Título
PREVISÃO DE TAXA DE PERFURAÇÃO EM POÇOS DE PETRÓLEO OFFSHORE UTILIZANDO ALGORITMOS DE APRENDIZADO DE MÁQUINA
Orientador(a)
Orientador: Profa. Janaína Sant’Anna Gomide Gomes
Resumo
A taxa de perfuração (ROP) de um poço de petróleo é uma métrica muito importante de se controlar, por influenciar diretamente na produtividade do poço, no desgaste da broca e na segurança do poço e operação. Este trabalho avalia a utilização de metodologias de Aprendizado de Máquina para previsão da ROP em poços de petróleo offshore como alternativa para modelos tradicionalmente utilizados pela indústria. Após uma revisão geral dos principais conceitos de engenharia de petróleo e aprendizado de máquina relevantes para o trabalho, apresentou-se um conjunto de trabalhos relacionados, que também aplicaram metodologias de aprendizado de máquina para a previsão de ROP, muitas vezes comparando o desempenho com os modelos tradicionais. Foram disponibilizados para realização dos experimentos numéricos deste trabalho os valores de profundidade do poço, profundidade da broca, peso sobre broca, torque do top drive, velocidade de rotação do top drive, vazão de entrada de fluido de perfuração, vazão de saída de fluido de perfuração, pressão de standpipe e inclinação do poço para porções de 4 poços offshore dos campos de Búzios e Sépia, no pré-sal da Bacia de Santos. Após a coleta e preparo dos dados, realizou-se diversos experimentos numéricos para cada poço, avaliando o desempenho de três modelos de aprendizado de máquina: regressão linear por gradiente descendente, árvore de decisão e floresta aleatória. Variou-se os hiper-parâmetros de número de amostras mínimo por folha na árvore de decisão, e de profundidade máxima e número de estimadores na floresta aleatória. A avaliação dos modelos foi feita utilizando as métricas de erro médio absoluto normalizado e R². Os melhores modelos foram, então, utilizados para avaliar a importância das características utilizadas e a possibilidade de aproveitar os dados de um poço para ajudar no treinamento de um modelo utilizado para prever a ROP em outro poço, utilizando aprendizado por transferência. De forma geral, os modelos de floresta aleatória apresentaram resultados superiores para cada poço, com exceção de um poço em que um modelo de árvore de decisão apresentou resultados levemente melhores. Houve diferenças também nos melhores hiper-parâmetros para cada poço, onde para alguns poços o resultado foi melhor para combinações de hiper-parâmetros que favorecessem a generalização do modelo, enquanto para outros os hiper-parâmetros que permitiam melhor ajuste mostraram-se mais adequados. De modo geral, os resultados foram inferiores àqueles obtidos na literatura, mas parâmetros de perfuração comumente considerados como extremamente importantes para a definição da ROP não estavam disponíveis para o trabalho, reduzindo o desempenho dos modelos.
Abstract
The rate of perforation (ROP) of an oil well is a very important metric to control, as it affects well productivity, bit wear, and well and operational security. This work evaluates the use of Machine Learning methodologies for predicting ROP in offshore oil wells as an alternative for other models traditionally used by the industry. After a general revision of the petroleum engineering and machine learning concepts most relevant for this work, related works which also applied machine learning methodologies for ROP prediction, often comparing the performance to traditional models, were presented. In this work the features available for numeric experiments were well depth, bit depth, weight on bit, top drive torque, top drive rotary speed, drilling fluid inlet flow rate, drilling fluid outlet flow rate, standpipe pressure, and well inclination, all available for portions of 4 offshore wells on the Búzios and Sépia fields, in Santos Basin’s pre-salt. After collecting and preparing the data, many numeric experiments on each well were made, evaluating the performance of three machine learning models: gradient descent linear regression, decision tree, and random forest. For the decision tree, the minimum number of samples per leaf hyperparameter was varied, while the maximum depth and number of estimators hyperparameters were varied for the random forest. The models were evaluated using the normalized mean absolute error and the R². The best models were, then, used to evaluate the feature importance and the possibility of using the data of one well to improve the training of a model to predict the ROP in another well, using transfer learning. In general, random forest models performed the best for each well, except for one well, in which a decision tree model performed slightly better. The best hyperparameters were also different for each well; for some wells, the best result occurred for hyperparameter combination that favored model generalization, while for others hyperparameters that favored a better model fit performed better. In general, results were inferior to those obtained in the literature, but drilling parameters widely considered as extremely important for determining the ROP were not available for this work, reducing the models’ performance.
