UM MODELO HÍBRIDO PARA PREVISÃO DE SÉRIES TEMPORAIS: UMA APLICAÇÃO NA INDÚSTRIA DE PETRÓLEO
Modelos estatísticos de Box & Jenkins, Redes Neurais Artificiais (RNA’s), Curvas de produção e vazão de petróleo
Atualmente, é de grande interesse o estudo de métodos de previsão de Séries Temporais, ou seja, conseguir identificar e predizer algumas características do processo num ponto futuro. Na engenharia de petróleo uma das atividades essenciais é a estimativa de produção de óleo existente nas reservas petrolíferas de reservatórios maduros. O cálculo dessas reservas é crucial para a determinação da viabilidade econômica de sua explotação. Atualmente, a indústria do petróleo faz uso de técnicas convencionais de modelagem de reservatórios como simulação matemática para previsão da produção de petróleo. No entanto, o objetivo fundamental deste trabalho é propor uma metodologia de Análise de Séries Temporais baseada nos tradicionais modelos estatísticos de Box & Jenkins, que em conjunto com a técnica inteligente de Redes Neurais Artificiais (RNA’s), possibilite a construção de um modelo híbrido de predição de dados de produção de petróleo, tomando por base a capacidade que a rede tem em aprender com a experiência e partir para generalização baseada no seu conhecimento prévio. Para tanto, a Rede Neural será treinada com a finalidade de estimar os erros associados ao modelo estatístico de Série Temporal, possibilitando ao pesquisador fazer uma comparação entre os erros gerados pelo modelo e os erros estimados pela RNA e então corrigir o erro associado ao Modelo de Série Temporal, de forma a aproximar a série estimada à série de dados original. Os dados que serão utilizados foram obtidos através do simulador comercial STARS (Steam, Thermal, and Advanced Processes Reservoir Simulator) – versão 2007 e referem-se às curvas de produção acumulada e de vazão de petróleo. O algoritmo de predição proposto receberá como entrada os dados fornecidos pelo simulador e fornecerá como saída uma estimativa do valor no tempo n+h onde h representa o horizonte de predição. Por fim, será feito um estudo comparativo da performance preditiva do modelo de Box & Jenkins clássico e o modelo de Box & Jenkins corrigido pela Rede Neural. A arquitetura recorrente em estudo neste trabalho deverá ser capaz de prover estimativas confiáveis, tanto para um horizonte de predição de passos simples quanto para um horizonte de múltiplos passos.