Banca de QUALIFICAÇÃO: SAMUEL DA SILVA OLIVEIRA

Uma banca de QUALIFICAÇÃO de DOUTORADO foi cadastrada pelo programa.
DISCENTE : SAMUEL DA SILVA OLIVEIRA
DATA : 19/11/2021
HORA: 14:00
LOCAL: Link da videochamada: https://meet.google.com/vhe-fvxv-ikx
TÍTULO:

Método Paralelo de Superiorização para Problemas de Ajuste de Histórico usando Priors Sísmicos


PALAVRAS-CHAVES:

History Matching, Método de Superiorização, GPU, ASIC


PÁGINAS: 83
RESUMO:

History Matching é um processo muito importante usado no manejo de produção de óleo e gás, já que tem como objetivo ajustar um modelo de reservatório até que reproduza aproximadamente o comportamento prévio de um reservatório real, podendo assim ser utilizado para prever produção futura. Este trabalho propõe utilizar um método iterativo para otimização com restrições chamado de superiorização para resolver esse problema. O método de superiorização é uma abordagem que utiliza dois critérios de otimização, onde o segundo critério busca otimizar seu funcional sem que afete negativamente a otimização do primeiro critério. Como abordagem comparativa, um algoritmo genético foi escolhido, dado que essa técnica é amplamente utilizada na literatura na resolução de history matching. Como o problema abordado é um problema inverso que geralmente é severamente subdeterminado, várias soluções possíveis podem existir para sua resolução. Devido a isso, nós também propomos a utilização de dados sísmicos dos reservatórios para diminuir a quantidade de resultados possíveis através de uma regularização relevante no segundo critério de otimização da versão superiorizada do algoritmo ML-EM. Outro fator crítico no processo de history matching}é o tempo de simulação, que é geralmente alto. Assim, também propomos investigar duas abordagens para a paralelização da solução, utilizando GPUs e ASICs. Essa proposta contém alguns resultados preliminares para um experimento com um modelo sintético de slab (placa), que foi ajustado usando-se o algoritmo ML-EM superiorizado e o algoritmo genético. Nesses experimentos, o Algoritmo ML-EM superiorizado se mostrou mais eficiente em relação ao tempo de execução, tendo também diminuído a taxa de erro, quando comparado com o algoritmo genético.


MEMBROS DA BANCA:
Presidente - 2177445 - BRUNO MOTTA DE CARVALHO
Interno - 1694485 - MARCIO EDUARDO KREUTZ
Interna - 2859606 - SILVIA MARIA DINIZ MONTEIRO MAIA
Externo à Instituição - EDGAR GARDUNO ANGELES

Notícia cadastrada em: 04/11/2021 19:31
SIGAA | Superintendência de Tecnologia da Informação - (84) 3342 2210 | Copyright © 2006-2024 - UFRN - sigaa06-producao.info.ufrn.br.sigaa06-producao