Previsão de Taxa de Perfuração em Poços de Petróleo Offshore Utilizando Aprendizado de Máquina

• André Branco UFRJ
• Janaína Gomide UFRJ

DOI: https://doi.org/10.5753/eniac.2021.18279

Resumo

A taxa de perfuração (ROP) de um poço de petróleo é uma métrica muito importante de se controlar, por influenciar na produtividade do poço, no desgaste da broca e na segurança do poço e operação. Este trabalho avalia a utilização do algoritmo de floresta aleatória para previsão da ROP em poços de petróleo offshore como alternativa para modelos tradicionalmente utilizados pela indústria. Modelos de floresta aleatória foram avaliados com diferentes hiper-parâmetros para 4 poços offshore no pré-sal da Bacia de Santos. De forma geral, os modelos de floresta aleatória apresentaram resultados superiores para cada poço, mas não houve uma combinação de hiper-parâmetros ótima comum entre os poços.

Referências

Al Sairafi, F., Al Ajmi, K., Yigit, A., and Christoforou, A. (2016). Modeling and control of stick slip and bit bounce in oil well drill strings. In SPE/IADC Middle East Drilling Technology Conference and Exhibition. OnePetro.

Barbosa, L. F. F., Nascimento, A., Mathias, M. H., and de Carvalho Jr, J. A. (2019). Machine learning methods applied to drilling rate of penetration prediction and optimization-a review. Journal of Petroleum Science and Engineering, 183:106332.

GANDELMAN, R. A. (2012). Prediçao da rop e otimizaçao em tempo real de parâmetros operacionais na perfuraçao de poços de petróleo offshore. Master’s thesis, Universidade Federal do Rio de Janeiro.

Hegde, C., Daigle, H., Millwater, H., and Gray, K. (2017). Analysis of rate of penetration (ROP) prediction in drilling using physics-based and data-driven models. Journal of Petroleum Science and Engineering, 159:295–306.

Hegde, C. and Gray, K. (2017). Use of machine learning and data analytics to increase drilling efficiency for nearby wells. Journal of Natural Gas Science and Engineering, 40:327–335.

Hegde, C., Pyrcz, M., Millwater, H., Daigle, H., and Gray, K. (2020). Fully coupled end-to-end drilling optimization model using machine learning. Journal of Petroleum Science and Engineering, 186:106681.

Morais, J. M. d. (2013). Petróleo em águas profundas: uma história tecnológica da Petrobras na exploração e produção offshore. Instituto de Pesquisa Econômica Aplicada (Ipea).

Shi, X., Liu, G., Gong, X., Zhang, J., Wang, J., and Zhang, H. (2016). An efficient approach for real-time prediction of rate of penetration in offshore drilling. Mathematical Problems in Engineering, 2016:1–13.

Thomas, J. (2001). Fundamentos de engenharia de petróleo. Interciência.