Combinando physics informed neural network com programação linear para otimização do gerenciamento de reservatórios de petróleo

RESUMO: A indústria de Óleo e Gás é um dos setores mais relevantes na economia mundial. No gerenciamento de reservatórios, a previsão do comportamento futuro é essencial para otimizar a produção e garantir a viabilidade econômica das operações. Métodos analíticos, como balanço de materiais, são amplamente utilizados devido à sua eficiência computacional e fundamentação física. Por outro lado, a Inteligência Artificial (IA) tem sido aplicada na indústria de petróleo e gás para aprimorar a precisão das previsões de produção. Dentre essas técnicas, as Physics Informed Neural Networks (PINNs) surgem como uma alternativa promissora, combinando aprendizado de máquina com conhecimento físico. Essa abordagem permite reduzir a dependência de grandes quantidades de dados e melhorar a generalização dos modelos preditivos. Adicionalmente, a otimização da produção de reservatórios frequentemente envolve a aplicação de Programação Linear (LP), que permite maximizar a produção sob restrições operacionais. Embora existam estudos que utilizam LP para otimização de produção, não foram encontrados trabalhos que combinam LP com redes neurais orientadas por equações físicas de modelo analítico de balanço de materiais. Diante desse cenário, esta dissertação propõe um modelo híbrido que combina PINNs com Programação Linear (PL) para otimizar a produção de petróleo, respeitando restrições de capacidade e garantindo um controle eficiente das pressões do reservatório. Além disso, o modelo LP utiliza um método de suavização do controle de pressão dos poços, que visa evitar variações abruptas nos valores de pressão de fundo (BHP) entre intervalos de tempo, melhorando a estabilidade operacional.

ABSTRACT: The Oil and Gas industry is one of the most relevant sectors in the global economy. In reservoir management, forecasting future behavior is essential to optimize production and ensure the economic viability of operations. Analytical methods, such as material balance, are widely used due to their computational efficiency and strong physical foundation. On the other hand, Artificial Intelligence (AI) has been applied in the oil and gas industry to enhance the accuracy of production forecasts. Among these techniques, Physics-Informed Neural Networks (PINNs) have emerged as a promising alternative, combining machine learning with physical knowledge. This approach reduces the dependence on large datasets and improves the generalization of predictive models. Additionally, reservoir production optimization often involves the application of Linear Programming (LP), which allows for maximizing production while adhering to operational constraints. Although studies exist that use LP for production optimization, no works have been found that combine LP with neural networks guided by physical equations from analytical material balance models. Given this scenario, this dissertation proposes a hybrid model that integrates PINNs with Linear Programming (LP) to optimize oil production while respecting capacity constraints and ensuring efficient control of reservoir pressures. Moreover, the LP model employs a smoothing method for well pressure control, aimed at preventing abrupt variations in bottom-hole pressure (BHP) values between timesteps, thereby improving operational stability.