| Resumo: | Estratégias de previsão de produção de reservatórios que gerem resultados precisos de
maneira eficaz são motivo de extensa pesquisa na literatura, geralmente financiada pela indústria.
Nesta, destacam-se duas abordagens: o ajuste de histórico, e a agregação de modelos.
No primeiro método, uma malha 3D que imita o reservatório real tem parâmetros como porosidade
e permeabilidade calibrados através de comparações entre simulações de produção
e observações da produção do reservatório físico. Feita a calibração, simulações de produção
da malha gerarão estimativas precisas da produção do reservatório real. Trata-se de um
método pouco abstrato, embora extremamente exigente em complexidade computacional.
Por outro lado, a agregação de modelos é um método numérico que baseia suas previsões em
um grupo de especialistas e no erro acumulado durante previsões passadas. Os especialistas
consistem em modelos sintéticos do reservatório que para cada passo de tempo fornecem
uma sugestão da produção; através de uma regra de agregação, as sugestões são ponderadas
com respeito ao erro acumulado, gerando a estimativa. Em comparação ao ajuste de histórico,
trata-se de um método mais abstrato, mas com aplicabilidade flexível além de reservatórios
e exigência mínima de capacidade computacional. Todavia, os métodos de agregação de
modelos sedimentados na literatura não são capazes de considerar um fenômeno típico em
reservatórios: o ruído de medição. Este trabalho compara, através de simulações numéricas,
a precisão de 3 métodos de agregação bem estabelecidos na literatura, a saber, o Ridge, o
Lasso e a Média Ponderada Exponencial, contra um quarto e novo método, a Agregação de
Modelos Adaptativa, que usa filtro ativo inspirado no trabalho de Fortaleza, Gomes et al.
(2022) para tornar as previsões mais robustas contra ruído de medição, em particular as
previsões à curto prazo (1 ano). O Filtro Adaptativo é um mecanismo matemático simples e
de fácil implementação industrial que busca melhorar sensibilidade intrínseca da Média
Móvel àqueles especialistas que contribuem menos ao erro acumulado. Após apresentar os
detalhes e funcionamento de cada método de agregação, a análise comparativa dos erros
relativos mostrou que o método proposto forneceu as melhores previsões, que se tornam
tão melhores, i.e., menos imprecisos, quanto melhor ajustados forem seus parâmetros. Em
suma, a Agregação de Modelos Adaptativa foi validada como método de agregação com
previsões precisas e velocidade computacional relativamente alta. |
