DEEP Q-NETWORK NO PROCESSO DE DECISÃO PARA O USO DO MÉTODO DE RECUPERAÇÃO INJEÇÃO DE ÁGUA EM UM CAMPO DE PETRÓLEO.
Campo de petróleo. Sistema inteligente. Aprendizado por Reforço Profundo. Deep Q-Network. Análise econômica.
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 são importantes ressaltar: Número de poços, espaço entre eles, modelo de malha, sistema de injeção de fluidos suplementar, entre outros. Este trabalho de pesquisa 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 com o método 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) com alguns dados similares de reservatórios homogêneos e semissintéticos encontrados no Nordeste Brasileiro, com dimensões 400mx400mx26m, porosidade de 23% e permeabilidade entre 40 e 400 mD. O algoritmo aplicado foi o Deep Q-Network (DQN) que tem como finalidade encontrar a política ótima tendo como recompensa 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 estimada em 240 meses (20 anos). Com os resultados pode-se observar que a política ótima de injeção de água viabilizou aumentos significativos no fator de recuperação do campo, bem como no VPL, além de obter uma melhor 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.