DOUBLE DEEP Q-NETWORK NO PROCESSO DE DECISÃO PARA O USO DO MÉTODO DE RECUPERAÇÃO INJEÇÃO DE ÁGUA EM UM CAMPO DE PETRÓLEO

Se faz necessário, para a melhor produção petrolífera, o desenvolvimento constante de novas alternativas de explotação dos campos. A necessidade de otimização dos fatores integrantes neste processo requer muito cuidado em todas as recomendações propostas para tal. Entre os elementos que integram a explotação petrolífera pode -se ressaltar: Número de poços, espaço entre eles, modelo de malha de produção/injeção, sistema de injeção de fluido, entre outros. Este trabalho tem como objetivo apresentar o desenvolvimento e a aplicação de um sistema inteligente baseado na técnica de Aprendizagem Por Reforço Profundo em reservatórios de petróleos submetidos ao método de recuperação avançada de injeção de água. A simulação foi realizada com o simulador matemático STARS (Steam Thermal ans Advanced Process Reservoir Simulator) do grupo CGM (Computer Modelling Group) considerando um reservatório homogêneos semissintéticos com características similares aos encontrados no Nordeste Brasileiro. O algoritmo aplicado foi o Double Deep Q-Network (DDQN), que consiste numa associação entre uma rede de aprendizado profundo e o algoritmo Q-learning e tem como objetivo encontrar condições operacionais favoráveis, tendo como finalidade a maximização do Valor Presente Líquido (VPL) e o aumento significativo do Fator de Recuperação, com as ações de aumentar ou não a vazão de injeção de água no início da produção em um horizonte de produção estimado em 240 meses (20 anos). O uso do algoritmo proporcionou obter as condições operacionais ótimas que viabilizaram aumentos significativos no fator de recuperação do campo, bem como no VPL e, consequentemente,a rentabilidade, havendo ainda a queda dos custos com injeção de água, tratamento e descarte de água produzida, gerando assim o aumento do tempo da viabilidade do projeto.