Baixe o app para aproveitar ainda mais
Prévia do material em texto
UNIVERSIDADE FEDERAL DO RIO GRANDE DO NORTE PROGRAMA DE PÓS-GRADUAÇÃO EM CIÊNCIA E ENGENHARIA DE PETRÓLEO Processamento Inteligente de Sinais de Pressão e Temperatura Adquiridos Através de Sensores Permanentes em Poços de Petróleo Paulo Roberto da Motta Pires Prof. Dr. Adrião Duarte Dória Neto Orientador Prof. Dr. Jorge Dantas de Melo Coorientador Natal, RN, fevereiro de 2012 UNIVERSIDADE FEDERAL DO RIO GRANDE DO NORTE PROGRAMA DE PÓS-GRADUAÇÃO EM CIÊNCIA E ENGENHARIA DE PETRÓLEO Processamento Inteligente de Sinais de Pressão e Temperatura Adquiridos Através de Sensores Permanentes em Poços de Petróleo Paulo Roberto da Motta Pires Prof. Dr. Adrião Duarte Dória Neto Orientador Prof. Dr. Jorge Dantas de Melo Coorientador Dissertação submetida ao Programa de Pós- Graduação em Ciência e Engenharia de Pe- tróleo — área de concentração: Automação na Indústria de Petróleo e Gás Natural — como parte dos requisitos para obtenção do título de Mestre em Ciências. Natal, RN, fevereiro de 2012 Catalogação da Publicação na Fonte. UFRN / SISBI / Biblioteca Setorial Especializada do Centro de Ciências Exatas e da Terra – CCET. Pires, Paulo Roberto da Motta. Processamento Inteligente de Sinais de Pressão e Temperatura Adquiridos Através de Sensores Permanentes em Poços de Petróleo / PauloRoberto da Motta Pires. – Natal, RN, 2012. 73 f. : il. Orientador: Prof. Dr. Adrião Duarte Dória Neto. Coorientador: Prof. Dr. Jorge Dantas de Melo. Dissertação (Mestrado) – Universidade Federal do Rio Grandedo Norte. Centro de Ciências Exatas e da Terra. Programa de Pós-Graduação em Ciência e Engenharia de Petróleo. 1. Engenharia de petróleo – Dissertação. 2. Transformada Wavelet – Dis- sertação. 3. Filtragem de ruído – Dissertação. 4. Redes neurais artificiais – Dissertação. 5. Poços marinhos - Monitoramento – Dissertação. 6. Sensores permanentes – Dissertação. I. Dória Neto, Adrião Duarte. II. Melo, Jorge Dan- tas de. III. Título. RN/UF/BSE-CCET CDU 665.6 Processamento Inteligente de Sinais de Pressão e Temperatura Adquiridos Através de Sensores Permanentes em Poços de Petróleo Paulo Roberto da Motta Pires Dissertação de Mestrado aprovada em 06 de fevereiro de 2012 pela banca examinadora composta pelos seguintes membros: Prof. Dr. Adrião Duarte Dória Neto (orientador) DCA/UFRN Prof. Dr. Jorge Dantas de Melo (coorientador) DCA/UFRN Prof. Dr. Wilson da Mata (membro interno) DPET/UFRN Dr. Marcos Vitor Barbosa Machado (membro externo) Petróleo Brasileiro S.A – Petrobras Este trabalho é dedicado a quem o dá sentido: Ana Carla, Patafônsio, Safira e Laura. Agradecimentos Gostaria de estender meus agradecimentos àqueles sem os quais dificilmente comple- taria o presente trabalho. Aos meus pais, Paulo e Matilde, pelos ensinamentos passadosatravés de exemplos. Aos meus irmãos, Lucianna, Lianne e Sérgio, por serem motivode orgulho em tudo o que fazem. Aos meus orientadores, Prof. Dr. Adrião Duarte Dória Neto e Prof. Dr. Jorge Dantas de Melo, pelo constante incentivo e pela compreensão que demonstraram nos momentos em que estive sob grande demanda. Ao membros da banca de defesa, Prof. Dr. Wilson da Mata e Dr. Eng. Marcos Vitor Barbosa Machado, pelas valiosas contribuições ao texto finale sugestões de continuidade do trabalho. À Universidade Federal do Rio Grande do Norte, pela minha formação acadêmica e pessoal. À Petrobras, pela cessão dos dados de campo para serem usadosna presente disserta- ção e, principalmente, pela oportunidade de fazer parte do seu quadro de funcionários. 3 Resumo Originalmente voltadas ao monitoramento da operação, as medições contínuas de pressão e temperatura no fundo de poço, realizadas através de PDGs (do inglês,Perma- nent Downhole Gauges), encontram vasta aplicabilidade no gerenciamento de reservató- rios. Para tanto, permitem o monitoramento do desempenho depoços e a estimativa de pa- râmetros de reservatórios no longo prazo. Contudo, a despeito de sua inquestionável uti- lidade, os dados adquiridos de PDG apresentam grande conteúdo de ruído. Outro aspecto igualmente desfavorável reside na ocorrência de valores espúrios (outliers) imersos entre as medidas registradas pelo PDG. O presente trabalho abordao tratamento inicial de si- nais de pressão e temperatura, mediante técnicas de suavização, mapas auto-organizáveis e transformadawaveletdiscreta. Ademais, propõe-se um sistema de detecção de transien- tes relevantes para análise no longo histórico de registros, baseado no acoplamento entre clusterizaçãofuzzye redes neuraisfeed-forward. Os resultados alcançados mostraram-se de todo satisfatórios para poços marinhos, atendendo a requisitos reais de utilização dos sinais registrados por PDGs. Palavras-chave: Sensores Permanentes (PDG). Filtragem de Ruído. Transformada WaveletDiscreta. Mapas Auto-Organizáveis (SOM). Sistemas Neuro-Fuzzy. 5 Abstract Originally aimed at operational objectives, the continuous measurement of well bot- tomhole pressure and temperature, recorded by permanent downhole gauges (PDG), finds vast applicability in reservoir management. It contributes for the monitoring of well per- formance and makes it possible to estimate reservoir parameters on the long term. Howe- ver, notwithstanding its unquestionable value, data from PDG is characterized by a large noise content. Moreover, the presence of outliers within valid signal measurements seems to be a major problem as well. In this work, the initial treatment of PDG signals is addres- sed, based on curve smoothing, self-organizing maps and thediscrete wavelet transform. Additionally, a system based on the coupling of fuzzy clustering with feed-forward neural networks is proposed for transient detection. The obtainedresults were considered quite satisfactory for offshore wells and matched real requisites for utilization. Keywords: Permanent Downhole Gauges (PDG). Noise Filtering. Discrete Wavelet Transform (DWT). Self-Organizing Maps (SOM). Neuro-Fuzzy Systems. 7 Sumário Sumário i Lista de Figuras iii Lista de Tabelas viii 1 Contexto e Motivação 1 1.1 Introdução . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1 1.2 Delimitação do Problema . . . . . . . . . . . . . . . . . . . . . . . . . . 2 1.3 Objetivos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3 1.4 Organização do Texto . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3 2 Conceitos Fundamentais 5 2.1 Instrumentação de Poços Marinhos . . . . . . . . . . . . . . . . . . .. . 5 2.2 Suavização de Sinais . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6 2.2.1 SplinesCúbicas . . . . . . . . . . . . . . . . . . . . . . . . . . . 7 2.2.2 Regressão Local Ponderada . . . . . . . . . . . . . . . . . . . . 8 2.3 A TransformadaWaveletDiscreta . . . . . . . . . . . . . . . . . . . . . 9 2.3.1 Remoção de Valores Espúrios . . . . . . . . . . . . . . . . . . . 11 2.3.2 Filtragem de Ruído . . . . . . . . . . . . . . . . . . . . . . . . . 11 2.4 ClusterizaçãoFuzzy . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13 2.5 Redes Neurais Artificiais . . . . . . . . . . . . . . . . . . . . . . . . . . 14 2.5.1 Redes NeuraisFeed-Forward. . . . . . . . . . . . . . . . . . . . 15 i 2.5.2 Mapas Auto-Organizáveis . . . . . . . . . . . . . . . . . . . . . 17 3 Revisão Bibliográfica 19 3.1 Confiabilidade e Precisão das Medições Registradas por PDGs . . . . . . 19 3.2 Aplicação de PDGs e Problemas em Aberto . . . . . . . . . . . . . . .. 20 3.3 Tratamento e Interpretação dos Dados . . . . . . . . . . . . . . . .. . . 20 3.4 Processamento Através da TransformadaWavelet . . . . . . . . . . . . . 22 3.5 Detecção Automática de Transientes . . . . . . . . . . . . . . . . .. . . 23 4 Tratamento Inicial dos Dados 25 4.1 Remoção de Valores Espúrios . . . . . . . . . . . . . . . . . . . . . . . 25 4.1.1 Remoção Através de Mapas Auto-Organizáveis . . . . . . . . .. 26 4.1.2 Remoção Através da TransformadaWaveletDiscreta . . . . .. . 32 4.2 Filtragem de Ruídos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35 4.2.1 Suavização Através deSplinesCúbicas . . . . . . . . . . . . . . 35 4.2.2 Suavização Através de Regressão Local . . . . . . . . . . . . . .40 4.2.3 Filtragem Através da TransformadaWaveletDiscreta . . . . . . . 43 5 Identificação Automática de Transientes 47 5.1 Descrição do Problema . . . . . . . . . . . . . . . . . . . . . . . . . . . 47 5.2 Metodologia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49 5.3 Primeira Abordagem . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51 5.4 Segunda Abordagem . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56 6 Considerações Finais 65 6.1 Conclusões . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65 6.2 Sugestões para Trabalhos Futuros . . . . . . . . . . . . . . . . . . .. . 66 Referências Bibliográficas 68 Lista de Figuras 2.1 Posicionamento do PDG e do TPT em um poço marinho. . . . . . . .. . 6 2.2 Representação do processo de decomposição do sinal através da transfor- madawaveletdiscreta. . . . . . . . . . . . . . . . . . . . . . . . . . . . 10 2.3 Representação esquemática de um neurônio da redefeed-forward. . . . . 16 2.4 Representação de uma rede neuralfeed-forwardcom duas camadas es- condidas. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17 4.1 Sinal de pressão registrada por PDG com significativa ocorrência de va- lores espúrios. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26 4.2 Registros de pressão e temperatura considerados para processamento atra- vés de um mapa auto-organizável. . . . . . . . . . . . . . . . . . . . . . 27 4.3 Posicionamento dos neurônios da rede segundo seus pesosapós treina- mento. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27 4.4 Discriminação dos registros de pressão associados aosclustersde 1 a 8. . 28 4.5 Registros de temperatura sugeridos como espúrios a partir da classificação imposta pelo mapa auto-organizável. . . . . . . . . . . . . . . . . . . .. 29 4.6 Histórico de pressão após remoção de pontos espúrios pelo mapa auto- organizável. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29 4.7 Histórico de temperatura após remoção de pontos espúrios pelo mapa auto-organizável. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30 4.8 Posicionamento dos pesos sinápticos de cada neurônio domapa auto- organizável após segundo treinamento. . . . . . . . . . . . . . . . . .. . 31 4.9 Histórico de pressão após segunda remoção de valores espúrios. . . . . . 31 4.10 Histórico de temperatura após segunda remoção de valores espúrios. . . . 32 4.11 Conteúdo de valores espúrios no sinal de pressão registrado pelo PDG. . . 32 v 4.12 Conteúdo de valores espúrios no sinal de temperatura registrado pelo PDG. 33 4.13 Remoção de pontos espúrios do sinal de pressão através datransformada waveletdiscreta. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34 4.14 Remoção de pontos espúrios do sinal de temperatura através da transfor- madawaveletdiscreta. . . . . . . . . . . . . . . . . . . . . . . . . . . . 34 4.15 Suavização do sinal de pressão através desplinescúbicas: parâmetro de suavizaçãop = 0,90. . . . . . . . . . . . . . . . . . . . . . . . . . . . 36 4.16 Suavização do sinal de pressão através desplinescúbicas: parâmetro de suavizaçãop = 0,95. . . . . . . . . . . . . . . . . . . . . . . . . . . . 36 4.17 Suavização do sinal de pressão através desplinescúbicas: parâmetro de suavizaçãop = 0,99. . . . . . . . . . . . . . . . . . . . . . . . . . . . 37 4.18 Suavização do sinal de pressão através desplinescúbicas: parâmetro de suavizaçãop = 0,999. . . . . . . . . . . . . . . . . . . . . . . . . . . . 37 4.19 Perda de resolução nos períodos de transiente: parâmetro de suavização p = 0,90. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38 4.20 Perda de resolução nos períodos de transiente: parâmetro de suavização p = 0,95. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38 4.21 Perda de resolução nos períodos de transiente: parâmetro de suavização p = 0,99. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39 4.22 Perda de resolução nos períodos de transiente: parâmetro de suavização p = 0,999. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39 4.23 Suavização do sinal de pressão através de regressão local: janela de 1,0 %. 40 4.24 Suavização do sinal de pressão através de regressão local: janela de 0,5 %. 41 4.25 Suavização do sinal de pressão através de regressão local: janela de 0,1 %. 41 4.26 Imprecisões nos instantes de quebra de tendência em função do tamanho de janela adotado. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42 4.27 Filtragem de ruído através da transformadawaveletdiscreta: limiar cal- culado segundo abordagemSURE; limiarização suave (soft thresholding). 43 4.28 Filtragem de ruído através da transformadawaveletdiscreta: limiar cal- culado segundo abordagemSURE; limiarização brusca (hard thresholding). 44 4.29 Filtragem de ruído através da transformadawaveletdiscreta: limiar cal- culado segundo abordagemMINIMAX . . . . . . . . . . . . . . . . . . . 44 4.30 Filtragem de ruído através da transformadawaveletdiscreta: limiar cal- culado segundo abordagemUNIVERSAL. . . . . . . . . . . . . . . . . . 45 4.31 Conservação dos pontos de quebra de tendência mesmo apósfiltragem de ruído baseada na transformadawaveletdiscreta. . . . . . . . . . . . . . . 46 5.1 Histórico de pressão registrado pelo PDG de um poço injetor. . . . . . . . 48 5.2 Exemplo de transientes de pressão e temperatura induzidos pelo fecha- mento de um poço produtor. . . . . . . . . . . . . . . . . . . . . . . . . 49 5.3 Representação do sistema FCNN, proposto para identificação de transi- entes nos sinais registrados por PDG. . . . . . . . . . . . . . . . . . . .. 50 5.4 Período de registro utilizado para treinamento do sistema. . . . . . . . . . 51 5.5 Detalhe do transiente de interesse no conjunto de treinamento. . . . . . . 51 5.6 Comportamento das funções de pertinência a cada um dos oito clusters para o conjunto de treinamento. . . . . . . . . . . . . . . . . . . . . . . . 53 5.7 Configuração da rede neuralfeed-forwardutilizada para classificação de transientes. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54 5.8 Resultados da classificação estimada pela rede neural para o conjunto de treinamento. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54 5.9 Detalhe da identificação do transiente de interesse no período adotado para treinamento. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55 5.10 Histórico completo de pressão e temperatura submetidoao diagnóstico do sistema de identificação de transientes. . . . . . . . . . . . . . . . .. . . 55 5.11 Detalhe das variações de temperatura no histórico completo. . . . . . . . 56 5.12 Resultados da classificação pela rede neural a partir de todo o histórico de registros de pressão e temperatura. . . . . . . . . . . . . . . . . . . . .. 56 5.13 Detalhe da classificação estimada para o primeiro transiente de interesse no conjunto de dados. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57 5.14 Detalhe da classificação estimada para o segundo transiente de interesse no conjunto de dados. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57 5.15 Remoção de tendência do sinal de pressão. . . . . . . . . . . . . .. . . . 58 5.16 Remoção de tendência do sinal de temperatura. . . . . . . . . .. . . . . 59 5.17 Comportamento das funções de pertinência após remoção de tendência dos sinais. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 60 5.18 Resultado da classificação para o conjunto de treinamento. . . . . . . . . 61 5.19 Resultado da classificação após remoção de tendências. ... . . . . . . . 61 5.20 Detalhe da classificação estimada para o primeiro transiente. . . . . . . . 62 5.21 Detalhe da classificação estimada para o segundo transiente. . . . . . . . 62 5.22 Detalhe da classificação de um transiente não relevante. . . . . . . . . . . 63 Lista de Tabelas 4.1 Valores adotados para os limiares de pressão durante remoção de valores espúrios. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33 4.2 Valores adotados para os limiares de temperatura durante remoção de va- lores espúrios. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33 ix CAPÍTULO 1 Contexto e Motivação O segmento de Exploração e Produção de Óleo e Gás Natural orienta-se fortemente à inovação tecnológica. Essa característica lhe confere alta capacidade de evolução e adaptação. Não à toa, a indústria caminha em direção a fronteiras exploratórias há pouco consideradas inacessíveis, regulamentações ambientais etrabalhistas mais restritivas, e requisitos de eficiência operacional sobretudo desafiadores. Esse novo cenário de atuação demanda, indubitavelmente, amparo acadêmico e de pesquisaaplicada. Este capítulo apresenta o contexto em que o presente trabalho se insere, estabelecendo as motivações e a delimitação do problema abordado. Descreve ainda a organização do texto nos capítulos subsequentes. 1.1 Introdução O gerenciamento de campos produtores de óleo e gás natural assume em grande parte viés investigativo. Isto se dá em virtude de ser moldado pelocomportamento de reserva- tórios, sobre o qual invariavelmente remanescem incertezas, a despeito da implementação de etapas iniciais de avaliação ou aquisição de dados. Desta forma, um dos principais impulsionadores do gerenciamento reside na extra- ção eficiente de informações a partir da manipulação e integração de grandes massas de dados, provenientes de todos os sistemas de um campo produtor. Em geral, compõem o conjunto de dados disponíveis as mais díspares aquisições em termos de origem, finali- dade, periodicidade, precisão e acurácia de medição. A otimização da produção requer a cointerpretação de dados tão diferentemente ad- quiridos quanto medições em tempo real na planta de processamento e amostragens com propósito de caracterização de reservatórios nos estágiosiniciais do desenvolvimento do campo. Essa visão integrada se baseia em estratégias eficientes de tratamento de dados 2 CAPÍTULO 1. CONTEXTO E MOTIVAÇÃO brutos e extração de informações relevantes não óbvias, aninhadas nas relações implícitas entre variáveis diferentes. Neste contexto, as medições contínuas efetuadas em poços produtores e injetores con- sistem em valiosas fontes de informação. Mediante registros de pressão e temperatura em diferentes poços, parâmetros de reservatório, como transmissibilidades e comunicação en- tre poços, podem ser inferidos. Do mesmo modo, oferecem subsídios ao monitoramento da produtividade (ou injetividade), permitindo a identificação de dano ou estimulação de poços. Em poços marinhos, registros contínuos de pressão e temperatura derivam de ins- trumentos acomodados permanentemente na coluna de produção (injeção) — chamados Permanent Downhole Gauges(PDG) — e na árvore de natal molhada (ANM) — deno- minados Transmissores de Pressão e Temperatura (TPT). A periodicidade de aquisição implementadas pelos PDGs e TPTs é não raro fixada em poucos segundos, resultando em grande demanda de armazenamento. Outro problema em que incorrem reside no signi- ficativo conteúdo de ruído e leituras espúrias (outliers), fruto de condições operacionais severas, entre outros fatores. Revelam-se frequentes aindaperíodos de ausência ou degra- dação de sinal, tanto devido a falhas nos instrumentos quanto por problemas de interface em superfície. Neste trabalho, empregam-se técnicas de processamento digital de sinais e sistemas inteligentes como estratégia para limpeza e obtenção de informações relevantes a partir de sinais de pressão e temperatura adquiridos através de PDG empoços marinhos. Abordam- se os problemas relativos ao tratamento inicial dos dados e àidentificação automática de transientes. 1.2 Delimitação do Problema O tratamento de sinais adquiridos mediante PDG assume foco de diversos trabalhos técnicos veiculados nas principais publicações da indústria de petróleo. Trata-se de um tema rendoso, do qual se podem explorar vários aspectos. O presente trabalho se concentra no tratamento de dados provenientes de medições reais de campo. Os sensores de que se originaram tais registros acomodam-se a cerca de 2.500 metros a partir do nível do mar, e afixam-se a colunas de poços produtores 1.3. OBJETIVOS 3 horizontais, perfurados em reservatórios areníticos a profundidades verticais totais de até 3.500 metros. As tarefas abaixo delimitam o escopo explorado. • Filtragem de ruído contaminante dos sinais de pressão e temperatura. • Eliminação de valores espúrios (outliers). • Identificação automática de transientes relevantes. 1.3 Objetivos Mediante o uso de técnicas de processamento de sinais e inteligência artificial, o obje- tivo do trabalho aqui descrito reside no pré-processamento(filtragem de ruído e remoção de registros espúrios) e extração de informações relevantes dos sinais de temperatura e pressão adquiridos através de PDG de poços marinhos. 1.4 Organização do Texto Em seus capítulos subsequentes, a presente dissertação está assim organizada: Capítulo 2 – Conceitos Fundamentais: provê a descrição fundamental das técnicas de processamento utilizadas no trabalho. Em linhas gerais, apresenta-se também a instru- mentação de poços marinhos, foco do trabalho. Capítulo 3 – Revisão Bibliográfica: compila as diversas soluções e abordagens apre- sentadas pelas principais publicações relacionadas. Capítulo 4 – Tratamento Inicial dos Dados: discute o tratamento inicial realizado sobre os dados de campo. Apresentam-se resultados da filtragem de ruído e remoção de valores espúrios. 4 CAPÍTULO 1. CONTEXTO E MOTIVAÇÃO Capítulo 5 – Identificação Automática de Transientes: apresenta o sistema inteli- gente, baseado em clusterizaçãofuzzye redes neuraisfeed-forward, desenvolvido para identificação automática de transientes relevantes. Capítulo 6 – Considerações Finais: encerra conclusões acerca das abordagens adota- das e resultados alcançados. São descritas também propostas para trabalhos futuros. CAPÍTULO 2 Conceitos Fundamentais O processamento de sinais adquiridos através de PDG requer otratamento de diver- sos aspectos, entre eles a filtragem de ruído e a remoção de valores espúrios. Adicio- nalmente, este trabalho concentra-se na identificação de transientes relevantes a partir do treinamento de um sistema neuro-fuzzy. O presente capítulo fornece a fundamentação técnica por trás dos desenvolvimentos apresentados. 2.1 Instrumentação de Poços Marinhos A completação de poços produtores e injetores em ambiente marinho (offshore) prevê a instalação de sensores permanentes de fundo, ou PDG (do inglês,Permanent Downhole Gauge), e na árvore de natal molhada, ou TPT (Transmissor de Pressão e Temperatura). Esses instrumentos oferecem registros contínuos de pressão e temperatura, dados essen- ciais sobretudo ao monitoramento dos sistemas de elevação artificial e escoamento, e ao gerenciamento de reservatórios. A Figura 2.1 ilustra esquematicamente o posicionamento dos sensores em um poço marinho. Dadas as condições em que operam, acomodados a centenas ou, não raro, milhares de metros de profundidade, fornecem sinais com alto conteúdo de ruído e são contaminados com valores e comportamentos espúrios. Desta forma, a utilização de dados de PDG e TPT requer uma etapa de pré-processamento, composta pela filtragem de ruído e remoção de valores espúrios. Registros de pressão e temperatura através de PDG e TPT são caracterizados por al- tas taxas de aquisição, com períodos da ordem de segundos. Esse refinamento se mostra útil em análisesde avaliação de formações, mas resulta em uma alta demanda de arma- zenamento e transmissão. Há, assim, a necessidade de compressão, realizada mediante 6 CAPÍTULO 2. CONCEITOS FUNDAMENTAIS Figura 2.1: Posicionamento do PDG e do TPT em um poço marinho. eliminação de dados redundantes, isto é, conservando-se asfeições principais e os perío- dos de transiente do sinal original. São comuns ainda, períodos de congelamento ou ausência completa do sinal, rela- cionados a problemas em superfície ou em fundo de poço. Em geral, a reposição ou manutenção de PDGs defeituosos se depara com a necessidade de intervenções caras, com auxílio de sondas, e requer a supressão da produção (ou injeção) durante períodos relativamente longos, resultando em perdas. Portanto, técnicas de reconstrução do sinal, também conhecidas como medição virtual, podem ser usadas para garantir continuidade do registro. 2.2 Suavização de Sinais A partir de dispersões de pontos, que podem consistir em medições experimentais ou registros adquiridos através de intrumentação industrial, por exemplo, diversas técnicas se mostram disponíveis para obtenção de curvas contínuas suaves, recriando a tendência 2.2. SUAVIZAÇÃO DE SINAIS 7 principal do conjunto de dados. Considere-se uma sequência den pontos (xi , yi) parai = 0, 1, · · · , n (2.1) em que yi = f (xi) + σi (2.2) ondeσi remete à imprecisão da medidayi, por decorrência de ruído ou degradação da instrumentação. A aplicação de um processo de suavização pode conduzir a redução de ruído nas medidas, conservando o comportamento relevante do sinal originalf (xi). Duas técnicas de suavização foram aplicadas aos sinais de PDG, como estratégia simples para redução de ruídos. As seções abaixo descrevem em linhas gerais o uso de splinescúbicas e regressão local ponderada. 2.2.1 SplinesCúbicas Técnicas de aproximação de curvas fundamentadas emsplinescúbicas consistem na concatenação de polinômios de terceira ordem (MATHWORKS, 2008), descritos pela Equação 2.3. Si (x) = ai (x−xi) 3 + bi (x−xi) 2 + ci (x−xi) + di parax ∈ [xi ,xi+1] (2.3) Em trabalhos de interpolação, durante o ajuste dos coeficientes ai , bi , ci e di , um dos requisitos de que se lança mão é a necessidade de que cada polinômio passe exata- mente sobre os pontos extremos dos intervalos a que correspondem, como descrito pelas Equações 2.4 e 2.5. Si (xi) = yi (2.4) 8 CAPÍTULO 2. CONCEITOS FUNDAMENTAIS Si (xi+1) = yi+1 (2.5) Diferentemente, a aplicação desplinescúbicas para suavização requer apenas a obten- ção de uma nova curva que recrie a tendência geral dos pontos,mas não necessariamente ajustada a todos. Assim, impõem-se apenas restrições referentes à continuidade da curva ajustada e de suas derivadas primeira e segunda, conforme Equações 2.6 a 2.8. Si−1(xi) = Si (xi) (2.6) S′i−1(xi) = S ′ i (xi) (2.7) S′′i−1(xi) = S ′′ i (xi) (2.8) O ajuste dos coeficientes de cada polinômio no processo de suavização figura como um problema de minimização, cuja função objetivo assume a forma apresentada na Equa- ção 2.9. M = p n ∑ i=0 [S(xi) − yi] + (1− p) Z ∣ ∣S′′(x) ∣ ∣ 2 dx p∈ [0, 1] (2.9) onde p representa o fator de suavização do ajuste. Para valores dep próximos de 1, privilegia-se a aproximação da curva aos pontos originais do conjunto de dados. Por outro lado, valores dep tendendo a 0, orientam o processo de ajuste a priorizar a suavidade da curva (baixas curvaturas). 2.2.2 Regressão Local Ponderada A regressão local ponderada (do inglês,Locally Weighted Regression and Smoothing Scatterplots, LOESS) foi proposta por Cleveland (1979), com desenvolvimentos posteri- ores apresentados por Cleveland e Devlin (1988). A técnica se fundamenta no ajuste local de polinômios, comumente de segunda or- dem, para cada ponto no conjunto original de dados. No método, considera-se como 2.3. A TRANSFORMADAWAVELETDISCRETA 9 parâmetro de entrada uma janela ou intervalo de pontos, que define a vizinhança do ponto correntemente estimado. Para ajuste do polinômio, pesos são atribuídos a cada um dos pontos na janela em consideração, reservando-se os maioresvalores àqueles mais pró- ximos ao ponto correntemente estimado. A função em geral adotada para atribuição de pesos é denominadatri-cube, apresentada pela Equação 2.10. W (xi) = ( 1− ∣ ∣ ∣ ∣ x−xi d(x) ∣ ∣ ∣ ∣ 3)3 (2.10) ondex consiste na posição da abcissa associada ao valor a ser suavizado;xi representa um ponto qualquer na janela considerada;d(x) corresponde à distância ao longo da abcissa entre o ponto avaliadox e o mais distante ponto na janela considerada. A regressão local ponderada, assim, atende à minimização da seguinte função objetivo. M (x) = 1 n n ∑ i=1 W (xi) ( yi − p ∑ j=0 β jx j )2 (2.11) onde p e β representam o grau e os coeficientes, respectivamente, do polinômio a ser ajustado. Uma modificação importante ao método LOESS reside na sua versão robusta, em que cálculos adicionais evitam a contabilização de valores espúrios (outliers) na determinação da curva suavizada, atribuindo-lhes pesos nulos, (MATHWORKS, 2008). Essa aborda- gem foi utilizada no presente trabalho, dado que sinais registrados por PDG exibem alto conteúdo de valores espúrios. 2.3 A Transformada WaveletDiscreta A transformadawaveletdiscreta (Discrete Wavelet Transform) figura como uma po- derosa ferramenta para processamento digital de sinais.Grosso modo, trata-se de um processo de decomposição através de filtragens passa-alta epassa-baixa. As primeiras encontram sucesso em aplicações de identificação e localização de detalhes locais do si- nal. As segundas podem ser vistas como aproximações do sinal, conservando suas feições de longo prazo. No processamento de sinais de PDG, essas características datransformadawavelet 10 CAPÍTULO 2. CONCEITOS FUNDAMENTAIS são de grande valor. Invariavelmente, a pressão de fluxo apresenta em seu histórico di- versos transientes. Em algumas aplicações, esses transientes devem ser identificados e analisados; em outras, busca-se sua remoção. As filtragens passa-alta e passa-baixa, realizadas pela transformadawaveletdiscreta, são definidas por operações numéricas de convolução, apresentadas pelas Equações 2.12 e 2.13 abaixo. d[n] = +∞ ∑ k=−∞ x[k] ·g[2n−k] (2.12) s[n] = +∞ ∑ k=−∞ x[k] ·h[2n−k] (2.13) onded representa os "detalhes" do sinal, correspondentes ao seu conteúdo de alta frequên- cia; esconsiste na "aproximação" do sinal, em seus componentes de mais baixa frequên- cia. g[·] e h[·] representam os coeficientes dos filtros passa-alta e passa-baixa, respectiva- mente. O processo de decomposição é realizado em diferentes níveis. Em cada nível, aplica- se a transformadawaveletsobre o resultado da filtragem passa-baixa. Esse processo pode ser representado graficamente pela Figura 2.2. j = 0 j = 1 j = 2 j = 3 h g h g h g Aprox. Detalhe Figura 2.2: Representação do processo de decomposição do sinal através da transformada waveletdiscreta. Fonte: Adaptado de Athichanagorn (1999). Os filtrosh e g revelam-se dependentes do tipo dewaveletadotada para análise. Em 2.3. A TRANSFORMADAWAVELETDISCRETA 11 geral, dispõe-se de um grande número com características diferentes. Entre as mais utili- zadas, encontram-se aswaveletsdeHaar e a família dewaveletsde Daubechies, (BUR- RUS et al., 1998). Para o tratamento de sinais de pressão e temperatura obtidosa partir de sensores permanentes, a transformadawaveletencontra duas aplicações principais, descritas nas subseções a seguir. 2.3.1 Remoção de Valores Espúrios O procedimento adotado para eliminação de pontos espúrios através da transformada waveletdiscreta segue a sequência de passos descrita abaixo, adotada por Nomura (2006), modificada de Bilen e Huzurbazar (2002). Passo 1.Proceder a transformadawaveletdiscreta de modo a se obter os detalhes de primeiro nível do sinal,Dk(1); Passo 2.Identificar todos os índicesi, para os quais |Di(1)| > τ (2.14) ondeτ consiste em um limiar estabelecido comoentrada ao procedi- mento. Passo 3.Utilizar os índicesi para determinar a exata localizaçãoj de pontos espúrios na sequência original de dados. j = { 2i, caso|y2i −y2i+1| > |y2i−2−y2i−1| 2i−1, caso contrário (2.15) Passo 4.Remover os pontos referentes a valores espúrios identificados no passo anterior. Passo 5.Reproceder os passos anteriores, adotando um valor deτ me- nor que o anterior. 2.3.2 Filtragem de Ruído A utilização da transformadawaveletdiscreta no tratamento de sinais ruidosos en- contra sua principal referência nos trabalhos desenvolvidos por Donoho (1995). Pires 12 CAPÍTULO 2. CONCEITOS FUNDAMENTAIS (2009) realiza a sua implementação através do método delifting, apresentado em Jensen e Cour-Harbo (2000), e ilustra sua aplicação para filtragem deruído em sinais de PDG. O processo consiste de uma filtragem não linear, (BURRUS et al.,1998), que assoma como uma das aplicações mais difundidas da transformada. Baseia-se na adoção de limiares (thresholds), abaixo dos quais os coeficientes de detalhes da transformada são considera- dos efeitos de ruído e assim forçadamente anulados ou reduzidos, segundo as abordagens abaixo. • Limiarização Brusca (Hard-Thresholding) – Essa estratégia consiste na imposição de um limiar únicoτ, bem definido. A técnica é descrita pela equação abaixo. T (Y,τ) = { Y, se|Y| ≥ τ 0, se|Y| < τ (2.16) ondeT (·) é o operador limiar,Y representa a DWT de um sinal discretoy, e τ consiste no limiar adotado para filtragem. • Limiarização Suave (Soft-Thresholding) – Nessa abordagem, também os coeficien- tes com valor absoluto superior ao limiar têm seus valores modificados, conforme Equação 2.17. T (Y,τ) = { sgn(Y)(|Y|− τ), se|Y| ≥ τ 0, se|Y| < τ (2.17) sendosgn(·) a função sinal. Assim, a filtragem de ruídos adotada, segue o procedimento abaixo, onde ˆx consiste no sinal filtrado,DWT(·) e IDWT(·) representam respectivamente as transformadaswa- veletdiscretas direta e inversa. Y = DWT(y) −→ X̂ = T (Y,τ) −→ x̂ = IDWT(X̂) (2.18) Um dos principais limitantes da utilização da transformadawaveletdiscreta para fil- tragem de ruídos reside na determinação de limiares ótimos,que permitam separar exa- tamente as amplitudes correspondentes ao sinal real e ao ruído adicionado. Há várias 2.4. CLUSTERIZAÇÃOFUZZY 13 estratégias para determinação de limiares. No presente trabalho, utilizaram-se as estraté- giasSURE, MINIMAX e UNIVERSAL, descritas em Mathworks (2008), Donoho (1995) e Ortiz et al. (2009). 2.4 ClusterizaçãoFuzzy A clusterização (ou agrupamento) de dados consiste em uma tarefa básica em inú- meras aplicações. Refere-se à segmentação de um conjunto de dados a partir das feições similares ou medidas de proximidade entre elementos. Diversas abordagens se prestam à clusterização de dados. Entre as mais popula- rem, figuram o algoritmo K-Means, fundamentado no conhecimento prévio do número declustersem que se deseja compartimentar o conjunto original, e a utilização de Mapas Auto-Organizáveis (Self-Organizing Maps), que consistem em redes neurais com estrutu- ras específicas, treinadas de forma não supervisionada. Ambas as técnicas implementam iterativamente ajustes no posicionamento de elementos representativos (ou centróides) de cadacluster. Ao final do processo de clusterização, cada elemento do conjunto de dados se associa unicamente a umclusterdo qual apresenta maior proximidade. Esse princípio é comumente referido através do termohard-clustering(clusterização definida). Nem todos os problemas de clusterização encontram boa solução na abordagemhard- clustering. Elementos associados a diferentesclusterspodem exibir semelhanças re- levantes. Assim, idealmente a clusterização deve considerar que um mesmo elemento apresente feições comuns aclustersdiferentes. Esse paradigma se faz conhecido como soft-clustering(clusterização suave). A clusterizaçãofuzzysegue essa abordagem, expres- sando graus de pertinência que cada elemento do conjunto de dados original apresenta em relação a cada um dosclustersconsiderados. Sua implementação se dá mais comumente através do algoritmoFuzzyC-Means(MATHWORKS, 2008). Para um conjunto comN elementos, a definição dos graus de pertinência aC clusters consiste em um problema de minimização, com função objetivodada pela Equação 2.19. Jm = N ∑ i =1 C ∑ j =1 umi j ||xi − c j || 2 (2.19) ondem consiste em um valor real, maior que a unidade;ui j representa o grau de perti- 14 CAPÍTULO 2. CONCEITOS FUNDAMENTAIS nência do elementoxi ao cluster j; c j figura como a posição do centro docluster j; e || · || indica uma norma qualquer, que possa expressar a similaridade entre o elemento do conjunto de dados e a posição do centro docluster. A cada iteração, o algoritmoFuzzyC-Meansrecalcula os graus de pertinência e atua- liza as posições do centro de cadacluster, conforme descrito pelas Equações 2.20 e 2.21, respectivamente. ui j = 1 C ∑ k=1 ( ||xi − c j || ||xi − ck|| ) 2 m−1 (2.20) c j = N ∑ i =1 umi j ·xi N ∑ i =1 umi j (2.21) O procedimento evolui até que o posicionamento de todos osclustersnão mais sofra modificações relevantes. A Equação 2.22 exprime matematicamente o critério de parada para o procedimento. maxi j {∣ ∣ ∣ u(k+1)i j − u (k) i j ∣ ∣ ∣ } < ε (2.22) ondek eε representam, respectivamente, a iteração corrente e a variação mínima de posi- ção de um dadocluster. Nos desenvolvimentos descritos pela presente dissertação, a clusterizaçãofuzzyfoi empregada aos dados de pressão e temperatura registrados por PDGs, como uma etapa inicial de um sistema voltado à identificação de transientesrelevantes. 2.5 Redes Neurais Artificiais Não raro, a percepção de relações implícitas entre variáveis ou a recriação da estrutura interna de um conjunto de dados revelam-se impossíveis de sealcançar através de métodos convencionais. Do mesmo modo, em se tratando de grandezas físicas, a indisponibilidade de modelos para o fenômeno que as correlacione pode representar uma limitação relevante 2.5. REDES NEURAIS ARTIFICIAIS 15 para análises. Redes neurais artificiais assumem, nesse contexto, um papel de grande importância. Na prática, consistem em metodologias matemático-computacionais voltadas à obtenção de regressões não-lineares ou ao mapeamento de feições essenciais em conjuntos de da- dos. A aprendizagem de regras de causalidade entre variáveis, mediante exposição a um conjunto de treinamento, pode habilitar uma rede neural a mimetizar um modelo físico não conhecido ou de difícil implementação. Com forte inspiração biológica, as redes neurais artificiaiscompõem-se de elemen- tos de processamento fundamentais, os chamados neurônios,conectados em topologias específicas, diferentes para cada tipo de rede. Essas estruturas armazenam conhecimento através de pesos sinápticos, que refletem a intensidade com que dois neurônios adjacen- tes se conectam. O ajuste desses pesos é alcançado mediante treinamento, para o qual diferentes abordagens e algoritmos se fazem disponíveis. As seções abaixo conduzem a uma descrição sucinta de dois tipos de rede utilizados no presente trabalho. 2.5.1 Redes NeuraisFeed-Forward Sob a denominação de redes neuraisfeed-forwardse agrupam metodologias matemá- ticas fundamentalmente voltadas para obtenção de regressões complexas, prestando-se ao mapeamento de pares entrada-saída. As redesfeed-forwardde maior projeção consistem nos chamados Perceptrons de Múltiplas Camadas, (HAYKIN, 1999). Sua topologia prevê a conectividade entre neurônios estabelecida de modo que a pro- pagação da informação (dados de entrada) se dê em um sentido apenas, donde deriva o termo em inglêsfeed-forward. Esse mecanismo de funcionamento se reflete na estrutura do neurônio. A Figura 2.3 apresenta um diagrama esquemáticodo neurônio artificial, (HAYKIN, 1999). 16 CAPÍTULO 2. CONCEITOS FUNDAMENTAIS x x 1 n yfΣ x2 w2 w1 ν wn ... Figura 2.3: Representação esquemática de um neurônio da redefeed-forward. Os sinais deentradaxi, que estimulam o neurônio, são atenuados ou amplificados por pesos sinápticoswi em cada conexão, e então somados para dar origem a um sinal de ativação,ν. Esse valor consiste no sinal de entrada para uma função de ativação f , que propriamente gera a resposta do neurônio. Diversas funções de ativação podem ser utilizadas. Entre as mais comuns, encontra-se a função tangente-sigmóide, definida pela Equação 2.23. f (ν) = eν − e−ν eν + e−ν (2.23) Os neurônios artificiais em redes neuraisfeed-forwardacomodam-se em topologias baseadas em camadas. Neurônios que integram uma mesma camada não apresentam conexões entre si. Recebem, no entanto, o mesmo sinal de entrada e suas respostas ali- mentam camadas posteriores. Os dados de entrada para a rede neural são adquiridos atravésde uma camada de entrada (input layer), e processados por sucessivas camadas escondidas (hidden layers) até atingir a camada de saída (output layer), em que se determina a resposta da rede. A Figura 2.4 ilustra uma rede com duas camadas escondidas. 2.5. REDES NEURAIS ARTIFICIAIS 17 Camada de Primeira Camada EscondidaEntrada Sinais de Entrada Escondida Segunda Camada Camada de Saida Resposta da Rede ... ... ... Figura 2.4: Representação de uma rede neuralfeed-forwardcom duas camadas escondi- das. Neurônios posicionados na camada de saída geralmente apresentam funções de ativa- ção puramente lineares, descritas pela Equação 2.24. f (ν) = ν (2.24) A redefeed forwardadquire conhecimento mediante o ajuste de seus pesos sinápticos. Para tanto, há diversos algoritmos de treinamento, baseados na retropropagação de erros ou, do inglês,backpropagation. Um dos algoritmos mais eficientes quanto à convergência e à demanda de processa- mento computacional consiste no algoritmo de Levenberg-Marquardt. O procedimento assemelha-se aos chamados métodos Quasi-Newton, sem, entretanto, calcular direta- mente a matriz Hessiana da rede em cada iteração, (MATHWORKS,2008). No presente trabalho, redes neuraisfeed-forwardforam acopladas à clusterização fuzzye utilizadas para detecção de transientes relevantes a partir de registros de pressão e temperatura adquiridos por PDGs. 2.5.2 Mapas Auto-Organizáveis As redes neurais classificadas como Mapas Auto-Organizáveis (do inglês,Self-Orga- nizing Maps, SOM) foram propostas por Kohonen (apud HAYKIN, 1999). Figuram como estruturas reticulares, em geral uni ou bidimensionais, que encontram aplicação principal- mente em processos de clusterização de dados. 18 CAPÍTULO 2. CONCEITOS FUNDAMENTAIS Os neurônios que compõem a rede apresentam conjuntos de pesos sinápticos, com- patíveis em dimensões com os vetores de entrada. No entanto,tais pesos não representam as intensidades das conexões entre neurônios. Diferentemente, estabelecem a resposta do neurônio a partir do grau de similaridades ou proximidade que apresentam em relação ao vetor de entrada. Um outro aspecto em que divergem das redesfeed-forwardreside na forma com que processam a informação. O vetor de dados submetido à rede alcança igualmente a todos os neurônios, ativando entretanto apenas àquele de cujos pesos sinápticos apresente maior proximidade. Deste modo, cada sinal de entrada estimula a apenas uma região específica da rede, mantendo o restante da estrutura inativo. A resposta fornecida pode consistir tanto no índice do neurônio ativado, quanto no vetor de pesossinápticos a ele associados. Os mapas auto-organizáveis utilizam o conceito de vizinhança em suas estruturas. Assim, cada neurônio percebe um número bem determinado de vizinhos, definido pela topologia da rede. Durante o processo de treinamento, a topologia da rede recria a es- trutura básica do conjunto de dados, através do posicionamento dos seus neurônios. Para tanto, três processos fundamentais conduzem à aquisição dainformação durante treina- mento, (HAYKIN, 1999): 1. Competição — Para cada exemplo fornecido durante treinamento, elege-se como vencedor o neurônio ativado pela proximidade ao dado de entrada. 2. Cooperação — O neurônio vencedor define uma vizinhança estimulada pelo exem- plo corrente. 3. Ajuste dos Pesos Sinápticos — Todos os neurônios na vizinhança estimulada pelo exemplo corrente têm seus pesos sinápticos ajustados de modo a incrementar sua proximidade a tal exemplo. Mapas auto-organizáveis foram aplicadas na presente dissertação como metodologia alternativa, baseada em clusterização, para eliminação devalores espúrios nos registros de pressão e temperatura provenientes de PDG. Descreveram-se aqui as principais ferramentas de que se fezuso para composição do trabalho. Com objetivo de se estabelecer o contexto técnico-acadêmico em que a pre- sente dissertação se insere, o Capítulo 3, a seguir, encerra uma compilação dos principais desenvolvimentos constantes na literatura relacionada. CAPÍTULO 3 Revisão Bibliográfica A aplicabilidade de sinais de pressão e temperatura em poçosprodutores ou injetores encontra enorme abrangência. Desde utilizações diretas, como o monitoramento das con- dições de elevação artificial, até análises mais elaboradas, como a avaliação de transientes de pressão e temperatura para determinação de parâmetros dereservatório, o registro con- tínuo se torna praticamente fundamental ao gerenciamento da produção. O número de trabalhos disponíveis na literatura técnica relacionados ao processa- mento e interpretação de sinais de PDGs, desta forma, mostra-se crescente, fazendo do assunto um campo fértil para pesquisa e desenvolvimento tecnológico. Este capítulo con- siste de uma compilação de trabalhos relevantes, relacionados ao problema abordado. 3.1 Confiabilidade e Precisão das Medições Registradas por PDGs A confiabilidade dos sistemas de medição permanentes em fundo de poço emerge como uma questão fundamental. Eck et al. (2000) expõem os prospectivos desafios im- postos a esses sistemas e discutem os esforços dispendidos na busca por robustez. Gisber- gen e Vandeweijer (1999) apresentam uma análise estatística acerca da confiabilidade de sistemas de monitoramento contínuo. Análises similares para instalações em poços bra- sileiros são apresentadas nos trabalhos de Bezerra et al. (1992) e Frota e Destro (2006). Comparativamente, a confiabilidade identificada para o contexto brasileiro revela-se se- melhante ao avaliado para poços do Mar do Norte, segundo taistrabalhos. Por sua vez, as causas relacionadas a perda de resolução dos sinais de PDG são avali- adas por Kikani et al. (1997). Os autores avaliam cada elemento do sistema de aquisição de dados, identificando as principais fontes de ruído e valores espúrios. 20 CAPÍTULO 3. REVISÃO BIBLIOGRÁFICA 3.2 Aplicação de PDGs e Problemas em Aberto Sensores de pressão e temperatura permanentes representamos mais fundamentais componentes de sistemas de monitoramento de poços. Algeroyet al. (1999) discutem estratégias de gerenciamento remoto de reservatórios, apresentando esquemas de com- pletação fortemente orientados ao monitoramento e atuaçãocom objetivo de otimização da produção. Horne (2007) apresenta uma descrição geral da evolução e aplicação de PDGs na indústria. Com foco na engenharia de reservatórios, além dasprincipais aplicações, o autor identifica cinco problemas estudados, a saber, • Manipulação e processamento de grande volumes de dados brutos • Deconvolução dos sinais de pressão de modo a se obter o comportamento caracte- rístico da pressão no reservatório • Identificação de descontinuidades (breakpoints) para delimitação de transientes • Incorporação de efeitos relativos a mudanças de condições de poço e características de reservatórios com o tempo. • Utilização de medições de vazões em fundo de poço. Embora naturalmente se utilizem dados de pressão nas análises mais comuns, o uso dos sinais de temperatura também encontram valiosa aplicabilidade. Hutchinson et al. (2007) apresentam sua utilização em um estudo de conectividade entre poços e na esti- mativa de permeabilidadesentre eles. O trabalho explora a observação de que, princi- palmente em poços que operam com pressões de fluxo abaixo da pressão de saturação do óleo, interferências podem ser identificadas através dasvariações nas razões gás-óleo (RGO) produzidas. De fato, a temperatura de fluxo se revela intimamente ligada a RGO de um determinado poço. Deucher et al. (2011) empregam dadosde temperatura para esti- mativa de RGO, oferecendo uma ótima alternativa mitigatóriaà imprecisão das medições na planta de processos. 3.3 Tratamento e Interpretação dos Dados A busca por uma metodologia abrangente para tratamento e intepretação de sinais de PDG figura como tema para publicações de grande relevência. Athichanagorn (1999) 3.3. TRATAMENTO E INTERPRETAÇÃO DOS DADOS 21 encontra citação em diversos trabalhos relacionados. O autor propõe uma metodologia configurada em etapas, enumeradas abaixo, fundamentadas principalmente na transfor- madawaveletdiscreta. 1. Remoção de valores espúrios (outliers) 2. Filtragem de ruído 3. Identificação de transientes 4. Redução de dados (remoção de dados redundantes ou compressão) 5. Reconstrução do histórico de vazão 6. Filtragem de comportamentos espúrios 7. Interpretação dos dados através de janela móvel (estimativa de parâmetros de reser- vatório variáveis no tempo) Nomura (2006) analisa sinais de pressão considerando o longo prazo. O autor aborda quatro objetivos, a saber, a identificação de modelos, detecção de transientes, a estimativa de vazões a partir dos dados de pressão e a suavização de dadosde campo. Da mesma forma, os trabalhos de Viberti et al. (2007) e Zheng eLi (2007) propõem abordagens completas para limpeza (remoção de valores espúrios e atenuação de ruído), visualização e compressão de dados obtidos através de PDGs.Os autores também lançam mão da transformadawaveletdiscreta nas diversas etapas de processamento sugeridas. Thomas (2002) aborda a remoção de transientes espúrios nos sinais de PDG, sem, contudo, assumir previamente um modelo para a resposta do reservatório. Essa técnica mostra-se especialmente útil nas situações em que o comportamento do reservatório não encontra descrição adequada ou não se dispõe de dados de histórico suficientes. Assim, a autora molda o problema em duas interpretações. Como um problema de regressão, o comportamento dos transientes é recriado a partir do melhorajuste de uma função aos dados de campo. Os valores não ajustados a regressão são considerados valores espúrios ou ruído. Como um problema de reconhecimento de padrões, transientes espúrios são discriminados por sistemas automáticos de classificação. Liu (2009) e Liu e Horne (2011) propõem a remoção de ruídos de medição baseada no processamento combinado de sinais de pressão e vazão, fazendo uso da relação que as grandezas guardam entre si. Além do uso da transformadawaveletdiscreta, aplica técnicas de mineração de dados para obtenção de modelos empíricos. 22 CAPÍTULO 3. REVISÃO BIBLIOGRÁFICA 3.4 Processamento Através da TransformadaWavelet O uso da transformadawaveletdiscreta para processamento de sinais de PDG se mos- tra bastante difundido na literatura. Uma descrição geral de sua aplicação em problemas da indústria de petróleo é fornecida por Guan et al. (2004). Os autores abordam diversas aplicações, envolvendo caracterização de reservatórios,mudança de escala de modelos geológicos (upscaling) e testes de poços. Nesse contexto, Panda et al. (1996) utilizam a transformadawaveletem dados de permeabilidade para identificação de diferentesca- madas e descontinuidades no reservatório. Ademais, lançammão da abordagem também para mudança de escala de permeabilidades. Também através da transformadawavelet discreta, Jansen e Kelkar (1997) analisam dados de produçãocom objetivo de inferir in- terferências entre poços. Lu e Horne (2000) empregam a transformadawaveletpara a estimativa de parâmetros de reservatório mediante integração de diferentes tipos dedados, a saber, testes de poço, sísmica e histórico de produção. O trabalho explora a análise multiresolução de modo obter regressões não-lineares adequadas. Soliman et al. (2003) utilizam a transformada waveletdiscreta para análise de transientes de pressão em testes depoços. Uma estratégia para determinação das vazões individuais depoços produtores a par- tir de medições de PDGs é apresentada por Zheng e Li (2009). A exemplo de outras referências citadas, os autores utilizam a transformadawaveletdiscreta como técnica fun- damental para obtenção dos resultados propostos. No trabalho de Li et al. (2002), um apanhado acerca do uso da transformadawavelet em processos de mineração de dados é apresentado. Entre as várias técnicas descritas, o texto aborda aplicações em filtragem de ruídos, redução de dimensionalidade (com- pressão), clusterização e regressão, largamente utilizadas para processamento de sinais de pressão. Bilen e Huzurbazar (2002) propõem uma metodologia geral de detecção e remoção de valores espúrios em sequências temporais fundamentada na transformadawaveletdis- creta. A aplicação específica dessa abordagem para o tratamento de sinais de PDG pode ser encontrada, com algumas modificações para melhoria de desempenho, no trabalho de Nomura (2006). Como contribuição à escolha da melhor configuração para aplicação da transformada waveletdiscreta, Ribeiro et al. (2008) avaliam o desempenho de diferentes famílias de 3.5. DETECÇÃO AUTOMÁTICA DE TRANSIENTES 23 waveletsaplicadas para tratamento de sinais de pressão (remoção de ruído e exclusão de valores espúrios). Para escolha dos valores dos limiares (thresholds) adotados na filtragem de ruído, Ortiz et al. (2009) comparam as metodologias de cálculo mais comuns (SURE, UNIVERSAL e MINIMAX ) para o processamento de sinais adquiridos através de PDGs. Olsen e Nordtvedt (2005) recorre a transformadawaveletcomo base para elaboração de uma técnica para filtragem e compressão automáticas de dados de reservatórios e pro- dução. De maneira semelhante, Ouyang e Kikani (2002, 2005) empregam a técnica para remoção de ruído contaminante de sinais provenientes de PDG. Para melhoria da filtra- gem, adotam curvas aproximadas ao dado real através de regressão não linear, obtidas via método Politopo, como forma de se obter uma estimativa prévia do nível de ruído contaminante no sinal do PDG. Kikani e He (1998) aplicam a técnica em sinais de pressão também para detecção de eventos (singularidades no sinal), redução de dados (compressão) e visualização do sinal em diferentes resoluções para identificação de tendências. 3.5 Detecção Automática de Transientes A utilização das medições provenientes da instrumentação de poços requer a manipu- lação do enorme volume de dados. Essa tarefa se revela custosa e facilmente desencoraja o uso integral do histórico de todas as medições adquiridas.Assim, mostram-se atrativas soluções que possam automaticamente extrair transientes relevantes, como eventos de fe- chamento de poço (períodos debuildup, no caso de poços produtores, oufalloff, em se tratando de injetores). Suzuki e Chorneyko (2009) sugerem o uso de filtros numéricos para o reconhecimento de períodos debuildup. O presente trabalho propõe uma abordagem baseada no acoplamento entre a cluste- rizaçãofuzzye a rede neuralfeed-forwardpara identificação debuild-ups. Trata-se de sistemas referidos comoFuzzy Clustering Neural Networks, FCNN. Tal proposição se mostra bem sucedida na resolução de problemas tratados pelos mais diversos ramos de pesquisa aplicada. Corani e Guariso (2005) empregam a ideia no desenvolvimento de um preditor de enchentes fluviais, com base na clusterizaçãofuzzyde bacias segundo seu grau de saturação e a subsequente predição através de redesfeed-forwardespecializadas em cada agrupamento. Yousefi et al. (2010) adotam um sistema neuro-fuzzypara modela- gem do clima (temperatura e umidade) em estufas para cultivode variedades vegetais. Os 24 CAPÍTULO 3. REVISÃO BIBLIOGRÁFICAtrabalhos de Ceylan et al. (2009) voltam-se a classificação sinais de eletrocardiogramas (ECGs) com propósito de detecção de arritmias. Em geral, comoatestado pelas concusões destes trabalhos, a clusterização dos prévia dados de entrada melhora significativamente o desempenho da rede neural como classificador, conduzindo auma maior precisão das respostas obtidas. CAPÍTULO 4 Tratamento Inicial dos Dados A exemplo de quaisquer sistemas de instrumentação, sensores permanentes de tem- peratura e pressão não se revelam livres de problemas em seuscomponentes. Assim, a degradação do sinal pode encontrar justificativas diversas, da precisão do elemento de medição a falhas de acoplamento e cabeamento. De fato, submetidos a grandes pro- fundidades e condições operacionais severas, PDGs fornecem leituras caracterizadas por considerável turvação por ruído. Da mesma forma, valores espúrios também ocorrem com bastante frequência nos registros fornecidos por tais instrumentos. O presente capítulo discorre sobre a limpeza inicial dos dados de pressão e tempera- tura. Discutem-se técnicas diferentes, mantendo-se foco comparativo de suas vantagens e limitações. As implementações computacionais das quais derivam os resultados aqui apresenta- dos foram realizadas no ambienteMatlab1, versão R2008b. 4.1 Remoção de Valores Espúrios A Figura 4.1 exibe o sinal de pressão adquirido através do PDGde um poço produtor. Se por um lado faz-se perceptível uma tendência principal, que na prática reflete o com- portamento da vazão de produção, por outro, é notória a ocorrência de pontos espúrios, sugestivos de degradação da medição. Esses registros não abrigam informação (senão acerca da qualidade da medição efetuada), ampliam a demandapor espaço de armazena- mento, e interferem em análises mais detalhadas do comportamento da temperatura ou pressão. Técnicas de remoção de registros espúrios, portanto, assumem papel fundamen- tal no tratamento de sinais de PDG. 1Matlabé marca registradaMathWorks, Inc.(http://www.mathworks.com/products/matlab) 26 CAPÍTULO 4. TRATAMENTO INICIAL DOS DADOS 140 142 144 146 148 150 152 154 156 158 160 0 40 80 120 160 200 Tempo (dias) P re ss ão P D G (k gf /c m 2 ) Figura 4.1: Sinal de pressão registrada por PDG com significativa ocorrência de valores espúrios. 4.1.1 Remoção Através de Mapas Auto-Organizáveis Os comportamentos da pressão e da temperatura de fluxo em um poço revelam-se for- temente correlacionados. Assim, os transientes que denotam mudanças nas condições de vazão expressam-se de modo bem definido através tanto da pressão quanto da temperatura registradas pelo PDG. Opostamente, pontos espúrios não guardam coerência com o comportamento de va- zão de um poço. Deste modo, espera-se que, em um gráfico pressão-temperatura, pontos correspondentes a registros espúrios ocupem uma porção bemdeterminada, distoante da tendência real dos pontos. Essa consiste na fundamentação por trás da idéia de se utiliza- rem mapas auto-organizáveis para remoção de valores espúrios. Mediante treinamento, este tipo de rede recria, a partir dospesos sinápticos de seus neurônios, a estrutura interna do conjunto de pontos de pressão e temperatura. Registros espúrios devem encontrar lugar bem definido na estrutura da rede. A estratégia, deste modo, reside no reconhecimento dos neurônios, ouclusters, representantes dos valores espúrios e a eliminação dos pontos a eles associados no conjunto de medições. A Figura 4.2 apresentam o período de registros de PDG para pressão e temperatura, respectivamente, considerado para tratamento através de um mapa auto-organizável. 4.1. REMOÇÃO DE VALORES ESPÚRIOS 27 80 100 120 140 160 180 P re ss ão P D G (k gf /c m 2 ) 78 80 82 84 86 88 90 92 94 96 50 60 70 80 90 Tempo (dias) T em pe ra tu ra P D G (g ra us c el si us ) Figura 4.2: Registros de pressão e temperatura consideradospara processamento através de um mapa auto-organizável. Figura 4.3: Posicionamento dos neurônios da rede segundo seus pesos após treinamento. 28 CAPÍTULO 4. TRATAMENTO INICIAL DOS DADOS A implementação aqui descrita partiu de uma rede unidimensional, composta por 40 neurônios. Para treinamento, os valores de pressão e temperatura foram normalizados. A Figura 4.3 ilustra o posicionamento dos neurônios da rede,de acordo com seus pesos sinápticos, sobre o conjunto de dados normalizados de temperatura (Peso 1) e pressão (Peso 2). 78 80 82 84 86 88 90 92 94 96 90 100 110 120 130 140 150 160 170 180 Tempo (dias) P re ss ão P D G (k gf /c m 2 ) clusters de 1 a 8 clusters de 9 a 40 Figura 4.4: Discriminação dos registros de pressão associados aosclustersde 1 a 8. A partir de uma análise direta do gráfico, identificam-se oitoneurônios que se desa- gregam da maior concentração de pontos, associando-se portanto a pontos marginais do conjunto de dados. Os pontos de pressão e temperatura que gravitam em torno dosclus- ters definidos por tais neurônios são exibidos pelas Figuras 4.4 e4.5, respectivamente. Observa-se que de fato consistem em registros espúrios em ambos os gráficos. 4.1. REMOÇÃO DE VALORES ESPÚRIOS 29 78 80 82 84 86 88 90 92 94 96 50 55 60 65 70 75 80 85 Tempo (dias) T em pe ra tu ra P D G (g ra us c el si us ) Figura 4.5: Registros de temperatura sugeridos como espúrios a partir da classificação imposta pelo mapa auto-organizável. A remoção dos pontos associados aos oitoclustersconduz aos resultados apresenta- dos nas Figuras 4.6 e 4.7 para pressão e temperatura, respectivamente. 78 80 82 84 86 88 90 92 94 96 145 150 155 160 165 170 175 180 Tempo (dias) P re ss ão P D G (k gf /c m 2 ) Figura 4.6: Histórico de pressão após remoção de pontos espúrios pelo mapa auto- organizável. 30 CAPÍTULO 4. TRATAMENTO INICIAL DOS DADOS 78 80 82 84 86 88 90 92 94 96 81,0 82,0 83,0 84,0 Tempo (dias) T em pe ra tu ra P D G (g ra us c el si us ) Figura 4.7: Histórico de temperatura após remoção de pontosespúrios pelo mapa auto- organizável. A despeito de se eliminar grande parcela de pontos espúrios,podem-se observar pon- tos remanescentes tanto no gráfico resultante de pressão, quanto no de temperatura. Esse problema deriva do fato de que algunsclustersenglobam tanto pontos reais quanto espú- rios. Assim, um segundo passo, implementado a partir de um novo mapa, pode remover parte dos valores espúrios não identificados no primeiro passo. O novo conjunto de treina- mento é então composto pelos pontos válidos fornecidos pelarede anterior. A Figura 4.8 mostra o posicionamento dos pesos sinápticos de cada neurônio da nova rede dispostos sobre a dispersão dos pontos de treinamento. Por inspeção visual, identifica-se um agrupamento principal, onde se percebem vizi- nhanças bem definidas entre pontos próximos (ou seja, podem-se inferir caminhos através dos quais a pressão e a temperatura evoluem). Entretanto, umúnicoclusterposiciona-se de modo a destoar do grupo principal, fazendo-se próximos a pontos que não guardam relação clara de vizinhança. Removendo-se os pontos associados aoclusterem questão, chega-se aos gráficos expostos nas Figuras 4.9 e 4.10. A segunda etapa do processamento removeu, de fato, boa partedos pontos espúrios deixados pela primeira. No entanto, alguns valores fora do agrupamento principal ainda permanecem nos gráficos de pressão e temperatura. Tais valores se mostram ambíguos. Trata-se de pontos espúrios nas tendências de pressão que não têm correspondência nas tendências de temperatura, e vice-versa. Deste modo, o mapaencontra grande dificuldade 4.1. REMOÇÃO DE VALORES ESPÚRIOS 31 em segregá-los dos pontos válidos. Figura 4.8: Posicionamento dos pesos sinápticos de cada neurônio do mapa auto- organizável após segundo treinamento. 78 80 82 84 86 88 90 92 94 96 145 150 155 160 165 170 175 180 Tempo (dias) P re ss ão P D G (k gf /c m 2 ) Figura 4.9: Histórico de pressãoapós segunda remoção de valores espúrios. 32 CAPÍTULO 4. TRATAMENTO INICIAL DOS DADOS 78 80 82 84 86 88 90 92 94 96 81,0 82,0 83,0 84,0 Tempo (dias) T em pe ra tu ra P D G (g ra us c el si us ) Figura 4.10: Histórico de temperatura após segunda remoçãode valores espúrios. 4.1.2 Remoção Através da TransformadaWaveletDiscreta A Figura 4.11 apresenta o sinal de pressão considerado para aplicação da remoção de pontos espúrios mediante o procedimento baseado na transformadawaveletdiscreta, conforme descrito no Capitulo 2. Por sua vez, o histórico de temperatura é apresentado na Figura 4.12. 0 20 40 60 80 100 120 140 160 180 200 0 50 100 150 200 250 Tempo (dias) P re ss ão P D G (k gf /c m 2 ) Figura 4.11: Conteúdo de valores espúrios no sinal de pressãoregistrado pelo PDG. 4.1. REMOÇÃO DE VALORES ESPÚRIOS 33 0 20 40 60 80 100 120 140 160 180 200 0 10 20 30 40 50 60 70 80 90 Tempo (dias) T em pe ra tu ra P D G (g ra us c el si us ) Figura 4.12: Conteúdo de valores espúrios no sinal de temperatura registrado pelo PDG. Por mostrar configuração mais simples, utilizou-se a transformada deHaar. Os li- miares (thresholds) adotados para pressão e temperatura assumiram sequencialmente os valores constantes nas Tabelas 4.1 e 4.2, respectivamente. Tabela 4.1: Valores adotados para os limiares de pressão durante remoção de valores espúrios. Passo 1o 2o 3o 4o Limiar 2,0 1,0 0,5 0,1 Tabela 4.2: Valores adotados para os limiares de temperatura durante remoção de valores espúrios. Passo 1o 2o 3o Limiar 0,5 0,1 0,01 Os resultados auferidos pela técnica podem ser observados através das Figuras 4.13 e 4.14. De modo oposto ao obtido pelo uso do mapa auto-organizável, faz-se evidente 34 CAPÍTULO 4. TRATAMENTO INICIAL DOS DADOS que a aplicação da transformadawaveletdiscreta não incorre em pontos espúrios rema- nescentes após os passos adotados. 0 20 40 60 80 100 120 140 160 180 200 140 150 160 170 180 190 200 210 Tempo (dias) P re ss ao P D G (k gf /c m 2 ) Figura 4.13: Remoção de pontos espúrios do sinal de pressão através da transformada waveletdiscreta. 0 20 40 60 80 100 120 140 160 180 200 60 65 70 75 80 85 Tempo (dias) T em pe ra tu ra P D G (g ra us c el si us ) Figura 4.14: Remoção de pontos espúrios do sinal de temperatura através da transformada waveletdiscreta. 4.2. FILTRAGEM DE RUÍDOS 35 4.2 Filtragem de Ruídos As tendências contidas nos registros de PDG se apresentam imersas em grande con- teúdo de ruído. Esse tipo de degradação do sinal pode prejudicar a interpretação avançada de transientes, induzindo a estimativas equívocas de parâmetros importantes de poço e reservatórios. No presente trabalho, discutem-se três estratégias de filtragem (ou atenuação) de ruído. 4.2.1 Suavização Através deSplinesCúbicas A degradação por ruído implica em uma intensa e estocástica variação do sinal em torno de uma tendência de fundo, que corresponde ao comportamento real da grandeza medida. Essa descrição sugere que o ruído pode ser eliminadoa partir da recriação da tendência de fundo através da suavização do sinal. Neste trabalho,SplinesCúbicas consistiram na primeira abordagem adotada para ve- rificação da viabilidade de técnicas de suavização como filtros de ruídos nos sinais regis- trados por PDGs. Trata-se da reconstrução do sinal mediantea concatenação de polinô- mios de terceira ordem, atendendo à minimização de uma função objetivo definida pela diferença entre os pontos medidos e a curva aproximada, comoexposto previamente. Para emprego de suavização porsplinescúbicas, mostra-se fundamental a prévia re- moção de pontos espúrios. O ajuste dos polinômios consideraa todos os pontos do sinal original. Deste modo, a presença de valores muito destoantes da tendência geral resulta em forte distorção da curva suavizada. A Figura 4.15 ilustra a aplicação desplinescúbicas ao sinal de pressão registrado pelo PDG de um poço produtor. Adotou-se um valor de 0,90 para o parâmetro de suavização p. 36 CAPÍTULO 4. TRATAMENTO INICIAL DOS DADOS 67,0 67,5 68,0 68,5 69,0 149,40 149,42 149,44 149,46 149,48 149,50 Tempo (dias) P re ss ão P D G (k gf /c m 2 ) Dado real Curva suavizada Figura 4.15: Suavização do sinal de pressão através desplinescúbicas: parâmetro de suavizaçãop = 0,90. Observa-se que, para o parâmetro de suavização adotado, a curva distoa considera- velmente do comportamento original. A Figura 4.16 exibe o resultado da interpolação a partir de um parâmetro de suavizaçãop de 0,95. É patente que uma melhor aproximação foi obtida. No entanto, a suavização ainda perde parte do comportamento real do sinal. 67,0 67,5 68,0 68,5 69,0 149,42 149,44 149,46 149,48 149,50 Tempo (dias) P re ss ão P D G (k gf /c m 2 ) Dado real Curva suavizada Figura 4.16: Suavização do sinal de pressão através desplinescúbicas: parâmetro de suavizaçãop = 0,95. 4.2. FILTRAGEM DE RUÍDOS 37 Melhorias se podem conseguir incrementando-se o parâmetrode suavização, como ilustrado pelas Figuras 4.17 e 4.18. A despeito de quão próxima a suavização se faça da curva original, o procedimento incorre inerentemente na perda de variações importantes do sinal. 67,0 67,5 68,0 68,5 69,0 149,40 149,42 149,44 149,46 149,48 149,50 Tempo (dias) P re ss ão P D G (k gf /c m 2 ) Dado real Curva suavizada Figura 4.17: Suavização do sinal de pressão através desplinescúbicas: parâmetro de suavizaçãop = 0,99. 67,0 67,5 68,0 68,5 69,0 149,42 149,44 149,46 149,48 149,50 Tempo (dias) P re ss ão P D G (k gf /c m 2 ) Dado real Curva suavizada Figura 4.18: Suavização do sinal de pressão através desplinescúbicas: parâmetro de suavizaçãop = 0,999. 38 CAPÍTULO 4. TRATAMENTO INICIAL DOS DADOS Essa constatação se mostra flagrante nos períodos de transiente, em que variações bruscas resultam em pontos de quebra (breakpoints) nas tendências de pressão e tempe- ratura. A Figura de 4.19 a 4.22 ilustram como o transiente de pressão sofre degradação pela suavização. 91,0 91,5 92,0 145,0 155,0 165,0 175,0 185,0 Tempo (dias) P re ss ão P D G (k gf /c m 2 ) Dado real Curva suavizada Figura 4.19: Perda de resolução nos períodos de transiente:parâmetro de suavização p = 0,90. 91,0 91,5 92,0 145,0 155,0 165,0 175,0 185,0 Tempo (dias) P re ss ão P D G (k gf /c m 2 ) Dado real Curva suavizada Figura 4.20: Perda de resolução nos períodos de transiente:parâmetro de suavização p = 0,95. 4.2. FILTRAGEM DE RUÍDOS 39 91,0 91,5 92,0 145,0 155,0 165,0 175,0 185,0 Tempo (dias) P re ss ão P D G (k gf /c m 2 ) Dado real Curva suavizada Figura 4.21: Perda de resolução nos períodos de transiente:parâmetro de suavização p = 0,99. 91,0 91,5 92,0 145,0 155,0 165,0 175,0 185,0 Tempo (dias) P re ss ão P D G (k gf /c m 2 ) Dado real Curva suavizada Figura 4.22: Perda de resolução nos períodos de transiente:parâmetro de suavização p = 0,999. Splinescúbicas podem encontrar aplicação relevante na suavizaçãode sinais de pres- são e temperaturas adquiridos de PDGs. Entretanto, a representatividade de transientes se mostra comprometida. Essa técnica se revela adequada apenas em períodos de pouca variação ou em análises que possam preterir de pequenas variações nos sinais (análises 40 CAPÍTULO 4. TRATAMENTO INICIAL DOS DADOS do longo prazo, por exemplo). 4.2.2 Suavização Através de Regressão Local De maneira oposta ao demandado pelo uso desplinescúbicas, a suavização através de regressão local não requer a eliminação prévia de pontos espúrios. O método revela-se robusto à presença de valores muito distoantes localmente. A Figura 4.23 exibe a reconstrução do sinal de pressão através de regressão local. Foi utilizada uma janela composta por um número equivalente a 1,0 % do número total de pontos no histórico de medidas. 67,0 67,5 68,0 68,5 69,0 149,40 149,42 149,44 149,46149,48 149,50 Tempo (dias) P re ss ão P D G (k gf /c m 2 ) Dado real Curva suavizada Figura 4.23: Suavização do sinal de pressão através de regressão local: janela de 1,0 %. Conforme se reduz o tamanho da janela, a regressão local se torna mais fiel às vari- ações apresentadas pelo sinal original. As Figuras 4.24 e 4.25 exibem os resultados para janelas com tamanhos correspondentes a 0,5 % e 0,1 % do númerototal de pontos do sinal original. 4.2. FILTRAGEM DE RUÍDOS 41 67,0 67,5 68,0 68,5 69,0 149,40 149,42 149,44 149,46 149,48 149,50 Tempo (dias) P re ss ão P D G (k gf /c m 2 ) Dado real Curva suavizada Figura 4.24: Suavização do sinal de pressão através de regressão local: janela de 0,5 %. 67,0 67,5 68,0 68,5 69,0 149,40 149,42 149,44 149,46 149,48 149,50 Tempo (dias) P re ss ão P D G (k gf /c m 2 ) Dado real Curva suavizada Figura 4.25: Suavização do sinal de pressão através de regressão local: janela de 0,1 %. Uma vez que considera uma janela para suavização, a regressão local também incorre em perda dos pontos de quebra de tendências quando da ocorrência de transientes. A Figura 4.26 agrupa os resultados fornecidos pela regressãolocal no período de transiente. Maiores janelas implicam uma maior distorção dos pontos de quebra de tendência. 42 CAPÍTULO 4. TRATAMENTO INICIAL DOS DADOS 91,0 91,5 92,0 145,0 155,0 165,0 175,0 185,0 Tempo (dias) P re ss ao P D G (k gf /c m 2 ) (a) Janela de 1,0 % do número de medições. 91,0 91,5 92,0 145,0 155,0 165,0 175,0 185,0 Tempo (dias) P re ss ao P D G (k gf /c m 2 ) (b) Janela de 0,5 % do número de medições. 91,0 91,5 92,0 145,0 155,0 165,0 175,0 185,0 Tempo (dias) P re ss ao P D G (k gf /c m 2 ) (c) Janela de 0,1 % do número de medições. Figura 4.26: Imprecisões nos instantes de quebra de tendência em função do tamanho de janela adotado. 4.2. FILTRAGEM DE RUÍDOS 43 4.2.3 Filtragem Através da TransformadaWaveletDiscreta A escolha de uma estratégia para filtragem de ruído baseada natransformadawavelet discreta encontra vários graus de liberdade. Não existe receita consagrada para escolha da melhorwavelet, tipo de supressão (thresholding) ou cálculo de limiares (thresholds), (RIBEIRO et al., 2008; ORTIZ et al., 2009). Adotaram-sewaveletsde Daubechies ordem 4 para as implementações do presente trabalho. As filtragens de ruído se deram através da aplicação de supressão suave (soft- thresholding). Para o cálculo dos valores de limiar utilizaram-se três abordagens, descritas em Mathworks (2008) e Ortiz et al. (2009). O Capítulo 2 encerradescrição mais detalhada sobre o uso da transformadawaveletpara filtragem de ruído. A Figura 4.27 apresenta a filtragem de ruído do sinal de pressão adquirido pelo PDG de um poço produtor. O limiar empregado é calculado seguindoo princípioSURE(Stein’s Unbiased Risk Estimate). A filtragem dos valores de detalhe do sinal seguiu a abordagem suave (soft thresholding). A Figura 4.28 exibe a filtragem do sinal de pressão utilizando-se uma limiarização brusca (hard thresholding). Em comparação ao resultado anterior, observa-se que o sinal filtrado apresenta variações muito maiores. Esse resultadomotiva a utilização de limiari- zação suave nas demais filtragens adotadas pelo presente trabalho. 67,0 67,5 68,0 68,5 69,0 149,40 149,42 149,44 149,46 149,48 149,50 Tempo (dias) P re ss ao P D G (k gf /c m 2 ) Figura 4.27: Filtragem de ruído através da transformadawaveletdiscreta: limiar calculado segundo abordagemSURE; limiarização suave (soft thresholding). 44 CAPÍTULO 4. TRATAMENTO INICIAL DOS DADOS 67,0 67,5 68,0 68,5 69,0 149,40 149,42 149,44 149,46 149,48 149,50 Tempo (dias) P re ss ao P D G (k gf /c m 2 ) Figura 4.28: Filtragem de ruído através da transformadawaveletdiscreta: limiar calculado segundo abordagemSURE; limiarização brusca (hard thresholding). Alternativamente, para verificação do impacto da estratégia de cálculo do limiar, a Figura 4.29 exibe os resultados alcançados a partir da adoção de um limiar baseado na abordagemMINIMAX . 67,0 67,5 68,0 68,5 69,0 149,40 149,42 149,44 149,46 149,48 149,50 Tempo (dias) P re ss ao P D G (k gf /c m 2 ) Figura 4.29: Filtragem de ruído através da transformadawaveletdiscreta: limiar calculado segundo abordagemMINIMAX . 4.2. FILTRAGEM DE RUÍDOS 45 Por fim, os resultados de um terceiro teste, referente ao limiar proveniente da estraté- gia chamadaUNIVERSAL, são apresentados na Figura 4.30. 67,0 67,5 68,0 68,5 69,0 149,40 149,42 149,44 149,46 149,48 149,50 Tempo (dias) P re ss ao P D G (k gf /c m 2 ) Figura 4.30: Filtragem de ruído através da transformadawaveletdiscreta: limiar calculado segundo abordagemUNIVERSAL. A filtragem de ruído fundamentada na transformadawaveletdiscreta retém as va- riações reais do sinal, não resultando em atenuações ou perda de resolução em pontos importantes. A Figura 4.31 atesta tal afirmação, mostrando oefeitos da filtragem de ruído sobre os pontos de quebra de tendência correspondentes a um transiente de pressão. Os resultados discutidos no presente capítulo remetem a etapas iniciais da utilização dos sinais de pressão e temperatura de fundo de poço. Referem-se ao pré-processamento dos dados, com objetivo de remover distorções oriundas da aquisição, principalmente. Por sua vez, o Capítulo 5 descreve uma aplicação mais elaborada, em que se busca a extração de informações relevantes a partir dos dados brutos. 46 CAPÍTULO 4. TRATAMENTO INICIAL DOS DADOS 91,0 91,5 92,0 145,0 155,0 165,0 175,0 185,0 Tempo (dias) P re ss ão P D G (k gf /c m 2 ) Dado real Curva suavizada (a) Limiar SURE. 91,0 91,5 92,0 145,0 155,0 165,0 175,0 185,0 Tempo (dias) P re ss ão P D G (k gf /c m 2 ) Dado real Curva suavizada (b) Limiar MINIMAX . 91,0 91,5 92,0 145,0 155,0 165,0 175,0 185,0 Tempo (dias) P re ss ao P D G (k gf /c m 2 ) (c) Limiar UNIVERSAL. Figura 4.31: Conservação dos pontos de quebra de tendência mesmo após filtragem de ruído baseada na transformadawaveletdiscreta: a curva suavizada se confunde com os pontos reais. CAPÍTULO 5 Identificação Automática de Transientes No histórico de um poço, diversos eventos operacionais podem induzir transientes. Por consistirem em fontes de informação de poço e reservatório, a análise do compor- tamento da pressão e temperatura de fluxo nesses períodos revela-se fundamental ao ge- renciamento da produção. Por conseguinte, os registros fornecidos por PDGs e TPTs abrigam informações de grande valor. No entanto, a tarefa de se localizar a todos os transientes emum longo histórico de produção ou injeção pode revelar-se árdua ou até mesmo impraticável. Isso se dá em virtude do excessivo número de eventos que resultam em perturbações nos sinais lidos pelo PDG. A identificação de transientes por inspeção visualdemanda paciência e tempo. Esse contexto define a importância de técnicas de identificação automáticas. O presente capítulo discute a utilização de um sistema baseado no acoplamento entre a clusterizaçãofuzzye redes neuraisfeed-forward. A medotologia se institui fundamen- tada em dados apenas, não partindo de nenhuma suposição acerca do modelo de reserva- tório ou de características de poços. A implementação computacional do sistema descrito se deu noambienteMatlab, versão R2008b. 5.1 Descrição do Problema A interpretação de transientes de pressão e temperatura de fluxo objetiva à inferência de parâmetros de desempenho do poço, tais quais índices de produtividade (ou injetivi- dade) e dano à formação, e à estimativa de características dereservatório no seu raio de influência, como permeabilidade, pressão de poros, ocorrência de barreiras, entre outras. Trata-se do objeto central da área de avaliação de formações. Diferentemente do que se obtém mediante testes de formação,para os quais se ado- 48 CAPÍTULO 5. IDENTIFICAÇÃO AUTOMÁTICA DE TRANSIENTES
Compartilhar