˜ao os pontos considerados para a constru¸c˜ao do modelo de krigagem e portanto s˜ao perfeitamente corrigidos. O segundo grupo representa o candidato a ´otimo da itera¸ca˜o e aqueles que s˜ao avaliados dentro da candidata a pr´oxima regi˜ao de confian¸ca. Note que estes ultimos n˜ao recaem sobre a reta pois n˜ao foram utilizados na corre¸ca˜o do kriging . O valor do VPL obtido no pela simula¸ca˜o no centro da regi˜ao de confian¸ca ´e marcado com um x vermelho e o candidato a ´otimo obtido
4.6. Desempenho do algoritmo MSAO
109
nesta regi˜ao ´e marcado com um diamante vermelho. Nestas itera¸co˜es a corre¸ca˜o por krigagem se mostrou bastante efetiva, melhorando razoavelmente os resultados da aproxima¸ca˜o (comparem-se os crossplots com os resultados do TPWL/POD e do modelo reduzido com a corre¸c˜ao por krigagem). Isto pode tamb´em ser medido pelo valor de ρf pr´oximo de 1, como mostra a Figura 4.4(a). Entretanto, desta mesma Figura 4.4(a), observa-se que, a partir da 5 a itera¸ca˜o, o metamodelo mostra resultados piores com a queda dr´astica do ρ f , o que pode ser devido `a proximidade do ´otimo. 7.5
7.5
7
7
6.5
6.5
6 6
6.5
7
(a) Simpar x TPWL/POD
7.5
6 6
6.5
7
7.5
(b) Simpar x TPWL/POD+kriging
Fig. 4.9: Compara¸ca˜o do VPL obtido durante o processo de otimiza¸ca˜o - 3a Itera¸ca˜o - SPE10 - Modificado
4.6.2 Resultados com modelo de Brugge - Modificado O segundo problema atacado baseou-se no modelo Brugge - Modificado exposto no Cap´ıtulo 2 considerando as densidades da a´gua e ´oleo diferentes e fluido e rocha compress´ıveis conforme sua descri¸ca˜o em (Peters et al., 2010). O tempo de concess˜ao do reservat´orio ´e de 3600 dias e o controle ´e feito sobre a press˜ao de fundo dos 20 po¸cos produtores, variando de 40Kgf /cm2 a 140 Kgf /cm2 , em 3 ciclos de controle de 1200 dias de dura¸c˜ao cada um. Os 10 po¸cos injetores s˜ao mantidos com 300 Kgf /cm2 constante de press˜ao de fundo. Desta forma o problema de otimiza¸c˜ao possui 60 vari´aveis de projeto, transformando-o em um problema razoavelmente grande. A sequˆencia de controles de treinamento foi determinada aleatoriamente trocandose os controles dos 20 po¸cos independentemente a cada 200 dias, isto ´e, considerando-se 18
4.6. Desempenho do algoritmo MSAO
110
ciclos de controles. O valor destes controles tem os mesmos limites da defini¸ca˜o do problema de otimiza¸ca˜ o: 40Kgf /cm2 a 140 Kgf /cm2 . A quantidade de autovalores foi υ p = 80 e υz = 100. Esta quantidade de autovalores foi determinada atrav´es de alguns testes simples. Entretanto, para gerar n´umero de estados suficiente para isto, utilizou-se uma dura¸c˜a o m´axima para o passo de tempo de 10 dias. Os u ´ltimos valores singulares considerados est˜ao entre a ordem de 10
1
−
e 10 2 . A −
figura 4.10 apresenta um gr´afico dos valores singulares para a SVD da matriz de snapshots de press˜oes (3.4(a)) e de fra¸co˜es m´assicas (3.4(b)) para a simula¸ca˜o de treinamento dispostos em ordem decrescente com a indica¸ca˜o dos respectivos pontos de corte escolhidos. 4
4
10
10
2
2
10
10
0
0
10
10
−2
−2
10
10
−4
10
0
−4
50
100
(a) Press˜ao
150
200
10
0
50
100
150
200
(b) Fra¸c˜ao m´assica
Fig. 4.10: Valores singulares dispostos em ordem decrescente - Modelo Brugge-Modificado O n´umero de pontos avaliados no interior da primeira regi˜ao de confian¸ca foi de 2N var + 1 = 121, onde N var = 60 ´e o n´umero de vari´aveis. Nesta quantidade j´a est´a inclu´ıdo o centro da primeira regi˜a o. O polinˆ omio interpolador utilizado na krigagem ´e de primeiro grau. Os valores dos parˆametros de controle do retreinamento foram fixados: E max = 10
2
−
e ρmin = 0,25. O valor inicial para todas as press˜ oes de fundo controladas, centro da
primeira regi˜ao de confian¸ca, foi fixado no meio da escala, 90 kgf /cm2 . O n´umero de processadores livres para simula¸c˜ao do SIMPAR ´e N proc = 11 e o n´umero de simula¸co˜es executadas em paralelo ´e sempre igual a este n´umero. Portanto, a quantidade de pontos simulados em cada regi˜ao de confian¸ca para constru¸ca˜o do modelo
4.6. Desempenho do algoritmo MSAO
111
de corre¸c˜ao a partir da segunda itera¸c˜ao e a quantidade de pontos simulados em conjunto com o candidato a ´otimo foram parˆametros avaliados, variando em m´ultiplos de N proc e s˜ao designadas pela palavra #Amostras. Tamb´ em foram avaliados diferentes valores para o raio da regi˜ao de confian¸ca inicial, designado neste estudo por Rinit e dado por uma fra¸ca˜o das dimens˜ oes do espa¸co de projeto. A Tabela 4.2 reune os resultados obtidos neste estudo. Note que a referˆencia para compara¸ca˜o est´a na primeira linha e consiste na aplica¸c˜ao do algoritmo SQP diretamente ao modelo de alta fidelidade. Entretanto, por necessidade de economia de tempo, s´o se permitiu que tal algoritmo realizasse duas itera¸c˜oes, n˜ao tendo neste momento atingido a convergˆencia. Tab. 4.2: Otimiza¸ c˜ao
do VPL em diferentes esquemas - Brugge-Modificado com 3 ciclos de controle
Algorithm #Samples R Init. # It. # HF # LF #Retrein. NPV (109 $) ∗
SQP(HF)
-
-
2
122
-
-
28,01
MSAO
11
0,25
9
298
4099
1
26,79
MSAO
33
0,25
7
518
3467
1
26,35
MSAO
11
0,50
11
342
5942
3
27,31
MSAO
33
1,00
13
913
9661
2
27,54
Com este modelo de Brugge houve uma redu¸ca˜o do speedup do TPWL/POD em rela¸ca˜o ao SIMPAR se comparado ao speedup obtido com o modelo SPE10. O computador em que estes estudos foram realizados ´e o mesmo utilizado nos estudos do Cap´ıtulo 3 e consiste em um Intel Xeon X5680 3,33 GHz, com 24 GB de RAM, 12 n´ ucleos e sistema operacional Windows 7. Enquanto uma simula¸c˜ao de alta fidelidade custou em m´ edia 1700 s, uma de baixa fidelidade custou 10 s, levando a um speedup de 170, menor do que o do caso SPE10Modificado, apresentado no Cap´ıtulo 3. O tempo da simula¸c˜ao de treinamento foi de 1600 s, o tempo para o c´alculo da base foi 28 s e para o c´alculo das derivadas reduzidas, 234 s, custando o treinamento um total de 1,2 simula¸c˜oes. Al´em disso, o tempo de retreinamento foi de 42s para constru¸ca˜o da base e 470s para c´alculo de todas as derivadas reduzidas considerando a nova base. Para entender o efeito dos retreinamentos do TPWL/POD no processo de otimiza¸ca˜o, foi feita uma an´alise similar `a realizada com o primeiro caso SPE10-Modificado. A Figura 4.11 mostra a evolu¸ca˜o de ρf , E tpwl e do valor ´otimo ao longo das itera¸c˜oes do
4.6. Desempenho do algoritmo MSAO
112
MSAO nos dois melhores casos apresentados nas duas u ´ ltimas linhas da Tabela 4.2. Note que em ambos os casos houve redu¸ca˜o do erro E tpwl , mas que o parˆametro de qualidade do metamodelo ρf n˜ao se mostrou muito satisfat´orio. No caso com 33 amostras no interior da regi˜ao de confian¸ca houve momentos no final da otimiza¸ca˜o em que ρ f ficou pr´oximo de 1,0, mas em geral seu valor se mostrou baixo. Entretanto, como E tpwl pˆode ser controlado com retreinamento, conclui-se que neste caso, a “culpa” pelo problema ´e do kriging . Na verdade, utilizaram-se poucas amostras no interior da regi˜ ao para o n´ umero de vari´aveis considerado. Portanto, houve a necessidade de reutiliza¸ca˜o de um grande n´umero de pontos das regi˜oes anteriores, o que pode causar problemas na aproxima¸ca˜o por krigagem. 1.2
0.16
1
0.14 0.12
0.8
0.1 0.6
l w p t
f
ρ
E
0.4
0.08 0.06
0.2
0.04
0 −0.2 0
0.02 2
4 6 8 # Iteração do MSAO
10
12
(a) Parˆametro de qualidade do MSAO ( ρf )
0 0
2
4 6 8 10 # Iteração do MSAO
12
(b) Indicador de erro do TPWL/POD ( E tpwl )
2.8 2.75 2.7
) $ M M ( 2.65 L P V
2.6
2.55
11 amostras, ρ = 0.5 0
33 amostras, ρ = 1.0 2.5 0
0
2
4 6 8 10 # Iteração do MSAO
12
(c) Valor presente l´ıquido - VPL(10 8 $)
Fig. 4.11: Evolu¸ca˜o do processo de otimiza¸ca˜o nas itera¸c˜oes do algoritmo - Modelo SPE10 - Modificado
4.6. Desempenho do algoritmo MSAO
113
5
8
5
x 10
Base Ótimo
) d / l b b (
7 6
o d i z u d o r p l a t o t
5 4
o e l ó e d o ã z a V
3 2 1 0 0
1000
2000 Tempo (Dias)
4.5
x 10
) d / 4 l b b ( a3.5 d i z u 3 d o r p2.5 a u g á 2 e d l 1.5 a t o t o 1 ã z a0.5 V
0 0
3000
(a) Vaz˜ao de ´oleo total
1000
2000 Tempo (Dias)
3000
(b) Vaz˜ao de ´agua produzida total
6
2.5
x 10
) d / l b b ( 2 a d a t e j n1.5 i l a t o t a u 1 g á e d o ã0.5 z a V
0 0
1000
2000 Tempo (Dias)
3000
(c) Vaz˜ao de ´agua injetada total
Fig. 4.12: Vaz˜oes totais do campo obtidas no processo de otimiza¸ca˜o — Brugge - Modificado Como u ´ ltima an´alise, observe-se a estrat´ egia do otimizador para maximizar o VPL. A Figura 4.12 mostra em vermelho as vaz˜oes totais iniciais (caso base), em preto as otimizadas e em azul, as itera¸c˜oes intermedi´arias. Assim como no caso anterior do SPE10Modificado, a estrat´ egia consistiu em antecipa¸ca˜ o de ´oleo e redu¸c˜ao da produ¸ca˜o e inje¸ca˜o de ´agua. Entretanto, a diferen¸ca entre caso base e otimizado s´o foi expressiva na produ¸ca˜o de ´agua.
˜ EM 5. APLICAC ¸ AO ˜ DE INCERTEZAS PROPAGAC ¸ AO N˜ao h´a como se pensar em gerenciar um campo de petr´oleo sem levar em conta as incertezas envolvidas. Estas podem ser de natureza geol´ogica, por n˜ao se saber exatamente as caracter´ısticas de subsuperf´ıcie; de natureza operacional, por n˜ao se ter pleno controle ou n˜ao se confiar totalmente em um equipamento; econˆomica, devido `as flutua¸c˜oes do cˆambio, dos custos dos equipamentos, do pre¸co do petr´oleo, etc. Entretanto, levar-se em conta as incertezas no processo de gerenciamento do reservat´orio, aplicando t´ecnicas estat´ısticas capazes de medir os riscos, ´e, por si s´o, muito custoso computacionalmente por causa da necessidade de lidar com muitos modelos que representam os diferentes cen´arios incertos e simula¸co˜es cada vez mais caras. ´ portanto de grande utilidade a propaga¸ca˜o da incerteza nos parˆametros do E modelo de simula¸ca˜o (mapas geol´ogicos, controles dos po¸cos, capacidade dos equipamentos, pre¸co do petr´oleo, etc) para a sua sa´ıda (e.g. Valor Presente L´ıquido - VPL). Isto demanda a execu¸c˜ao de muitas simula¸co˜es do modelo considerando m´ultiplos cen´arios. Al´em disso, a tendˆencia atual de criar modelos cada vez mais detalhados e complexos aumenta ainda mais o custo dos estudos de incerteza. Isso fica ainda pior se a propaga¸c˜ao de incertezas est´a combinada a um outro processo, como por exemplo otimiza¸ca˜o ou ajuste de hist´orico sob incerteza. Este cap´ıtulo descreve uma t´ecnica que tem por objetivo baixar o custo computacional da propaga¸ca˜o de incerteza em um modelo de simula¸ca˜o de alta fidelidade pela utiliza¸ca˜o de um metamodelo que consegue prever com um boa acur´acia os resultados da sa´ıda de alta fidelidade. O m´etodo aqui utilizado est´ a descrito em (Ng et al., 2013) sendo que o modelo de alta fidelidade considerado ser´a o simulador de reservat´orios SIMPAR e o modelo de baixa fidelidade, o TPWL. A ideia ´e propagar a incerteza nos controles (no caso press˜oes de fundo de po¸co) para a sa´ıda do modelo que neste caso ´e o valor presente l´ıquido 114
5.1. M´etodo das Vari´ aveis de Controle
115
obtido no fim do tempo de concess˜ao. ´ importante ressaltar que a incerteza nos controles ´e pequena se comparada aos E parˆametros geol´ogicos. Entretanto, ainda n˜ao est´a dispon´ıvel na implementa¸ca˜o do TPWL aqui implementado, a considera¸ca˜o de tais parˆametros. Um esfor¸co neste sentido ´e encontrado em (He et al., 2013). Al´ em disso, n˜ao ´e de todo artificial considerar incertezas nos controles, uma vez que existem erros grandes nas medidas de press˜ao de fundo (as medi¸c˜oes s˜ao normalmente indiretas) e al´em disso existem grandes dificuldades na aplica¸ca˜o destes controles, o que traz um certo n´ıvel de desconhecimento sobre quais s˜ao as verdadeiras press˜oes de fundo aplicadas num dado instante de tempo. O cap´ıtulo est´a dividido em duas partes. A primeira descreve em detalhes a matem´atica da t´ecnica e o algoritmo para a propaga¸c˜ao da incerteza na m´edia e no desvio padr˜ ao. A segunda parte apresenta resultados obtidos com o problema de simula¸ca˜ o de reservat´orios controlado pela press˜ao de fundo de po¸co.
5.1
M´ etodo das Vari´ aveis de Controle Considere o problema de estima¸c˜ao do valor esperado de uma vari´avel aleat´oria
X , x ref = E [X ]. Tome um conjunto de amostras independentes e identicamente distribu´ıdas de X , x1 , x2 ,
··· , x . O estimador Monte Carlo para x
e ref ´
n
descrito na Equa¸ca˜o 5.1 e dado
pela m´edia aritm´etica dos valores amostrados.
1 x¯n = n
n
�
xi
(5.1)
i=1
Considerando σ x2 a variˆancia da vari´avel aleat´oria X , pode-se calcular a variˆancia no estimador de x ref , conforme Equa¸c˜ao 5.2 como medida do erro para este estimador. 1 V ar[¯xn ] = 2 V ar n
�� � n
i=1
σx2 xi = n
(5.2)
A ideia da t´ecnica aqui descrita ´e utilizar a correla¸c˜ao entre X (que representar´a o modelo de alta fidelidade) e uma vari´avel aleat´oria auxiliar Y (que representar´a o modelo de baixa fidelidade) de forma a reduzir o n´umero de amostras de X necess´arias para atingir uma variˆancia aceit´avel para seu estimador.
5.2. Monte Carlo Multifidelidade
116
Sendo assim, sejam y 1 , y2 ,
··· , y um conjunto de amostras independentes e idenn
ticamente distribu´ıdas da vari´avel aleat´oria auxiliar Y cuja m´edia ´e conhecida yref = E [Y ]. Como
− Y ] = 0 o estimador de vari´aveis de controle (control variate estimator ) para
E [yref
xref ´e definido como na Equa¸ca˜o 5.3, onde β ´e um parˆametro de controle.
− y¯ )
¯n + β (yref xˆn = x
(5.3)
n
A variˆancia deste estimador, ap´ os algumas simplifica¸co˜es, est´a expressa na Equa¸ca˜o 5.4.
V ar[ˆxn ] =
1 2 (σX + β 2 σY 2 + 2βρ XY σX σY ) n
(5.4)
Na Equa¸c˜ao 5.4, ρXY ´e o coeficiente de correla¸c˜ao entre X e Y . O que se quer ´e o estimador com menor variˆancia e, ao minimizar-se V ar[ˆxn ] com rela¸ca˜o a β obtem-se o valores ´otimos β e V ar[ˆxn ] das Equa¸c˜oes 5.5 e 5.6. ∗
∗
β = ρ xy ∗
V ar[ˆ xn ] = ∗
1 (1 n
σX σY
−ρ
2 2 XY )σX .
(5.5)
(5.6)
Desta forma observa-se uma redu¸ca˜o da variˆancia do estimador para xref se Y ´ nisso que se baseia o m´ for bastante correlacionado a X . E etodo de Monte Carlo com multifidelidade que ´e utilizado neste cap´ıtulo.
5.2
Monte Carlo Multifidelidade Daqui por diante as vari´aveis aleat´orias X e Y ser˜ao substitu´ıdas respectivamente
por avalia¸co˜es de um modelo de alta e um de baixa fidelidade. Desta forma, seja a fun¸ca˜o hhigh (z) um resultado da simula¸ca˜o do modelo de alta fidelidade que toma como entrada o vetor z e retorna a vari´avel x como sa´ıda. No problema da simula¸ c˜ao de reservat´orios aqui considerado, isto representa o VPL calculado pelo SIMPAR considerando-se uma sequˆencia de BHP’s para todos os po¸c os. Quando se fala de propaga¸ca˜o de incertezas, o vetor de entrada representa um vetor aleat´orio Z e o objetivo ´e estimar x ref = E [hhigh (z)].
5.2. Monte Carlo Multifidelidade
117
Por outro lado, seja a fun¸ca˜o hlow (z) um resultado da simula¸ca˜o do modelo de baixa fidelidade que toma como entrada o mesmo vetor z aplicado ao de alta fidelidade, mas retorna a vari´avel y como sa´ıda. No problema em quest˜ ao, representaria o VPL calculado atrav´es da simula¸ca˜o do modelo de ordem reduzida TPWL/POD treinado anteriormente, considerando uma sequˆencia de press˜oes de fundo para os po¸cos. Este modelo ´e u ´til pois ´e altamente correlacionado ao de alta fidelidade. O procedimento aqui aplicado, descrito em detalhes em (Ng et al., 2013), ´e resultado da adapta¸ca˜o da t´ecnica de vari´aveis de controle a um contexto onde existem modelos de m´ultiplas fidelidades x i = h high(zi ) e y i = hlow (zi ), sendo z i amostras i.i.d. da vetor aleat´orio
Z que representa os controles dos po¸cos neste caso. Entretanto, yref =
E [hlow (zi )]
reque-
rido pela Equa¸c˜a o 5.3 n˜ao ´e conhecido e ser´a aproximado por uma m´edia de m simula¸c˜oes y¯m , considerando m >> n. Note que isto faz com que sejam realizadas m
− n simula¸c˜oes
adicionais do modelo de baixa fidelidade. Assim, a Equa¸ca˜o 5.3 se transforma na Equa¸ca˜o 5.7.
x˜n = x¯n + β (y¯m
− y¯ ) = β ¯y n
¯n m + ( x
− β ¯y )
(5.7)
n
A segunda igualdade mostra que o maior trabalho ´e realizado sobre o modelo de baixa fidelidade cujo resultado deve ser corrigido por um termo de corre¸c˜ao β . A variˆ ancia deste estimador multifidelidade pode ser obtida pela Equa¸ca˜o 5.8.
V ar[˜xn ] =
1 2 2 (σX + β 2 σY + 2βρ XY σX σY ) n
− m1 (β σ
2 2 Y
+ 2βρ XY σX σY )
(5.8)
Observe que o processo de c´alculo deste estimador multifidelidade x ˜ precisa de n simula¸c˜oes de alta fidelidade e m de baixa. Portanto, al´em de determinar o valor ´otimo para β ´e poss´ıvel distribuir o recurso computacional entre as simula¸c˜oes de alta e baixa fidelidade de maneira ´otima (Ng et al., 2013). Com o objetivo de comparar com o m´etodo de Monte Carlo tradicional define-se uma unidade de esfor¸co computacional p contando-se o n´ umero equivalente de simula¸c˜oes de alta fidelidade como mostrado na Equa¸c˜ao 5.9.
p
≡
� �
m r = n 1 + n + w w
(5.9)
Na Equa¸c˜ao 5.9, w ´e a raz˜ao entre o tempo m´edio de computa¸ca˜o do modelo de alta fidelidade e o de baixa fidelidade. No caso do SIMPAR e do TPWL/POD, esta raz˜ao
5.2. Monte Carlo Multifidelidade
118
´e aproximadamente 400. Al´em disso, r = m/n ´e a raz˜a o entre os n´umeros de simula¸co˜es de baixa e alta fidelidade. Pode-se re-escrever a variˆancia do estimador da Equa¸ca˜o 5.8 em termos de p, r e w conforme Equa¸ca˜o 5.10.
� �� � − �
1 r 1+ V ar[˜xn ] = p w
1 r
2 + 1 σX
2 (β 2 σY + 2βρ XY σX σY )
�
(5.10)
1
n
Minimizando V ar[˜xn ] em rela¸c˜ao a β e r e considerando fixo o recurso computacional p, obtem-se como solu¸ca˜o o´tima β e r como exposto na Equa¸ca˜o 5.11. ∗
β = ρ xy ∗
∗
σX , σY
r = ∗
�
wρ2XY 1 ρ2XY
(5.11)
−
A Equa¸c˜ao 5.12 apresenta o valor ´otimo para o erro, V ar[˜xn ] considerando β e ∗
∗
r . ∗
� �� − � − � �
1 r 1+ V ar[˜xn ] = p w
∗
∗
1
1
1 r
∗
2 ρ2XY σX .
(5.12)
Com esta solu¸c˜ao, o que se percebe ´e que r aloca a maior parte do esfor¸co ∗
computacional para a simula¸ca˜o do modelo de baixa fidelidade se este ´e barato (w ´e grande) e/ou acurado (ρXY ´e pr´oximo de 1). At´ e este ponto desenvolveu-se uma metodologia para estimar-se a esperan¸ca xref = ´ poss´ıvel aplicar a mesma simula¸c˜ao Monte Carlo Multifidelidade de forma a E [hhigh (z)]. E 2 estimar outros parˆametros estat´ısticos como, por exemplo, V ar[X ] = σX = V ar[hhigh(z)],
desde que tomando-se os devidos cuidados para manter a eficiˆencia do m´etodo. Sendo assim, como utilizar o que j´a foi desenvolvido para a m´edia no c´alculo da variˆancia? Seria imediato utilizar-se a rela¸ca˜o V ar[X ] = E [X 2 ]
2
− (E [X ]) . Entretanto, apesar de simples, segundo (Ng
et al., 2013), esta abordagem ´e ingˆenua por produzir resultados pouco satisfat´ orios. Isto se deve ao fato de a correla¸ca˜o ρX 2 Y 2 se mostrar pior do que ρXY . Portanto ´e melhor utilizar o algoritmo de c´alculo da variˆancia em um passo e descrito em (Knuth, 1997). Para tanto, definam-se η i e ν i como exposto nas Equa¸c˜oes 5.13 e 5.14.
5.3. Implementa¸ca˜o do algoritmo
ηi =
n
119
� · � · � · �
hhigh (zi )
n−1
ν i =
m m−1
·
−
−
hhigh (zi )
hlow (zi )
n
hhigh (z j )
j=1
1 n−1
1 m
−
−
hlow (zi )
1 n
∑ �· ∑ � ∑ �· ∑ � n−1
(5.13)
(5.14)
hhigh (z j )
j=1
m
hlow (z j )
j=1
1 m−1
m−1
hlow (z j )
j=1
Usando essa defini¸c˜ao para as amostras ηi e ν i obtem-se que suas m´edias representam as variˆancias desejadas conforme Equa¸c˜oes 5.15 e 5.16.
V ar[hhigh (z)] = η¯n = =
V ar[hlow (z)] = ν¯ m = =
n
1 n
∑ � ∑ ∑ � ∑ ηi =
i=1
n
1
n−1
1 m
hhigh(zi )
i=1
−
1 n
n
∑
�
2
(5.15)
hhigh(z j )
j=1
m
ν i =
i=1
1 m−1
m
hlow (zi )
i=1
−
1 m
m
∑
j=1
�
2
hlow (z j )
(5.16)
Portanto, pode-se aplicar, a primeira vista, a mesma metodologia desenvolvida anteriormente para estimar a esperan¸ca de vari´aveis definidas em 5.13 e 5.14, o que significaria a sua variˆancia. Segundo (Ng et al., 2013), o coeficiente de correla¸ca˜o entre estas vari´aveis se mostra mais alto do que se fosse aplicada a rela¸ca˜o com os quadrados das vari´aveis aleat´orias. Entretanto, η i e ν i n˜ao s˜ao mais independentes, o que viola uma hip´ otese utilizada na teoria. Por outro lado, os resultados de (Ng et al., 2013) e os obtidos com o modelo reduzido aqui estudado mostram que essa abordagem ainda se mostra efetiva.
5.3
Implementa¸c˜ ao do algoritmo O algoritmo para a simula¸ca˜o Monte Carlo Multifidelidade ´e executado de forma
iterativa, incrementando-se o n´umero de amostras de alta fidelidade e calculando-se os valores
5.3. Implementa¸ca˜o do algoritmo
120
de β , r a cada incremento. Na pr´ atica, como as variˆancias σx e σy e o coeficiente de ˜n e correla¸ca˜o ρ XY s˜ao desconhecidos, o melhor que se pode fazer ´e calcular os estimadores β ∗
∗
r˜n baseados nas n primeiras amostras dos modelos de alta fidelidade — vari´avel aleat´oria X — e baixa fidelidade — vari´ avel Y , conforme Equa¸co˜es 5.17, 5.18 e 5.19.
∑∑ − − − � − ∑ ∑ −∑−
˜n = β
n x¯n )(yi i=1 (xi n y¯n )2 i=1 (yi
ρ˜n =
[
−
(5.17)
(5.18) 2
n i=1 (xi
n i=1 (xi
wρ˜2n 1 ˜ ρ2n
r˜n =
[
y¯n )
x¯n )(yi y¯n )] x¯n )2 ] [ ni=1 (yi y¯n )2 ]
−
(5.19)
O processo de simula¸c˜ao Monte Carlo Multifidelidade precisa da escolha de alguns parˆametros: uma raz˜ ao m´edia entre os tempos de computa¸ca˜o dos modelos de alta e baixa fidelidade, w, um n´ umero de amostras iniciais, n0 , um valor para o incremento no n´umero de amostras, n∆ , um modelo de alta fidelidade hhigh(z), que neste caso ´e o simulador de reservat´orios SIMPAR descrito no cap´ıtulo 2, um modelo de baixa fidelidade hlow (z), representado pelo modelo de ordem reduzida TPWL descrito no cap´ıtulo 3. Tamb´em ´e sorteada uma sequˆencia pseudo-aleat´oria de vetores de entrada z i sobre a distribui¸c˜ao de Z , que ´e a vari´ avel que possui incerteza e que no caso deste trabalho representa os valores de controle dos po¸cos, press˜oes de fundo em fluxo. O algoritmo como proposto em (Ng et al., 2013) e utilizado nesta disserta¸ca˜o pode ser descrito pela sequˆ encia de passos abaixo. 1. Sejam n old = 0, m old = 0, l = 0 e n = n 0 . 2. Avaliam-se as amostras de alta fidelidade (simula¸ca˜o do SIMPAR) para o estimador da m´edia x i = h high (zi ), i = nold + 1, . . . , n. 3. Se l < n, avaliam-se as amostras de baixa fidelidade (simula¸ca˜o TPWL) para o estimador da m´edia yi = hlow (zi ), i = l + 1, . . . , n e faz-se l = n. 4. Calculam-se as m´edias x¯n e y¯n , m´edias de alta e baixa fidelidade respectivamente. 5. Avaliam-se as amostras para o estimador de variˆ ancia ηi e ν i , i = n old +1, . . . , n conforme Equa¸co˜es 5.13 e 5.14. 6. Calculam-se η¯n e ν¯n , representando as variˆancias, conforme Equa¸co˜es 5.15 e 5.16.
5.4. Resultados obtidos
121
˜xn , ρ˜2 , r˜xn usando xi , yi 7. Computam-se β xn
{
n i=1
}
˜ηn , ρ˜2 , r˜ηn utilizando ηi , ν i e β ηn
{
n i=1 .
}
8. Calcula-se o n´umero de avalia¸c˜oes de baixa fidelidade m = n max(˜ rxn , r˜ηn ). 9. Se l < m, avaliam-se as amostras de baixa fidelidade que faltam para o estimador da m´edia y i = h low (zi ), i = l + 1, . . . , m. Faz-se l = m. 10. Calcula-se a m´edia y¯m . 11. Avaliam-se as amostras de baixa fidelidade que faltam para o estimador da variˆ ancia ν i , i = l + 1, . . . , m de acordo com a Equa¸ca˜o 5.14. 12. Calcula-se a m´edia ν¯ m. 13. Computam-se os estimadores multi-fidelidade x˜n e η˜n para m´edia e variˆancia respectivamente utilizando a Equa¸c˜ao 5.7. 14. Estima-se o erro V ar[˜xn ] pela equa¸c˜ao 5.12. ∗
15. Se o erro ´e grande, faz-se n old = n, m old = m, n <
5.4
−n + n
∆ e
volta-se ao passo 2.
Resultados obtidos Esta disserta¸c˜ao tem como u ´ltimo objetivo avaliar o m´etodo Monte Carlo Multifi-
delidade para propaga¸ca˜o de incertezas no contexto de simula¸ca˜o de reservat´orios de petr´oleo utilizando como modelo de ordem reduzida o TPWL/POD desenvolvido no Cap´ıtulo 3 e como simulador o SIMPAR descrito no Cap´ıtulo 2. Os resultados aqui apresentados utilizaram o modelo SPE10 apresentado no Cap´ıtulo 2 tamb´ em utilizado em um processo de otimiza¸ca˜o no Cap´ıtulo 4. Foram utilizados duas variantes do modelo: a primeira desconsiderando as compressibilidades e com as densidades iguais para ambos os fluidos; a segunda considera as compressibilidades dos fluidos e rocha e as densidades diferentes. As incertezas aqui consideradas est˜ao associadas a` press˜ao de fundo de po¸co. Estas n˜ao s˜ao as mais cr´ıticas no gerenciamento de reservat´orios uma vez que a grande fonte de incertezas nesta ´area ´e a geologia. Entretanto, ainda n˜ao est´a dispon´ıvel (por n˜ao fazer parte do escopo deste trabalho) um modelo de ordem reduzida capaz de avaliar a influˆencia de parˆametros geol´ogicos como porosidade, permeabilidade, etc. no VPL (He (2010) - Apˆendice 1 e He et al. (2013) cont´ em um exemplo TPWL considerando lineariza¸ca˜o em torno das
5.4. Resultados obtidos
122
transmissibilidades em todas as c´elulas). Por outro lado, existem sim incertezas associadas `a press˜ao de fundo de po¸co uma vez que os modelos de escoamento n˜a o s˜ao perfeitamente precisos. Al´ em disso, existem problemas de confiabilidade de equipamentos (e. g. bombas de fundo, gas lift ) que quando falham causam varia¸c˜oes da press˜ao de fundo e tˆem influˆencia na produ¸c˜ao. Sendo assim, tais estudos possuem boa utilidade. Neste estudo, as press˜ o es de fundo dos po¸cos produtores s˜ao independentes e uniformemente distribu´ıdas entre 2000 psi e 6000 psi. Os po¸cos injetores ficam com press˜ao de fundo constante em 12000 psi. O tempo de concess˜ ao considerado ´e de 3000 dias. Os parˆametros para c´a lculo do VPL s˜ao os mesmos utilizados nos Cap´ıtulos 3 e 4: taxa de retorno de 10 % a. a., pre¸co do ´oleo de $100 /BBL e custos de inje¸c˜ao e produ¸c˜ao de ´agua de $10/BBL. O modelo de ordem reduzida foi treinado uma ´unica vez para cada um dos casos considerados com uma sequˆencia de 15 controles aleat´orios da mesma forma que nos estudos de acur´acia e de otimiza¸ca˜o dos Cap´ıtulos 3 e 4. Com rela¸c˜ao a` configura¸ca˜o inicial do algoritmo Monte Carlo Multifidelidade, utilizou-se um n´ umero inicial de amostras n0 = 11 e um incremento do n´umero de simula¸c˜oes n∆ = 11 j´a que havia 11 processadores dispon´ıveis para a simula¸ca˜o do SIMPAR. Foram realizada 40 itera¸co˜es do algoritmo, considerando-se assim 440 simula¸co˜es de alta fidelidade. A raz˜ao entre os tempos de simula¸ca˜o de alta e baixa fidelidade w foi calculada pelo tempo obtido no treinamento e neste caso foi igual a aproximadamente 350 para os dois casos considerados. A Figura 5.1 mostra a compara¸ca˜o de resultados entre o m´etodo de Monte Carlo Tradicional e Multifidelidade para o caso incompress´ıvel com densidades iguais. Em cada gr´afico o eixo x representa o esfor¸co computacional pn em simula¸co˜es de alta fidelidade equivalentes, aumentando na medida em que se aumenta o n´umero de simula¸c˜oes de alta fidelidade. O erro m´edio quadr´atico (Root Mean Square Error - RMSE) representado pela variˆ ancia do estimador da esperan¸ca nos dois casos ´e apresentado na Figura 5.1(a). Nota-se que esta cai mais rapidamente quando se utiliza o esquema multifidelidade. A estimativa para a m´edia obtida com os dois m´etodos est´a representada na Figura 5.1(b). Observa-se a convergˆencia entre os dois resultados por causa da interse¸c˜ao entre os intervalos de confian¸ca (para um desvio padr˜ao) representados por x e +.
5.4. Resultados obtidos
123
−1
10
6.36 6.34 ) 6.32 $ M 6.3 M ( a d6.28 a m i t 6.26 s E a i d6.24 é M
E S −2 M10 R
6.22
MC Multifidelidade MC
−3
10
1
2
10
10 Esforço Computacional (p)
(a) RMSE (V ar(˜ xn ))
6.2 3
10
6.18 1 10
MC Multifidelidade MC 2
10 Simulações HF
3
10
(b) Valor Esperado x ˜n
Fig. 5.1: Compara¸c˜ao entre MC Multifidelidade e Tradicional - Reservat´orio Incompress´ıvel e Densidades dos Fluidos Iguais Os parˆametros de controle do Monte Carlo Multifidelidade est˜ao apresentados na Figura 5.2 para as duas vari´aveis estimadas: m´edia e variˆancia. A evolu¸c˜ao da correla¸ca˜o com o esfor¸co computacional est´a na Figura 5.2(a). Observa-se uma alta correla¸ca˜o entre os modelos de alta e baixa fidelidade (amostras xi e yi ), o que demonstra que o TPWL/POD ´e uma boa representa¸ca˜o aproximada para a simula¸ca˜o deste reservat´orio com o SIMPAR. Entretanto, a correla¸ca˜o para a estimativa da variˆancia (amostras η i e ν i ) ´e menor. A raz˜ao r entre o n´umero de simula¸c˜oes de alta e baixa fidelidades ´e mais alta para a estimativa m´edia do que para a variˆ ancia devido `a correla¸ca˜o mais alta. O valor utilizado deve ser o m´aximo entre os dois e flutuou em torno de 40, conforme mostrado na Figura 5.2(b). Confirma-se tamb´em a redu¸c˜a o no parˆametro de corre¸ca˜o a medida que o
→ ∞, tem-se que
processo evolui j´a que, como se espera, quando o n´umero de amostras n y¯n
→ y ≈ y¯ ref
m.
Por outro lado, os resultados mudam razoavelmente ao considerar-se o reservat´orio compress´ıvel e as densidades dos fluidos diferentes. Isto aumenta bastante a n˜ao linearidade do problema, interferindo na qualidade dos resultados. Al´em disso, conforme visto nos resultados de acur´acia do TPWL/POD no Cap´ıtulo 3, o erro da aproxima¸ca˜o pode, nestes casos, depender muito da sequˆencia de treinamento, levando ao aparecimento de algum vi´es.
5.4. Resultados obtidos
124 65
1
Média Variância
Média Variância
60 55
0.95
50 0.9
45 r
ρ
40 0.85
35 30
0.8
25 0.75 1 10
2
10 Simulações HF
20 1 10
3
10
2
3
10 Simulações HF
(a) Correla¸c˜ao (ρXY )
10
(b) Raz˜ao de no. de Sim’s (r )
0.9
Média Variância
0.8
0.7 β
0.6
0.5
0.4 1 10
2
3
10 Simulações HF
10
(c) Corre¸c˜ao β
Fig. 5.2: Evolu¸ca˜o dos Parˆametros do MC Multifidelidade para Estima¸ca˜o da M´edia e da Variˆancia - Reservat´orio Incompress´ıvel e Densidades dos Fluidos Iguais A Figura 5.3 mostra a compara¸ca˜o de resultados entre o m´etodo de Monte Carlo Tradicional e Multifidelidade para o caso compress´ıvel com densidades diferentes. Para obterem-se tais resultados, utilizou-se os mesmos valores de compressibilidades utilizados nos Cap´ıtulos 3 e 4: compressibilidade do o´leo co = 3 e da rocha co = 1
× 10
7
−
× 10
6
−
psi 1 , da ´agua c w = 1 −
× 10
6
−
psi
1
−
psi 1 . A diferen¸ca nas densidades dos fluidos foi de 5 lbm/ft3 . −
Observa-se que o ganho na velocidade de convergˆencia (redu¸ca˜o do erro) para a estimativa da m´edia ao comparar-se com o Monte Carlo tradicional ´e menor do que no caso incompress´ıvel. Isto ocorre devido `a menor correla¸c˜ao entre o modelo de ordem reduzida e o real. A evolu¸ca˜o do erro com o custo computacional se apresenta na Figura 5.3(a).
5.4. Resultados obtidos
125
Por outro lado, observa-se na Figura 5.3(b) que com este n´umero de simula¸co˜es, as estimativas para a m´edia calculadas pelos dois m´etodos ainda n˜ ao convergiram para um desvio padr˜ao (observando-se os intervalos marcados po x e + no fim do gr´afico). Isto pode se dever ao vi´es criado pela dependˆencia dos controles de treinamento ou ao n´umero insuficiente de simula¸c˜oes. 10
10
6.5
−1.1
MC Multifidelidade MC
6.45 ) $ 6.4 M M (
−1.3
a d6.35 a m i t s 6.3 E a i d é6.25 M
E −1.5 S10 M R
10
−1.7
6.2 10
MC Multifidelidade MC
−1.9
10
1
2
10 Esforço Computacional (p)
(a) RMSE (V ar(˜ xn ))
3
10
6.15 1 10
2
10 Simulações HF
3
10
(b) Valor Esperado x ˜n
Fig. 5.3: Compara¸ca˜o entre MC Multifidelidade e Tradicional - Reservat´orio Compress´ıvel e Densidades dos Fluidos Diferentes Os parˆametros de controle do m´etodo multifidelidade para o caso compress´ıvel est˜ao apresentados na Figura 5.4. Observa-se de fato na Figura 5.4(a) um expressiva redu¸c˜ao da correla¸ca˜o entre o modelo de alta e baixa fidelidade ρxy quando comparadas com o caso incompress´ıvel. Isto demonstra que a aproxima¸ca˜o TPWL/POD perde qualidade devido `a inclus˜ao das n˜ao linearidades no problema. Mas o que chama a aten¸ca˜o ´e que a correla¸ca˜o ρην entre as amostras para estima¸c˜ao da variˆancia ´e bem reduzida. Devido a esta redu¸c˜ao na correla¸ca˜o, observa-se tamb´em um redu¸ca˜o da raz˜ao r entre o n´ umero de simula¸co˜es de alta e baixa fidelidade que flutuou em torno de 16 conforme Figura 5.4(b). Isto mostra que no caso incompress´ıvel com densidades diferentes a redu¸ca˜o do custo computacional para estima¸ca˜o dos parˆametros ´e menor do que no caso incompress´ıvel com densidades iguais devido a menor qualidade da aproxima¸c˜ao de ordem reduzida.
5.4. Resultados obtidos
126 25
0.8
Média Variância
Média Variância
0.7
20
0.6
15
0.5 r
ρ
0.4
10
0.3
5 0.2 0.1 1 10
2
10 Simulações HF
0 1 10
3
10
(a) Correla¸c˜ao (ρXY )
2
10 Simulações HF
3
10
(b) Raz˜ao de no. de Sim’s (r )
0.4
Média Variância
0.35 0.3 0.25 β
0.2 0.15 0.1 0.05 1 10
2
10 Simulações HF
3
10
(c) Corre¸c˜ao β
Fig. 5.4: Evolu¸ca˜o dos Parˆametros do MC Multifidelidade para Estima¸ca˜o da M´edia e da Variˆancia - Reservat´orio Compress´ıvel e Densidades dos Fluidos Diferentes Finalmente, o que se observa na Figura 5.4(c) ´e que o parˆametro de corre¸ca˜o β ´e pequeno pois, com a qualidade menor da aproxima¸ca˜o, a influˆencia do modelo de baixa fidelidade no estimador deve ser menor. Nota-se que para o estimador da variˆancia, esta influˆencia ser´a ainda menor devido a seus baixos n´ıveis de correla¸c˜ao.
˜ 6. CONCLUSOES E TRABALHOS FUTUROS Este trabalho de mestrado estudou a t´ecnica Trajectory Piecewise Linearization combinada a Proper Orthogonal Decomposition como modelo de ordem reduzida aplicado ao gerenciamento de reservat´orios de petr´oleo. O m´etodo foi aplicado aos processos de otimiza¸ca˜o de controles de po¸cos e de propaga¸ca˜o de incertezas nestes controles. Neste cap´ıtulo, ´e apresentado um breve resumo sobre os resultados e algumas conclus˜ oes sobre o uso e a robustez das aplica¸co˜es ser˜ao apresentadas. Al´em disso, algumas sugest˜oes de trabalhos futuros ser˜ao mostradas com base nos problemas enfrentados, nas limita¸c˜oes percebidas e nas ideias levantadas durante o desenvolvimento do trabalho. Todas as t´ecnicas aqui combinadas tiveram origem em trablhos de outros contex´ importante portanto ressaltar que o presente trabalho pode ser aplicado a outras ´areas tos. E do conhecimento, tanto na engenharia de reservat´orios como em outros ramos da engenharia.
6.1
Resultados e conclus˜ oes Os principais resultados est˜ ao resumidos na lista a seguir.
• Estudou-se uma formula¸ca˜o black-oil ligeiramente diferente daquela implantada nos
simuladores comerciais. Esta ´e baseada em fra¸co˜es m´assicas e est´a incorporada no simulador de reservat´orios utilizado neste trabalho. Tal simulador ´e chamado SIMPAR, foi desenvolvido pela PETROBRAS na d´ecada de 90 e teve seu c´odigo aberto para identifica¸ca˜o dos pontos necess´arios para a exporta¸c˜ao de dados de mapas de estados e derivadas.
• Foram constru´ıdos dois modelos de reservat´orios para os testes das aplica¸c˜oes: um ba127
6.1. Resultados e conclus˜oes
128
seado em corte do SPE10 e outro derivado da convers˜ao da malha do modelo de Brugge para cartesiana. Os resultados deste simulador foram comparados com os obtidos com o IMEX da CMG para valida¸ca˜o em dois modelos diferentes.
• Foi desenvolvido um modelo substituto de ordem reduzida baseado nas t´ecnicas de Trajectory Piecewise Linearization (TPWL) combinada ao Proper Orthogonal Decom-
position (POD) em Matlab. Tal modelo foi utilizado para reduzir o tempo de simula¸c˜ao de reservat´orios utilizando o SIMPAR, conseguindo-se speedups da ordem de 350.
• A t´ecnica TPWL/POD j´a havia sido aplicada ao problema de simula¸ca˜o o´leo-´agua de reservat´orios em sua formula¸ca˜o por satura¸c˜oes. O fato de o simulador utilizado consi-
derar fra¸c˜oes m´assicas como vari´aveis prim´arias n˜ao alterou a qualidade dos resultados.
• Tamb´em utilizou-se neste desenvolvimento a proje¸c˜ao de Petrov-Galerkin em lugar de
Bubnov-Galerkin. Sendo assim, para solucionar-se o sistema de equa¸co˜es de ordem reduzida, pr´e-multiplicam-se as derivadas reduzidas por ΦT (J i+1 )T em lugar de Φ T , onde Φ ´e a base do POD e J i+1 ´e o jacobiano do estado gravado mais pr´ oximo. O uso desta proje¸ca˜o transforma a solu¸ca˜o por m´ınimos quadrados e foi capaz de estabilizar o TPWL/POD. De fato, depois da decis˜ao de utiliz´a-la, nenhum problema de instabilidade foi experimentado. At´e ent˜ao, a literatura apontava como principal problema da t´ecnica uma certa instabilidade, que parece ser resolvido pela utiliza¸c˜ao da pro je¸ca˜o obl´ıqua em lugar da ortogonal.
• Foi proposto que o fluxo de trabalho de treinamento do modelo reduzido somente
contivesse uma u ´ nica simula¸ca˜o com controles escolhidos aleatoriamente e ciclos de controle mais curtos que o problema a ser resolvido. A troca aleat´oria e frequente dos controles proporciona uma boa explora¸ca˜o do espa¸co de estados e permitiu atingir-se um n´ıvel de erro aceit´avel para a aproxima¸c˜ao.
• A escolha de uma u´ nica simula¸ca˜o para o treinamento se deve ao interesse de que n˜ao se espera que o modelo reduzido seja perfeito, j´a que poder´a ser retreinado quando
necess´ ario, acrescentando-se assim uma nova trajet´ oria ao conjunto de estados. Isto permite uma razo´avel redu¸ca˜o no tempo de simula¸ca˜o para o treinamento, mas pode vir a acrescentar um tempo de retreinamento durante um processo de otimiza¸c˜ao.
• Observou-se que, ao considerarem-se fluidos e rochas incompress´ıveis e nenhuma dife-
ren¸ca nas densidades do fluidos, o problema ´e pouco n˜ao-linear, proporcionando que os resultados obtidos com o modelo substituto TPWL/POD sejam praticamente perfei-
6.1. Resultados e conclus˜oes
129
tos quando comparados aos obtidos com o simulador com erros da ordem de 3%, sem nenhum retreinamento.
• Ao acrescentarem-se primeiro a diferen¸ca de densidades dos fluidos e depois as compres-
sibilidades, fazendo do modelo mais realista, observa-se uma degrada¸ca˜o da qualidade dos resultados obtidos pelo modelo reduzido, atingindo-se um patamar de erro de 10%, mesmo ap´os retreinamento. Isto se deve `a forte n˜ao-linearidade do problema.
• O parˆametro de erro do TPWL/POD representa uma tentativa de medir a distˆancia no espa¸co reduzido da trajet´oria simulada e a trajet´oria gravada utilizada. O crit´erio de retreinamento baseado num valor m´aximo para esta distˆancia evitou retreinamento excessivo, em situa¸co˜es onde o parˆametro de controle do MSAO se mostrava baixo por causa da proximidade do ponto de ´otimo.
• Foi constru´ıdo um algoritmo multifidelidade de otimiza¸ca˜o sequencial aproximada
(MSAO) que foi aplicado ao problema de otimiza¸c˜ao do VPL controlando-se as press˜oes de fundo dos po¸c os. Este algoritmo resolve o problema de otimiza¸ca˜o como uma sequˆencia de problemas aproximados resolvidos no interior de uma regi˜ao de confian¸ca que ´e atualizada a cada itera¸ca˜o. A aproxima¸c˜ao utilizada ´e o modelo TPWL/POD corrigido por uma krigagem obtida com algumas amostras dos controles na regi˜ao de confian¸ca.
• O algoritmo MSAO aqui desenvolvido obteve resultado com maior VPL do que o obtido
com o acoplamento do simulador diretamente ao algoritmo de programa¸ca˜o sequencial quadr´atica (SQP) em um dos problemas estudados. Isto se deve a alguma descontinuidade existente na fun¸c˜ao-ob jetivo que ´e suavizada devido `a aplica¸ca˜o da krigagem.
• A corre¸ca˜o aplicada ao modelo de ordem reduzida TPWL/POD que obteve melhor
resposta foi o kriging com polinˆomio interpolador de primeiro grau. Isto se deve ao fato de haver uma certa dependˆencia linear entre o erro da aproxima¸ca˜o e a sequˆencia de controles utilizada.
• Foi constru´ıdo tamb´em um algoritmo Monte Carlo Multifidelidade baseado na t´ecnica
estat´ıstica das vari´aveis de controle. Este foi utilizado para a estima¸ca˜o da m´edia e desvio padr˜ao do VPL considerando-se incertas as press˜o es de fundo dos po¸cos. O modelo reduzido foi utilizado para reduzir-se o n´umero de execu¸c˜oes do simulador. O fator de redu¸ca˜o no n´ umero de simula¸co˜es ´e calculado baseado na correla¸ca˜o entre os resultados de alta e baixa fidelidade e a raz˜ao entre os custos computacionais.
6.2. Sugest˜oes de Trabalhos Futuros
130
• O algoritmo Monte Carlo Multifidelidade foi aplicado ao modelo baseado no SPE10
e conseguiu obter melhores estimativas para a m´edia e desvio padr˜ao com um menor n´umero de execu¸co˜es do SIMPAR quando comparado ao m´etodo Monte Carlo cl´assico. Entretanto, os resultados foram melhores com a vers˜ao sem compressibilidades de fluidos e rocha e com densidades iguais. Ao considerarem-se as compressibilidades e a diferen¸ca nas densidades, a correla¸ca˜o do TPWL/POD com o SIMPAR se reduz bastante o que faz com que o algoritmo necessite de mais execu¸co˜es do simulador.
6.2
Sugest˜ oes de Trabalhos Futuros Algumas sugest˜oes de trabalhos futuros para dar continuidade a esta pesquisa e
acrescentar mais conhecimento a esta ´area est˜ao listadas abaixo.
• Analisar em mais detalhes a estabilidade o m´etodo TPWL/POD, dando um enfoque mais matem´atico e resultando em um crit´ erio de estabilidade.
• Fazer a an´alise de erro do TPWL/POD de modo a obter um crit´erio de retreinamento mais robusto.
• Implementar a possibilidade de controlar os po¸cos por vaz˜ao no modelo TPWL/POD. • Utilizar o TPWL/POD para representar de maneira aproximada as restri¸c˜oes de press˜ao m´ınima de fundo de po¸co em um problema de otimiza¸ca˜o do VPL com controles de vaz˜ao.
• Aplicar o TPWL/POD ao c´alculo de gradientes aproximados em algoritmos de otimiza¸ca˜o baseados em derivadas.
• Substituir a krigagem por uma rede neural no algoritmo MSAO. • Considerar, al´em dos controles de po¸cos, a varia¸c˜ao de parˆametros geol´ogicos na formula¸ca˜o do TPWL/POD (em (He, 2010; He et al., 2013) encontra-se um estudo para
transmissibilidades), implementando assim um modelo susbtituto a ser utilizado em estudos de an´alise de incertezas geol´ogicas e ajuste de hist´orico.
• Utilizar a t´ecnica das vari´aveis de controle e a ideia anterior para propaga¸c˜ao de incertezas geol´ogicas e otimiza¸ca˜o sob incertezas.
ˆ REFERENCIAS S. M. B. Afonso, B. Horowitz, and M. F. da Silva. Performance of a physical surrogate in the sequential approximate optimization of space trusses. International Journal for ComputerAided Engineering and Software , 2011. M. N. Albunni, V. Rischmuller, T. Fritzsche, and B. Lohmann. Model-order reduction of moving nonlinear electromagnetic devices. IEEE Transactions on Magnetics , 2008. N. Alexandrov, J. E. D. Jr, R. M. Lewisand, and V. Torczon. A trust region framework for managing the use of approximation models in optimization. Technical report, NASA, Hampton, VA, USA, 1997. A. H. Alhuthali, A. Datta-Gupta, B. Yuen, and J. P. Fontanilla. Field applications of waterflooding optimization via rate control with smart wells. In SPE Reservoir Simulation Symposium , 2009. SPE 118948-PA. L. F. Almeida, M. M. B. R. Vellasco, and M. A. C. Pacheco. Optimization system for valve control in intelligent wells under uncertainties. Journal of Petroleum Science and Engineering , 2010. M. Asadollahi and G. Naevdal. Selection of decision variables for large-scale production optimization problems applied to the brugge field. In SPE Russian Oil and Gas Conference and Exhibition , 2010. SPE 136378-MS. M. C. Biggs. Constrained minimization using recursive quadratic programming. Towards Global Optimization (L.C.W. Dixon and G.P. Szergo, eds.), 1979. D. R. Brower and J. D. Jansen. Dynamic optimization of waterflooding with smart wells using optimal control theory. SPE Journal , 2004. SPE 78278-PA. M. A. Cardoso. Development and application of reduced-order modeling procedures for reservoir simulation . PhD thesis, Stanford University, 2009.
ˆ REFERENCIAS
132
M. A. Cardoso and L. J. Durlofsky. Linearized reduced-order models for subsurface flow simulation. Journal of Computational Physics , Vol. 229(No. 3):pp. 681–700, 2010. K. Carlberg, C. Bou-Mosleh, and C. Farhat. Effcient nonlinear model reduction via a leastsquares petrov-galerkin projection and compressive tensor approximations. International Journal for Numerical Methods in Engineering , 2009. CENPES. Simpar 2.0 - Manual do Usu´ ario. Petrobras/CENPES, 1995. CENPES and ESSS. Cyclope - Manual do usu´ario. Petrobras/CENPES e ESSS, 2012. S. Chaturantabut and D. C. Sorensen. Discrete empirical interpolation for nonlinear model reduction. In 48th IEEE Conference , Dez/2009. C. Chen, Y. Wang, G. Li, and A. C. Reynolds. Closed-loop reservoir management on the brugge test case. Computational Geosciences , 2010. C. Chen, G. Li, and A. C. Reynolds. Robust constrained optimization of short and long-term net present value for closed-loop reservoir management. SPE Journal , 2012. SPE 141314-MS. Y. Chen and D. S. Oliver. Ensemble-based closed-loop optimization applied to brugge field. SPE Reservoir Evaluation Engineering , 2010. SPE 118926-MS. M. A. Christie and M. J. Blunt. Tenth spe comparative solution project: A comparison of upscaling techniques. SPE Reservoir Evaluation and Engineering , 2001. SPE 66599-MS. CMOST. CMOST - User’s Guide . Computer Modeling Group Ltd., Calgary, Alberta, Canada, 2012. A. R. Conn, K. Scheinberg, and L. N. Vicente. Introduction to derivative-free optimization. In SIAM , Philadelphia,USA, 2009. M. F. da Silva. Estrat´ egias de aproxima¸ca˜o para a otimiza¸ca˜o estrutural. Master’s thesis, Universidade Federal de Pernambuco, 2009. T. Ertekin, J. H. Abou-Kassem, and G. R. King. Basic Applied Reservoir Simulation . Society of Petroleum Engineering - SPE, 2011. A. I. J. Forrester, A. S´obester, and A. J. Keane. Engineering Design via Surrogate Modelling: a Practical Guide . Wiley, 2008.
ˆ REFERENCIAS
133
E. Gildin, M. Ghasemi, A. Protasov, and Y. Efendiev. Nonlinear complexity reduction for fast simulation of flow in heterogeneous porous media. In SPE Reservoir Simulation Symposium , 2013. SPE 163618-MS. A. A. Giunta. Use of data sampling, surrogate models, and numerical optimization in engineering design. In 40th AIAA Aerospace Sciences Meeting and Exhibit , 2002. AIAA 2002-0538. A. A. Giunta and M. S. Eldred. Implementation of a trust region model management strategy in the dakota optimization toolkit. In 8th AIAA/USAF/NASA/ISSMO Symposium on Multidisciplinary Analysis and Optimization , 2000. AIAA 2000-4935. P. W. Glynn and R. Szechtman. Some New Perspectives on the Method of Control Variates, in Monte Carlo and Quasi-Monte Carlo Methods . Springer-Verlag, Berlin, Germany, 2000. HDFGroup. Hdf5 tutorial. http://www.hdfgroup.org/HDF5/Tutor/, 2014. Accessed: 201403. J. He. Enhanced linearized reduced-order models for subsurface flow simulation. Master’s thesis, Stanford University, 2010. J. He and L. J. Durlofsky. Reduced-order modelling for compositional simulation using trajectory piecewise linearization. In Reservoir Simulation Symposium , The Woodlands, Texas, USA, 2013. SPE 163634-MS. J. He, J. Saetrom, and L. J. Durlofsky. Enhanced linearized reduced-order models for subsurface flow simulation. Journal of Computational Physics , Vol. 230(No. 23):pp. 8313–8341, 2011. J. He, P. Sarma, and L. Durlofsky. Reduced-order modeling and geological parametrization for ensemble-based data assimilation. Computers and Geosciences , Vol. 55, 2013. B. Horowitz, S. M. B. Afonso, C. V. P. Mendon¸ca, and R. B. Willmersdorf. Rate control optimization of waterflooding management. International Journal of Modeling and Simulation for the Petroleum Industry , 2012. B. Horowitz, S. M. B. Afonso, and C. V. P. de Mendon¸ca. Surrogate based optimal water flooding management. Journal of Petroleum Science and Engineering , 2013. J. D. Jansen. Adjoint-based optimization of multiphase flow through porous media - a review. Computational Fluids , 2011.
ˆ REFERENCIAS
134
I. T. Jolliffe. Principal Component Analysis . Springer-Verlag, New York, 2 edition, 2002. D. R. Jones, M. Schonlau, and W. J. Welch. Efficient global optmization of expensive blackbox functions. Journal of Global Optimization , 1998. D. E. Knuth. The Art of Computer Programming , volume 2. Addison-Wesley, Massachussets, 3 edition, 1997. D. G. Krige. A statistical approach to some mine valuations and allied problems at the witwatersrand. Master’s thesis, University of Witwatersrand, 1951. J. Li and D. Xiu. Evaluation of failure probability via surrogate models. Journal of Computational Physics , 2010. S. N. Lophaven, H. B. Nielsen, and J. Søndergaard. DACE - A MATLAB Kriging Toolbox . IMM Technical University of Denmark, 2002. C. R. Maliska, A. F. C. da Silva, A. O. Czesnat, R. M. Lucianetti, and C. R. M. Junior. Three-dimensional multiphase flow simulation in petroleum reservoirs using the mass fractions as dependent variables. In Fifth Latin American and Caribean Petroleum Engineering Conference and Exhibition . Society of Petroleum Engineering - SPE, 1997. SPE 39067-MS. R. Markovinovic. System-theoretical model reduction for reservoir simulation and optimization . PhD thesis, Technische Universiteit Delft, 2003. G. Matheron. Principles of geostatistics. Economic Geology , 1963. Mathworks. Optimization Toolbox TM . User’s Guide . Mathworks, 2012.
†
N. Muller, L. Magaia, and B. M. Herbst . Singular value decomposition, eigenfaces, and 3d reconstructions. SIAM Review , 2004.
B. L. Nelson. Control variate remedies. Operations Research , vol 38(no. 6), Nov-Dez/1990. L. W. T. Ng and M. S. Eldred. Multifidelity uncertainty quantification using non-intrusive polynomial chaos and stochastic collocation. In 53rd AIAA/ASME/ASCE/AHS/ASC Structures, Structural Dynamics and Materials Conference , Honolulu, HI, 2012. L. W. T. Ng, D. B. P. Huynh, and K. E. Willcox. Multifidelity uncertainty propagation for optimization under uncertainty. In SIAM/ASA Journal on Uncertainty Quantification , 2013.
ˆ REFERENCIAS
135
D. F. Oliveira. Production optimization techniques for petroleum reservoirs: Derivative free approaches to dynamic rate allocation for injection and production. Master’s thesis, Universidade Federal de Pernambuco, 2006. D. W. Peaceman. Interpretation of well-block pressures in numerical reservoir simulation with nonsquare grid blocks and anisotropic permeability. SPE Journal , 1983. SPE 10528-PA. E. Peters, R. J. Arts, G. K. Brower, C. R. Geel, S. Cullick, R. J. Lorentzen, Y. Chen, K. N. B. Dunlop, F. C. Vossepoel, R. Xu, P. Sarma, A. H. Alhutali, and A. C. Reynolds. Results of the brugge benchmark study for flooding optmization and history matching. In SPE Reservoir Simulation Symposium , 2010. SPE 119094-MS. M. J. D. Powel. Algorithms for nonlinear constraints that use lagrangian functions. Mathematical Programming , 14, 1978. N. V. Queipo, J. V. Goicochea, and P. Pintos. Surrogate modeling-based optimization of sagd process. Journal of Petroleum Science and Engineering , 2002. M. J. Rewienski. A trajectory piecewise-linear approach to model order reduction of nonlinear dynamical systems . PhD thesis, Massachusets Institute of Technology, 2003. J. R. P. Rodrigues and L. Bonet. Desenvolvimento de um simulador black-oil. Technical report, Petrobras/CENPES, 1991. P. Sarma, W. H. Chen, L. J. Durlofsky, and K. Aziz. Production optimization with adjoint models under nonlinear control-state path inequality constraints. SPE Reservoir Evaluation Engineering , 2008. SPE 99959-PA. S. A. Souza, S. M. B. Afonso, and B. Horowitz. Optimal management of oil production using the particle swarm algorithm and adaptive surrogate models. In XXXI Iberian LatinAmerican Congress on Computational Methods in Engineering , Buenos Aires, 2010. P. K. W. Vinsome. Orthomin, an iterative method for solving sparse sets of simultaneous linear equations. In Fourth Symposium of Numerical Simulation of Reservoir Performance , Los Angeles, CA, USA, 1976. SPE 5729. C. Wang, G. Li, and A. C. Reynolds. Production optimization in closed-loop reservoir management. SPE Journal , 2009. SPE 109805-PA.