Embed Size (px)
Citation preview
NELSON EWERT DE OLIVEIRA
Avaliação do uso de completação inteligente em um
reservatório carbonático
Área de concentração: Engenharia de reservatórios
Orientador: Prof. Dr. Marcio Augusto Sampaio Pinto
Santos
2019
NELSON EWERT DE OLIVEIRA
Avaliação do uso de completação inteligente em um
reservatório carbonático
Trabalho de Formatura em Engenharia
de Petróleo do curso de graduação do Departamento de Engenharia de Minas e de Petróleo da Escola Politécnica da Universidade de São Paulo
Área de concentração: Engenharia de reservatórios
Orientador: Prof. Dr. Marcio Augusto Sampaio Pinto
Santos 2019
Este exemplar foi revisado e alterado em relação à versão original, sob responsabilidade única do autor e com a anuência de seu orientador.
Assinatura do autor ____________________________
Assinatura do orientador _______________________
Catalogação-na-Publicação
Para minha mãe, Elaine, e minha irmã, Beatriz
AGRADECIMENTOS
Primeiramente, agradeço ao professor Marcio Sampaio pelas orientações ao
longo da elaboração deste trabalho. Agradeço também à Escola Politécnica e à
Universidade de São Paulo por me proporcionarem a possibilidade de me graduar
em engenharia de petróleo após todos esses anos de dedicação.
Agradeço também à Computer Modelling Group - CMG pelas licenças do
simulador usado na elaboração deste trabalho, e ao Instituto Superior Técnico de
Lisboa que disponibilizou o modelo Cerena para estudo.
Além disso, não posso deixar de agradecer nominalmente aos engenheiros de
reservatório do Ativo IASA da Petrobras: Bruno Cunha, Bruno Sartori, Bruno
Tabarelli e Felipe Volponi, além do Renato Poli, por todos os ensinamentos
valorosos e (muita) paciência com o estagiário. Sem as orientações precisas de
vocês, esse trabalho não seria o que é. Obrigado!
A vida escapa e se vai minuto a
minuto e não podem ir ao supermercado
comprar a vida. Então lutem para vivê-la,
para dar conteúdo a ela.
José Mujica
RESUMO
Os projetos de exploração e produção petrolífera demandam altos investimentos,
relacionados ao alto grau de incerteza associada. A tecnologia de completação
inteligente atua de forma a monitorar e fechar zonas de fluxo dos poços, garantindo
assim maior flexibilidade operacional e, assim, diminuindo o impacto das incertezas.
Este trabalho tem como objetivo avaliar o uso de completações inteligentes em um
modelo de reservatório carbonático. Através de um modelo five-spot com
características similares às de um reservatório carbonático, foram simulados quatro
casos possíveis para comparar o efeito do uso de completação inteligente na
produção do campo. Executou-se um processo de otimização variando os parâmetros
correspondentes aos limites operacionais do modelo e critérios de atuação de
válvulas, de forma a obter o maior Valor Presente Líquido (VPL) de cada caso. Esses
valores de VPL otimizados foram comparados entre si, sendo que o maior obtido foi
no caso com completação inteligente tanto no poço produtor quanto no injetor: dez
por cento acima do caso base sem completações inteligentes. Assim, verificou-se a
vantagem econômica no uso da tecnologia para o caso estudado.
Palavras-chave: Reservatórios, Completação inteligente, Poços, Simulação,
Carbonato.
ABSTRACT
Oil exploration and production projects demand high investments, related to the high
degree of associated uncertainty. Intelligent completion technology is used to monitor
and close inflow zones on wells, ensuring greater operational flexibility and thereby
reducing the impact of uncertainties. This work intends to evaluate the use of intelligent
completions in a carbonate reservoir model. Using a five-spot model that emulates a
carbonatic reservoir, four possible cases were simulated to compare the effect of the
use of intelligent completion on field production. An optimization has been performed
in a range of parameters corresponding to the operational limits of the model and valve
actuation criteria, in order to obtain the highest net present value of each case. These
optimized NPV values were compared with each other, and the highest obtained was
in the case of intelligent completion in both the producing well and the injector well: ten
percent above the base case without intelligent completion. Thus, the economic
advantage in the use of technology has been verified in this case of study.
Keywords: Reservoirs. Intelligent completion. Wells. Simulation. Carbonates.
LISTA DE ABREVIATURAS E SIGLAS
ICV
PSO
Inflow Control Valve
Particle Swarm Optimization
TLD Teste de longa duração
VPL Valor presente líquido
WAG Water-Alternating-Gas
SUMÁRIO
1 INTRODUÇÃO .............................................................................................................3
1.1 OBJETIVO............................................................................................................. 4
2 REVISÃO BIBLIOGRÁFICA.........................................................................................5
3 METODOLOGIA ..........................................................................................................9
3.1 RODADAS DE AJUSTE .............................................................................................. 9
3.2 MODELOS COM COMPLETAÇÃO INTELIGENTE ................................................................. 9
3.3 OTIMIZAÇÃO DOS PARÂMETROS ............................................................................... 10
3.3.1 O método PSO ........................................................................................ 11
3.4 PREMISSAS DO ESTUDO ......................................................................................... 11
4 ESTUDO DE CASO ...................................................................................................13
5 RESULTADOS...........................................................................................................16
5.1 RODADAS DE AJUSTE COM COMPLETAÇÕES CONVENCIONAIS .......................................... 16
5.2 COMPLETAÇÕES INTELIGENTES ............................................................................... 17
5.3 OTIMIZAÇÃO DE PARÂMETROS ................................................................................. 18
6 DISCUSSÕES ............................................................................................................21
6.1 CONVERGÊNCIA DA OTIMIZAÇÃO .............................................................................. 23
7 CONCLUSÕES ..........................................................................................................25
8 REFERÊNCIAS..........................................................................................................26
ANEXO A – ARTIGO SÍNTESE ........................................................................................... 28
3
1 INTRODUÇÃO
Um dos grandes desafios da indústria petrolífera nos dias de hoje está
associado aos altos custos. Projetos em águas ultra profundas, como é o caso do pré-
sal brasileiro, demandam alto investimento inicial, e com um tempo de payback
relativamente longo (Rodrigues et al., 2017). Além disso, são altas as incertezas
associadas. Isso faz com que a equipe de gerenciamento tenha pouca margem para
erros, e demanda certa flexibilidade dos projetos para poder contornar eventuais
percalços.
É neste contexto que a completação inteligente surge como uma proposta
interessante. As válvulas de completação inteligente funcionam de forma a propiciar
controle remoto de vazão por zonas, abrindo ou fechando determinada zona do poço
para produção ou injeção (Rahman et al., 2013). A completação inteligente permite
evitar intervenções em poços tais quais: alterações nos canhoneios, acidificação,
fraturamento, teste de formação para coleta de dados, entre outras operações.
Operações estas que acarretam em altos custos operacionais (Almeida et al., 2010).
Os poços inteligentes funcionam de forma a prevenir, ou pelo menos reagir a,
eventos indesejados, como por exemplo alta produção de água, e assim maximizar a
produção de óleo (Sampaio et al., 2012).
Isso foi endossado por Aggrey (2014). O autor estudou, para o caso específico
de reservatórios com capa de gás, a formação de cones de gás, invasão do gás da
capa na zona canhoneada. Assim como a água, a produção do gás em excesso é
indesejada em campos de óleo. Simulando o uso de válvulas de controle de influxo
(ICVs), concluiu que a completação inteligente pode atrasar a produção tanto de gás
como de água no campo. Adicionalmente, não é desejável produzir gás da capa, pois
a expansão da mesma promove a manutenção da pressão do reservatório, agindo
como mecanismo de produção primário (Rosa et al., 2006).
Tendo dito tudo isso, é importante ressaltar que existem barreiras a serem
superadas. Um desafio enfrentado no estudo de caso descrito por Rodrigues et al.
(2017) foi a falta de expertise das operadoras do Brasil em reservatórios carbonáticos,
que eram, até a descoberta do pré-sal, pouco estudados pelo fato de serem pouco
comuns nos campos brasileiros.
4
A tecnologia de poços inteligentes vem sendo utilizada, como mostra o artigo
de Pizarro et al. (2017), que demonstra que foi efetiva em maximizar a produção de
óleo em um campo do pré-sal através da diminuição do percentual de água no fluido
produzido. Contudo, os históricos de produção ainda são recentes. É através de
simulações numéricas que podemos projetar as curvas de produção de um campo
nas décadas futuras. E, para o caso do pré-sal, ainda são poucos os trabalhos que
comparam os poços convencionais e inteligentes simulando as condições deste tipo
de reservatório.
1.1 OBJETIVO
O objetivo deste trabalho é realizar a comparação entre os resultados obtidos
com cada um dos dois tipos de completação, a partir de um modelo de reservatório
carbonático com configuração de poços do tipo five-spot, com um quarto de injetor em
cada vértice e um produtor no centro, e que reproduz as características das rochas
carbonáticas. É importante destacar que o modelo é simplificado e não engloba todas
as características de um campo do pré-sal. Portanto, os resultados obtidos não podem
ser generalizados, mas servem para adquirir embasamento para discutir quais os
ganhos obtidos com o uso de ICVs em reservatórios carbonáticos.
5
2 REVISÃO BIBLIOGRÁFICA
A completação inteligente é estratégica devido à flexibilidade que proporciona
no gerenciamento de reservatórios: podendo fechar ou abrir zonas de fluxo, pode-se
reduzir a produção de água e de gás, e maximizar a de óleo. Para as condições do
pré-sal brasileiro, isso se mostrou de grande valor. Quando o uso da tecnologia foi
feito pela primeira vez na região, cuidados adicionais tiveram que ser tomados.
Diversos desafios e incertezas estavam associados, como o risco de incrustações,
corrosão, problemas por vibração, dentre outros. Nos dias de hoje já se tem resultados
consolidados de mais de cinquenta poços utilizando a completação inteligente, desde
a fase de testes à plena produção. O sucesso desses empreendimentos provou que
se trata de uma tecnologia confiável, estratégica e demanda investimentos pouco
maiores que poços convencionais (Rodrigues et al., 2017).
Um desses casos de sucesso foi exposto por Pizarro et al. (2017). No artigo,
podemos ver o incremento na produção de óleo em um poço no pré-sal a partir do
acionamento da válvula de completação inteligente inferior, que barra a chegada de
água no poço. Este tipo de trabalho é importante para mostrar a real aplicação da
tecnologia, o que estimula a contínua realização de estudos acadêmicos.
Outro que segue a mesma linha é o artigo de Emerick e Portella (2007), que
apresenta um algoritmo de otimização simples aplicado a dois campos Offshore
brasileiros reais. Avaliando o ganho de óleo acumulado a partir do uso de ICVs, os
autores pontuam as vantagens obtidas como uso da tecnologia. A metodologia
consiste em variar cada parâmetro separadamente, baseado em avaliação de funções
objetivos, e pode servir de inspiração para o trabalho aqui apresentado. Entretanto, é
um artigo já bastante antigo, e não trata de campos do pré-sal.
Seguindo outra linha, há o artigo de Chen e Reynolds (2017), que se baseia no
uso da técnica WAG, que também é empregada no pré-sal segundo Pizarro et al.
(2017). Esta consiste na injeção alternada de gás e água em um mesmo poço. Sabe-
se que pode melhorar a produção de óleo quando aplicada em um campo com alta
produção de gás natural ou CO2. Entretanto, para reservatórios com propriedades
petrofísicas heterogêneas entre as camadas, esse método pode levar à antecipação
da produção dos fluidos injetados, o que é indesejável, podendo inclusive piorar o fator
de recuperação do campo. Os autores destacam que os trabalhos anteriores focam
6
no controle de poço ou de válvulas de controle de influxo. Este trabalho aborda o uso
de injeção WAG combinado ao de válvulas de completação inteligente tanto nos poços
produtores como nos injetores, demonstrando através de simulações que tanto o
varrido dos fluidos quanto a recuperação do campo são otimizadas dessa maneira,
propondo a otimização do controle de poço combinado à de ICVs.
O artigo de Costa et al. (2017) trata de um caso onde a completação inteligente
foi utilizada durante um Teste de Longa Duração (TLD) em um campo no pré-sal
brasileiro. Trata-se de um reservatório extenso, com estimados oito bilhões de barris
recuperáveis. É descrita a importância dos TLDs na análise de reservatórios. Neste
caso em particular, foram testados três poços exploratórios ao mesmo tempo: dois
poços produtores e um injetor. O uso das ICVs durante o teste permitiu que se
avaliassem zonas diferentes do reservatório com maior precisão, o que é altamente
interessante na busca de uma compreensão mais completa do reservatório.
O uso de poços inteligentes ajuda a superar três grandes desafios presentes
na produção petrolífera em campos de água profunda: o grande volume de água
comumente produzido, o alto custo associado a intervenções frequentes nos poços e
elevado grau de incertezas. O artigo de Sampaio et al. (2012) compara primeiro os
poços convencionais e inteligentes, em seguida o uso das válvulas com controles
reativo e proativo, que servem para responder e prevenir os problemas no poço,
respectivamente. Usando simulações de um modelo com configuração five-spot
invertido com otimização de operação de ICVs e baseados em fatores de incerteza
econômica, os autores concluem que os poços inteligentes são mais vantajosos que
os convencionais, e os controles proativos são melhores que os reativos.
Os sistemas de poços inteligentes oferecem vantagens em relação aos
convencionais no gerenciamento de reservatórios: produção acelerada, maior
recuperação, diminuição ou eliminação da necessidade de intervenção e maior
desempenho de poços. Porém muitas questões ainda permanecem sobre o assunto,
envolvendo ganhos menores que o previsto e risco de falha nas válvulas afetando a
integridade dos poços. Assim, o artigo de Yadav e Surya (2012) revisa sistemas de
ICVs com poços dos mais variados tipos, caso a caso, e descreve um método semi-
analítico para análise de desempenho dos mesmos, com resultados concordantes
com os obtidos em simulações. Conclui-se que a completação inteligente já
7
demonstrou a habilidade de aumentar a produção e é muito vantajosa em áreas
críticas onde intervenções em poços seriam muito caras.
Em poços cujo mecanismo de produção principal é a capa de gás, um dos
maiores problemas encontrados é a invasão do gás da capa na zona canhoneada.
Esse fenômeno é conhecido como cone de gás. Evitar completamente os cones
requereria produzir em uma vazão muito baixa, o que seria antieconômico. O objetivo
primário do trabalho de Aggrey (2014) é formular uma estratégia de produção usando
ICVs de forma a controlar os cones de gás e maximizar a produção de óleo. A
metodologia empregou simulação de um modelo black-oil de reservatório trifásico com
um único produtor, com capa de gás como principal mecanismo de produção e ICVs
de controle reativo, comparando com um modelo de completação convencional.
Parâmetros como permeabilidades relativas e altura dos contatos também foram
variados. Concluiu-se que o uso de completação inteligente atrasou a chegada (do
inglês, breakthrough) tanto da água quanto do gás no poço e aumentou a recuperação
de óleo em todos os casos.
Uma das maiores dificuldades no uso de poços inteligentes é encontrar a
configuração de poços que traz os melhores resultados técnicos e econômicos, que
pode ser com o uso de ICVs nos poços produtores, injetores ou ambos. Existem
muitas varáveis envolvidas nessa decisão. O outro trabalho de Sampaio et al. (2012b)
propõe tratar do problema com um algoritmo genético para otimização dos resultados
das simulações de reservatórios. Em seguida, realizou análise de incerteza
econômica buscando maximizar o VPL. A partir de um modelo com configuração five-
spot com poços verticais, criaram-se quatro casos, e cada um avaliado em três
cenários econômicos (otimista, provável e pessimista). Concluiu-se que o uso de
controles proativos é vantajoso, e o caso que rendeu melhor retorno econômico foi
com produtor inteligente e injetores convencionais.
O artigo de Almeida et al. (2010) diz que intervenções em poços são muito
custosas, e apresenta os poços inteligentes como uma ferramenta estratégica para
evitar que precisem ser realizadas. Em seguida, discute os processos de otimização
dos controles desses poços. A proposta foi utilizar algoritmos genéticos, que imitam o
processo de evolução das formas de vida através de mutações aleatórias, para
realizar tais otimizações. A partir desses algoritmos combinados a simulações de
Monte Carlo, uma estratégia ótima de controle proativo foi definida, de forma a
8
maximizar o VPL em três modelos de reservatórios: um sem incertezas, outro com
incertezas no funcionamento das válvulas, e outro com incertezas geológicas
incorporadas. É importante lembrar que essas duas incertezas sempre estão
presentes nos casos reais. Os resultados mostraram a lucratividade do uso de
completações inteligentes, bem como a efetividade do algoritmo genético como uma
ferramenta de otimização do controle de poços inteligentes.
9
3 METODOLOGIA
O método de trabalho escolhido se baseia na realização de um estudo de caso,
melhor descrito na seção seguinte. Foi feita uma simulação numérica de reservatórios
como forma de obtenção de resultados.
As etapas de trabalho estão ilustradas na Figura 1, e serão explicadas
detalhadamente a seguir.
3.1 RODADAS DE AJUSTE
O primeiro passo consiste em executar rodadas preliminares de simulação para
adequação do modelo ao estudo. Nesta etapa, são ajustadas as zonas de
completação dos poços e as vazões de injeção de água, conforme descrito na seção
5.1, e definem-se os valores iniciais e limites de cada variável operacional, ainda
utilizando o modelo com completações convencionais.
3.2 MODELOS COM COMPLETAÇÃO INTELIGENTE
Ao chegar em um modelo considerado bem ajustado, são construídos os
modelos com completação inteligente. Isso é feito dividindo-se os poços em dois
segmentos, superior e inferior, e implementando um sistema lógico que funciona tal
Figura 1 – Metodologia do trabalho
10
qual as ICVs, monitorando o corte de água no poço produtor e fechando as zonas dos
poços ao atingir uma determinada porcentagem. A definição das zonas superior e
inferior de cada poço se baseia em zonas geológicas do reservatório. Rodadas de
ajuste podem ser feitas, variando as zonas do poço controladas por cada válvula, de
forma a encontrar a melhor disposição de ICVs no modelo.
3.3 OTIMIZAÇÃO DOS PARÂMETROS
Após a construção de cada um dos quatro modelos base conforme explicado
na seção 4, é realizada uma otimização utilizando o CMOST, software da CMG usada
para estudos desse tipo. Isso é feito variando os limites de produção de gás e líquido,
bem como o de injeção de água, tratados aqui para otimizar os parâmetros
operacionais. Todos os quatro casos são otimizados, considerando cada um dos
valores dos parâmetros dentro de uma faixa como equiprováveis, e tendo o VPL como
variável a ser maximizada no processo. Os limites da otimização são escolhidos a
partir dos resultados das rodadas preliminares, sendo selecionados valores que
condizem com a capacidade de vazão dos poços. O VPL é a soma dos fluxos de caixa
futuros descontados a uma taxa de juros estipulada, subtraindo o custo do
investimento inicial. A Figura 2 ilustra o cálculo do VPL para T períodos, a uma taxa r.
No caso deste estudo, o investimento inicial é o custo de instalação das ICVs, nas
simulações em que se aplica.
Figura 2 - Cálculo do VPL para T períodos a uma taxa de desconto r
11
A mesma lógica é aplicada para a definição das condições de atuação das
ICVs: inicialmente é definido um valor arbitrário de corte de água (corte de água limite)
no poço produtor que provoque fechamento de zonas, e este valor deve ser otimizado
de forma a maximizar o VPL caso a caso, dentro das faixas de variação dos
parâmetros definidos.
3.3.1 O método PSO
O método de otimização utilizado é o Particle Swarm Optimization (PSO),
desenvolvido por Kennedy e Eberhart (1995). Consiste em gerar uma população de
candidatos à solução ótima e “movê-los” dentro de um espaço n-dimensional (sendo
n o número de parâmetros) com fórmulas matemáticas que imitam posição e
velocidade. Cada candidato, tratado como uma partícula em movimento, tende a se
mover na direção da solução ótima local, bem como dos valores máximos encontrados
pelas outras partículas. Isso cria um movimento de enxame que tende a concentrar
todas as partículas ao redor da solução ótima, ou do máximo global. Após concentrar
as partículas em torno de um valor máximo, o método prevê a criação de perturbações
aleatórias em suas posições, para garantir que não se estagnou em um máximo local.
Isso é feito enquanto não se atingir o número máximo de tentativas previamente
definido.
3.4 PREMISSAS DO ESTUDO
A partir dos valores da Tabela 1 apresentada na seção 4 e dos resultados das
rodadas de otimização, comparamos o VPL para cada caso descrito no estudo.
Algumas premissas devem ser observadas:
O VPL é a função objetivo a ser otimizada, em detrimento da produção bruta
de óleo. Isso porque um alto incremento na produção de óleo pode estar
associado a alta produção de água, o que acarreta em maior custo e, em
situações reais, possível perda de óleo por limitação da capacidade de
processamento da planta.
As válvulas de completação inteligente consideradas são do tipo abre/fecha,
não havendo posições intermediárias. Isso é feito para limitar o espaço de
soluções. Uma vez fechadas, as válvulas não voltam a abrir.
Também devido à alta complexidade envolvida, os casos de falha de válvulas
não são considerados. As falhas são eventos aleatórios que implicaria em uma
12
análise probabilística com diversos novos cenários, fugindo assim do escopo
deste trabalho.
As válvulas dos poços são operadas por controle reativo, ou seja, as condições
de fechamento estão atreladas ao valor limite de corte de água.
Não há incertezas geológicas no modelo. Isso implica em porosidade e
permeabilidades fixas em cada célula do modelo.
13
4 ESTUDO DE CASO
Para simular o comportamento de um reservatório carbonático, foi usado o
modelo Cerena, desenvolvido por Madeira e Pereira (2014) com as seguintes
características: modelo composicional, com configuração de poços do tipo five-spot
(quadrado, um produtor no centro e um quarto de injetor em cada vértice); pressão
inicial de 49,3 MPa; malha de 21x21 blocos de 50m2, com 50 camadas de espessura
1,854m cada; valores de porosidade definidos célula a célula, tal qual a
permeabilidade horizontal, cuja distribuição é igual nos dois eixos, e a permeabilidade
vertical possui valores dez vezes menores do que a horizontal em cada um dos
elementos. O contato óleo-água está a 82m de profundidade, a partir da profundidade
de referência (zero) na superfície. O simulador usado foi o GEM da CMG, software
comercial para modelos composicionais.
Esse modelo com as completações convencionais ótimas (chamado de caso
A) foi usado no seguinte passo, que consistiu em obter mais três modelos
determinísticos:
• Caso B: injetores com completações convencionais tais quais o caso A;
produtor com ICVs;
• Caso C: produtor com completação convencional tal qual o caso A; injetores
com ICVs;
• Caso D: todos os poços com ICVs.
Além disso, para a análise econômica, a taxa de desconto considerada foi de
10% ao ano. A Tabela 1 apresenta os valores que foram usados nos cálculos.
Tabela 1 - Dados econômicos utilizados no estudo de caso
Preço do óleo
(US$/barril)
Custo de produção do
óleo
(US$/barril)
Custo de produção da
água
(US$/barril)
Custo de injeção da
água
(US$/barril)
ICV - Valor base
ICV - adicional
por válvula
60,00 10,00 1,50 1,00 200.000,00 200.000,00
14
Na Tabela 1 temos os custos embutidos nos custos de produção e injeção. O
custo de instalação de um poço inteligente é calculado como o valor base somado ao
adicional por cada válvula; assim, um poço com duas zonas completadas com ICV
custaria US$ (200.000 + 2 × 200.000) = US$ 600.000 a mais do que um poço simples.
Lembrando que, por se tratar de uma análise comparativa, os investimentos que não
variam de um caso para o outro foram desconsiderados, como por exemplo o custo
de instalação da planta produtora.
O custo de produção de cada unidade de volume de gás é considerado, por
premissa, como igual ao seu valor de mercado. Desta forma, podemos eliminar as
duas variáveis da análise econômica.
Para realização da otimização dos parâmetros, os limites operacionais foram
variados de acordo com a Tabela 2.
Tabela 2 – Faixas de variações dos parâmetros otimizados
Parâmetro Limite inferior Limite superior Unidade
Produção de gás 3 milhões 8 milhões metros cúbicos/dia
Produção de líquido 3 mil 8 mil metros cúbicos/dia
Injeção de água 8 mil 20 mil metros cúbicos/dia
Corte de água limite
(atuação das ICVs) 5% 100%
Essas faixas de variação foram escolhidas a partir das rodadas de ajuste do
modelo, de forma a não causar distorções que comprometessem o estudo.
As atuações de ICV dos quatro quartos de injetor ocorrem em conjunto nos
Casos C e D, porém são independentes da atuação de ICV do produtor no Caso
D.
Para todos os casos, foi inserido também um parâmetro de corte de água,
chamado de corte de água crítico, que provoca o fechamento de todos os poços.
15
Na otimização, este parâmetro também sofreu variações entre 5 e 100%, assim
como o corte de água limite das ICVs. Este serve para parar a produção caso se
torne antieconômica.
Além disso, foi definido como critério de parada do algoritmo o número máximo
de 200 candidatos a solução ideal para cada caso, conforme discutido na seção 6.1.
A Figura 3 apresenta a malha do modelo utilizado, com o esquema de cores
indicando saturação de fluidos: podemos ver a capa de gás em rosa, a zona de óleo
em verde e o aquífero em azul.
Figura 3 – Malha do modelo Cerena mostrando a saturação inicial de fluidos
16
5 RESULTADOS
5.1 RODADAS DE AJUSTE COM COMPLETAÇÕES CONVENCIONAIS
O primeiro passo foi simular o modelo Cerena com a configuração original de
poços. Ao analisar os resultados, alguns problemas foram identificados: as zonas de
completação dos poços estavam muito amplas, havendo produção e injeção na capa
de gás e no aquífero. Conforme já discutido na introdução, Rosa et al. (2006)
destacam que em reservatórios com capa de gás, não se deve produzir o gás da capa,
pois isso “rouba” energia primária do reservatório. A injeção de água na capa de gás
também não é efetiva, pois a água apenas comprime a capa, sem deslocar o óleo.
Desta maneira, a primeira coisa a ser feita foi descer as completações para as zonas
de óleo (para o produtor) e água e óleo (para os injetores).
Também através das rodadas de ajuste, foram definidos os valores iniciais e os
limites superiores e inferiores das variáveis a serem otimizadas. Chegou-se a uma
configuração inicial que limita a produção total de líquido a 7000 m³/dia e a de gás em
5 milhões m³/dia; além disso, a injeção de água foi limitada a 12000 m³/dia. Esses
valores, em princípio arbitrários, representam a limitação operacional do projeto; estes
foram variados de forma a encontrar a solução ótima dentro da faixa de valores
apresentada na Tabela 2.
A curva de permeabilidade relativa do modelo também precisou sofrer
alterações para se adequar ao esperado para um modelo carbonático. A saturação de
óleo residual, definida como razão representativa da quantidade de óleo não removido
da rocha-reservatório após a produção, estava em cerca de 10%. Segundo o artigo
de Pizarro e Branco (2012), os campos do pré-sal apresentam valores relativamente
superiores para esse parâmetro. Da forma como estava, havia muito óleo móvel no
modelo, e pouca água era produzida (menos de 25% de corte de água) mesmo após
30 anos de simulação. Por conta disso, foram importadas as curvas de permeabilidade
relativa a água do modelo Unisim-II de Correia et al. (2015), que possui uma saturação
de óleo residual mais alta (em torno de 40%), e, portanto, mais adequada para o
estudo. Essas alterações deixaram os resultados preliminares condizentes com o que
foi apresentado na revisão bibliográfica, com o corte de água total do modelo
alcançando valores superiores a 80% no fim da vida do campo sem otimização. A
comparação entre as curvas original e adaptada está na Figura 4.
17
O modelo com essa configuração é a base para o Caso A, que se após ser
otimizado, foi comparado com os casos que utilizam poços inteligentes, conforme
explicado nas seções mais adiante.
5.2 COMPLETAÇÕES INTELIGENTES
As rodadas de ajuste também serviram para análise das zonas geológicas do
modelo, e assim foi possível definir onde posicionar as ICVs de cada poço para os
casos seguintes.
Para o Caso B, o poço produtor foi dividido em dois segmentos de igual
comprimento, superior e inferior. Com os mesmos limites de produção do Caso A, foi
estabelecido inicialmente que a zona inferior do poço fecha quando o corte de água
atinge 30%.
O Caso C, também com os mesmos limites do caso A, foi definido com os
quartos de injetor divididos em duas seções cada um, de igual comprimento caso o
poço não atravesse nenhuma falha, ou, caso haja falha, as seções do poço são
separadas por ela; as zonas superiores são fechadas inicialmente quando o corte de
água no óleo produzido atinge 30%.
Por fim, o caso D é a combinação dos dois anteriores: todos os poços divididos
em duas zonas, com os mesmos critérios de atuação de válvulas e limites
operacionais.
Figura 4 - Comparação entre as curvas de permeabilidade relativa. A 4.1 é a configuração original do modelo Cerena e a 4.2 foi retirada do modelo Unisim-II de Correia et al. (2015)
18
Assim como esses limites operacionais, o valor de corte de água que provoca
o fechamento das válvulas também foi otimizado de forma a eliminar a arbitrariedade
da escolha e obter o maior VPL possível.
Os três casos com completação inteligente foram simulados com as
configurações acima de forma a buscar possíveis desajustes, tanto na lógica de
funcionamento das válvulas quanto no posicionamento das mesmas. Feito isso,
prosseguiu-se para a etapa de otimização.
5.3 OTIMIZAÇÃO DE PARÂMETROS
Os parâmetros inicialmente arbitrários (vazões máximas de gás e de líquido,
além do valor de corte de água limite, que provoca fechamento do poço no Caso A ou
acionamento das ICVs nos outros casos) foram otimizados usando o método PSO. O
CMOST gerou 200 combinações dos mesmos para cada caso estudado, dentro das
faixas de variação descritas na Tabela 2.
Os resultados confirmam que o VPL tende a ser maior conforme aumentamos
a capacidade de processamento da planta. Os casos ótimos operam com o limite de
injeção de água em 20 mil m3, valor que é o máximo possível na otimização, e injetam
a cota máxima permitida em algum momento da vida do campo, conforme exposto na
Figura 6. O mesmo vale para os limites de produção: em algum momento, todos os
poços produzem os valores máximos permitidos para cada fluido.
Os valores acumulados de produção de óleo e de injeção e produção de água,
em metros cúbicos, obtidos na otimização de cada caso estão contidos na Tabela 3.
Além disso, as Figuras 5, 6 e 7 ilustram os gráficos dessas vazões ao longo do tempo.
O VPL do Caso A ótimo ficou muito próximo de US$ 5 bilhões (4,995717
bilhões, para ser exato). A Tabela 4 mostra o VPL de cada caso ótimo, além do
incremento percentual dos casos ótimos com o uso de ICVs em relação ao Caso A
ótimo.
Tabela 3 – Volumes produzidos e injetados em cada caso ótimo
Caso A Caso B Caso C Caso D
Prod. óleo (1E6 m3) 3,060 3,209 3,086 3,009
Prod. água (1E6 m3) 0,941 1,157 1,299 0,837
Inj. água (1E6 m3) 12,928 14,715 12,676 12,697
19
Tabela 4 – VPL obtido na otimização de cada caso e incremento percentual no VPL de cada caso ótimo em relação ao Caso A ótimo
Caso A Caso B Caso C Caso D
VPL (Bilhões US$) 4,996 5,231 5,359 5,493
Incremento em relação ao caso A - 4,7% 7,3% 10,0%
Figura 5 – Vazões de óleo dos casos, mostrando as soluções ótimas encontradas
0
1000
2000
3000
4000
5000
6000
7000
8000
9000
2014 2019 2024 2030 2035 2041
Va
zão
de
óle
o (m
3 )
Ano
Caso A Caso B Caso C Caso D
0
500
1000
1500
2000
2500
3000
3500
2014 2019 2024 2030 2035 2041
Va
zão
de
águ
a (m
3 )
Ano
Caso A Caso B Caso C Caso D
Figura 6 – Vazões de produção de água dos casos, mostrando as soluções ótimas encontradas
20
Figura 7 – Vazões de injeção de água dos casos, mostrando as soluções ótimas encontradas
0
5000
10000
15000
20000
25000
2014 2019 2024 2030 2035 2041
Va
zão
de
águ
a (m
3)
Ano
Caso A Caso B Caso C Caso D
21
6 DISCUSSÕES
Sobre a adequação do modelo para o estudo, pode-se considerar que os
pontos principais foram atingidos. O modelo Cerena apresenta características permo-
-porosas heterogêneas similares às descritas na bibliografia sobre reservatórios
carbonáticos, por exemplo por Rodrigues et al. (2017). Eventuais ajustes, como a troca
das curvas de porosidade relativa (ou seja, a modelagem de interação rocha-fluido)
foram executados com cuidado para não afetar as características mais importantes
do modelo. A escolha por um modelo five-spot pode levantar questões sobre a
aplicabilidade dos resultados da simulação em um caso real. Porém, esse formato é
amplamente utilizado em estudos desse tipo por representar satisfatoriamente um
recorte do reservatório com um poço produtor e um injetor, sendo o injetor dividido em
quatro. Assim, este pode ser posicionado em todos os vértices da malha quadrada, e
os fluidos do reservatório sofrem arrasto de todas as direções, diferentemente do que
ocorreria se o modelo contivesse um injetor “inteiro”. Neste caso, poderia haver
acúmulo de óleo no lado oposto ao injetor. Ou seja, o uso do five-spot é uma boa
estratégia para extrair um recorte quadrado de um modelo.
Em relação à necessidade de otimizar cada caso com base nos parâmetros
operacionais, cabe uma discussão. Todo projeto de produção de petróleo deve levar
em conta suas próprias limitações operacionais ao ser executado. A planta de
processamento deve ser dimensionada para receber uma certa vazão de líquido e de
gás, bem como o sistema de injeção de água também tem uma vazão máxima de
operação. A simulação de reservatórios em estágios iniciais do desenvolvimento do
campo serve também para dimensionar as limitações do projeto em questão, a partir
de informações obtidas em testes de longa duração (Costa et al., 2017). Daí a
necessidade de otimizar esses parâmetros. Ao fazer isso, os resultados comparativos
são validados para toda a faixa de variação dos mesmos.
Outras variáveis que poderiam ser trabalhadas de outra forma, possivelmente
alterando os resultados, são a taxa de juros e o preço do barril do óleo. A taxa de
juros, apesar de parecer arbitrária, é muitas vezes alinhada com o posicionamento
estratégico da empresa que executa o projeto de explotação do campo petrolífero.
Diferentes empresas trabalham com diferentes taxas a depender de sua propensão
ao risco. Julgou-se que a taxa de 10% era adequada ao estudo por estar dentro da
faixa de valores normalmente observados em outros estudos. Já o preço do barril foi
22
simplificado para um valor fixo, porém no mundo real sofre oscilações difíceis (para
não dizer impossíveis) de prever, de acordo com eventos geopolíticos diversos. Para
se ter uma ideia, entre 2016 e 2019, o preço do barril do Brent (um tipo de óleo usado
como Benchmark para precificação) esteve em menos de 30 e mais de 80 dólares.
Uma sugestão para aprimoramento seria realizar análises de sensibilidade dos
resultados em relação a essas variáveis.
Analisando os casos otimizados, as ICVs atuaram de forma a aumentar o VPL
do estudo, aumentando inclusive a o tempo total de produção. Nos casos C e D, elas
atuaram fechando o intervalo superior do poço injetor. Instantaneamente, notou-se
diminuição na vazão de injeção, e pouco tempo depois, nas vazões de produção de
óleo e água. Nos Casos B e D, as válvulas atuaram fechando o intervalo inferior do
poço produtor. Pela diferença de densidade entre os fluidos, isso foi eficiente em
barrar a produção de água, que tende a ficar posicionada abaixo do óleo em um
reservatório. Isso pode ser visto na Figura 6; a vazão de produção de água diminuiu
bruscamente após atuação da ICV no poço produtor.
O Caso D, ao combinar as duas atuações de ICVs, foi o que obteve o maior
VPL entre os quatro casos estudados, mesmo tendo o maior investimento inic ial com
instalação de poços inteligentes. Comparativamente, este caso se destaca por uma
menor produção acumulada de água em relação aos outros; as ICVs em ambos os
poços permitiram a este caso produzir e injetar menos água, em volume acumulado,
do que o Caso A. O Caso B, por sua vez, foi o que obteve maior produção acumulada
de óleo, porém às custas de ter injetado mais água do que todos os outros.
A escolha por controles reativos explica porque o caso B ótimo demorou para
atuar a ICV inferior do poço produtor. Sistemas proativos toleram perda de produção
em certa data, desde que haja ganho futuro para compensá-la. No presente estudo, a
atuação se dá a partir do momento em que se constata incremento na função objetivo
(VPL), e não antes, mesmo que o resultado final fosse ser melhor. Observamos que
a ICV inferior do poço produtor fecha no momento em que a produção se tornaria anti-
econômica, diminuindo a vazão de produção de água e assim dando sobrevida ao
poço. Possivelmente, uma lógica de controles proativos de válvulas poderia otimizar
ainda mais os resultados, conforme concluíram os artigos de Sampaio et al. (2012) e
Sampaio et al. (2012b).
23
6.1 CONVERGÊNCIA DA OTIMIZAÇÃO
Um parâmetro do método PSO é número de partículas (candidatos à solução
ótima) necessárias para garantir a otimização. No CMOST, esse valor é uma entrada
que precisa ser definida pelo usuário. Neste trabalho, foram definidas 200 partículas
para cada caso, podendo haver posterior acréscimo. A Figura 8 ilustra a distribuição
de valores de VPL ao longo dos experimentos executados pelo software na otimização
do caso D (justamente o que possui maior número de parâmetros, e, portanto, o que
teoricamente precisaria de mais experimentos para convergir à solução ótima). Neste
gráfico, podemos ver que após cerca de 60 experimentos, o valor do VPL já havia
convergido, diferindo da solução ótima na casa dos milhares de dólares, o que pode
ser considerado residual, dadas as dimensões dos valores. Assim, temos suficiente
garantia de que as soluções apresentadas pelo programa são de fato os casos ótimos.
Figura 8 – Distribuição de resultados de VPL (Caso D)
Da análise da Figura 8, infere-se que é provável que o processo possa ser feito
com um número menor de candidatos a solução ótima; isso reduziria
consideravelmente o tempo gasto na otimização. Além disso, sabe-se que os modelos
de simulação de reservatórios, inclusive o utilizado neste estudo, são obtidos após
upscaling de um modelo geológico de malha muito fina, o que garante maior fidelidade
a um reservatório real. Uma possibilidade para testar a validade do estudo seria
24
refazê-lo com um modelo de características parecidas com as atuais, porém com a
malha mais fina. O custo de otimizar um modelo com tais características é justamente
o maior tempo gasto no processo. Assim, seria importante buscar métodos para
melhorar a estimativa de candidatos a solução ótima necessários para garantir a
convergência do processo. Por ora, ter essa convergência garantida é suficiente para
validar os resultados aqui apresentados.
25
7 CONCLUSÕES
Analisando os resultados, concluiu-se que o uso de completação inteligente no
modelo estudado acarretou em considerável ganho de flexibilidade operacional para
o projeto. Mesmo com os custos de instalação, a atuação da tecnologia resultou em
ganhos financeiros.
Nos casos onde o poço injetor é inteligente, a atuação das ICVs ocorreu de
forma a fechar o intervalo superior do poço. Já nos casos onde o poço produtor é
inteligente, a atuação das ICVs fechou o intervalo inferior do poço.
Ambas as atuações, isoladamente, proporcionaram valores de VPL maiores
que o caso base. Porém foi a combinação das duas que obteve o maior VPL de todos,
10% maior do que o caso base, que foi construído apenas com poços convencionais.
Em relação ao modelo escolhido para o estudo e aos valores especificados
para as variáveis, foram julgados adequados após avaliação dos resultados. Como
sugestões para aprimoramento, pode-se refazer o estudo com um modelo com malha
mais fina, ou analisar a sensibilidade dos resultados à variação da taxa de desconto
e do preço do óleo. Além disso, a própria lógica de atuação dos poços inteligentes
pode ser revista de forma a contemplar controles proativos em vez de reativos.
Adicionalmente, concluiu-se que, para o número de parâmetros utilizados na
otimização do modelo e para as faixas de variação dos mesmos, o total de 250
experimentos para cada caso se mostrou mais do que suficiente para obter
convergência para a solução ótima. Tal valor pode ser melhor avaliado em trabalhos
futuros para evitar desperdício de tempo no processo de otimização.
26
8 REFERÊNCIAS
AGGREY, W. N. (2014). Intelligent well Technology- Dealing with Gas Coning
Problems in Production wells, 4(5), 121–135. ALMEIDA, L. F.; VELLASCO, M. M. B. R.; PACHECO, M. A. C. (2010). Optimization system for valve control in intelligent wells under uncertainties. Journal of Petroleum
Science and Engineering, 73(1–2), 129–140. https://doi.org/10.1016/j.petrol.2010.05.013
CHEN, B.; REYNOLDS, A. C. (2017). Optimal control of ICV’s and well operating
conditions for the water-alternating-gas injection process. Journal of Petroleum Science and Engineering, 149 (November 2016), 623–640. https://doi.org/10.1016/j.petrol.2016.11.004
CORREIA, M.; HOHENDORFF, J.; GASPAR, A. T. F. S.; SCHIOZER, D. (2015). UNISIM-II-D: Benchmark Case Proposal Based on a Carbonate Reservoir. Society
of Petroleum Engineers. doi:10.2118/177140-MS
COSTA, L.; RODRIGUES, D.; SILVA, R., SOUZA, I.; FERNANDES, M. A. (2017). OTC-28103-MS Intelligent Completions Used during Extended Well Test of Exploratory Wells in Brazil Field Importance Well Testing: An Important Step before
Production. EMERICK, A. A.; PORTELLA, R. C. M. (2007). Production Optimization With Intelligent Wells. Latin American & Caribbean Petroleum Engineering Conference .
https://doi.org/10.2523/107261-MS KENNEDY, J.; EBERHART, R. (1995). "Particle Swarm Optimization". Proceedings of IEEE International Conference on Neural Networks. IV. pp. 1942–1948.
doi:10.1109/ICNN.1995.488968 MADEIRA, P. T.; PEREIRA L. A. G. R. (2014). Dynamic simulation on the synthetic reservoir CERENA I. Compositional fluid flow simulation with 4D seismic monitoring
on a reservoir with a large content of CO2. Tese (Mestrado em Engenharia de Petróleo) – Instituto Técnico de Lisboa, Portugal
PIZARRO, J. O. D. S.; BRANCO, C. C. M. (2012). Challenges in Implementing an EOR
Project in the Pre-Salt Province in Deep Offshore Brasil. Society of Petroleum Engineers. doi:10.2118/155665-MS
PIZARRO, J. O. D. S.; POLI, R. E. B.; ROSA, M. B.; COSTA, V., M, C. C.; CUNHA, B. M.; PINTO, A. C. C. (2017). Optimizing Production of Santos Basin Pre-Salt Fields
through Sound Reservoir Management Practices The Santos Basin Pre-salt Context. Offshore Technology Conference.
RAHMAN, J. U.; ALLEN, C.; BHAT, G. (2013). Second Generation Interval Control
Valve (ICV) Improves Operational Efficiency and Inflow Performance in Intelligent
27
Completions. IADC/SPE Asia Pacific Drilling Technology Conference and Exhibition , (Icv), 6. https://doi.org/10.2118/153700-MS
RODRIGUES, D. N.; MINASSA, L. B., NUNES, R. S.; COSTA, L. C. P. (2017). Intelligent Completions as a Key Technology in Brazilian Presalt. OTC Brasil, (October), 24–26. https://doi.org/10.4043/28056-MS
ROSA, A. J.; CARVALHO, R. S.; XAVIER, J. A. D. (2006). Engenharia de Reservatórios de Petróleo. Rio de Janeiro: Interciência: Petrobras, 2006. 823 p.
SAMPAIO, M. A.; BARRETO, C. E. A. G.; SCHIOZER, D. J. (2012). Optimization of Proactive Control Valves of Producer and Injector Smart Wells under Economic Uncertainty (SPE 154511). 74th EAGE Conference & Exhibition Incorporating SPE EUROPEC 2012 Copenhagen, Denmark, 4-7 June 2012, 4–7.
https://doi.org/10.2118/154511-ms SAMPAIO, M. A.; BARRETO, C. E. A. G.; SCHIOZER, D. J. (2012b). Comparison between Conventional and Intelligent Wells with Reactive and Proactive Controls
under Economic Uncertainty. . . In: SPE INTERNATIONAL PRODUCTION AND OPERATION CONFERENCE & EXHIBITION, 2012. Doha, (Icv), 14. https://doi.org/10.2118/155657-ms
YADAV, V.; SURYA, N. (2012). Evaluating the Performance of Intelligent Completions. SPE Intelligent Energy International, (March), 27–29. https://doi.org/10.2118/150408-ms
28
ANEXO A – ARTIGO SÍNTESE
Universidade de São Paulo
Engenharia de Petróleo – Escola Politécnica
Número: 8585540USP Data: 31/10/2019
Avaliação do uso de completação inteligente em um reservatório
carbonático
Nelson Ewert de Oliveira
Orientador: Prof. Dr. Marcio Augusto Sampaio Pinto
Artigo Sumário referente à disciplina PMI1096 – Trabalho de Formatura para Engenharia de Petróleo II
Este artigo foi preparado como requisito para completar o curso de Engenharia de Petróleo na Escola Politécnica da USP. Template versão 2018v11.
Resumo
Os projetos de exploração e produção petrolífera demandam altos investimentos, relacionados ao alto grau de incerteza associada. A tecnologia de completação inteligente atua de forma a monitorar e
fechar zonas de fluxo dos poços, garantindo assim maior flexibilidade operacional e, assim, diminuindo o
impacto das incertezas. Este trabalho tem como objetivo avaliar o uso de completações inteligentes em
um modelo de reservatório carbonático. Através de um modelo five-spot com características similares às
de um reservatório carbonático, foram simulados quatro casos possíveis para comparar o efeito do uso de completação inteligente na produção do campo. Executou-se um processo de otimização variando os
parâmetros correspondentes aos limites operacionais do modelo e critérios de atuação de válvulas, de
forma a obter o maior Valor Presente Líquido (VPL) de cada caso. Esses valores de VPL otimizados foram
comparados entre si, sendo que o maior obtido foi no caso com completação inteligente tanto no poço
produtor quanto no injetor: dez por cento acima do caso base sem completações inteligentes. Assim, verificou-se a vantagem econômica no uso da tecnologia para o caso estudado.
Abstract
Oil exploration and production projects demand high investments, related to the high degree of
associated uncertainty. Intelligent completion technology is used to monitor and close inflow zones on
wells, ensuring greater operational flexibility and thereby reducing the impact of uncertainties. This work
intends to evaluate the use of intelligent completions in a carbonate reservoir model. Using a five-spot model that emulates a carbonatic reservoir, four possible cases were simulated to compare the effect of
the use of intelligent completion on field production. An optimization has been performed in a range of
parameters corresponding to the operational limits of the model and valve actuation criteria, in order to
obtain the highest net present value of each case. These optimized NPV values were compared with each
other, and the highest obtained was in the case of intelligent completion in both the producing well and the injector well: ten percent above the base case without intelligent completion. Thus, the economic
advantage in the use of technology has been verified in this case of study.
1. Introdução
Um dos grandes desafios da indústria petrolífera nos dias de hoje está associado aos altos custos.
Projetos em águas ultra profundas, como é o caso do pré-sal brasileiro, demandam alto investimento
inicial, e com um tempo de payback relativamente longo (Rodrigues et al., 2017). Além disso, são altas
as incertezas associadas. Isso faz com que a equipe de gerenciamento tenha pouca margem para erros, e demanda certa flexibilidade dos projetos para poder contornar eventuais percalços.
29
É neste contexto que a completação inteligente surge como uma proposta interessante. As válvulas de completação inteligente funcionam de forma a propiciar controle remoto de vazão por zonas, abrindo ou fechando determinada zona do poço para produção ou injeção (Rahman et al., 2013). A completação
inteligente permite evitar intervenções em poços tais quais: alterações nos canhoneios, acidificação, fraturamento, teste de formação para coleta de dados, entre outras operações. Operações estas que acarretam em altos custos operacionais (Almeida et al., 2010).
Os poços inteligentes funcionam de forma a prevenir, ou pelo menos reagir a, eventos indesejados,
como por exemplo alta produção de água, e assim maximizar a produção de óleo (Sampaio et al., 2012). Tendo dito isso, é importante ressaltar que existem barreiras a serem superadas. Um desafio
enfrentado no estudo de caso descrito por Rodrigues et al. (2017) foi a falta de expertise das operadoras do Brasil em reservatórios carbonáticos, que eram, até a descoberta do pré-sal, pouco estudados pelo fato
de serem pouco comuns nos campos brasileiros. A tecnologia de poços inteligentes vem sendo utilizada, como mostra o artigo de Pizarro et al.
(2017), que demonstra que foi efetiva em maximizar a produção de óleo em um campo do pré-sal através da diminuição do percentual de água no fluido produzido. Contudo, os históricos de produção ainda são
recentes. É através de simulações numéricas que podemos projetar as curvas de produção de um campo nas décadas futuras. E, para o caso do pré-sal, ainda são poucos os trabalhos que comparam os poços convencionais e inteligentes simulando as condições deste tipo de reservatório.
É esse o objetivo deste trabalho; a comparação será feita a partir de um modelo de reservatório
carbonático com configuração de poços do tipo five-spot, com um quarto de injetor em cada vértice e um produtor no centro, e que reproduz as características das rochas carbonáticas. É importante destacar que o modelo é simplificado e não engloba todas as características de um campo do pré-sal. Portanto, os resultados obtidos não podem ser generalizados, mas servem para adquirir embasamento para discutir
quais os ganhos obtidos com o uso de ICVs em reservatórios carbonáticos.
2. Metodologia
O método de trabalho escolhido se baseia na realização de um estudo de caso. Foi feita uma simulação numérica de reservatórios como forma de obtenção de resultados. As etapas de trabalho estão
ilustradas na Figura 1, e serão explicadas detalhadamente a seguir.
Figura 1 - metodologia do trabalho
30
2.1. Rodadas de ajuste
O primeiro passo consiste em executar rodadas preliminares de simulação para adequação do
modelo ao estudo. Nesta etapa, são ajustadas as zonas de completação dos poços e as vazões de injeção
de água, conforme descrito na seção 3.1, e definem-se os valores iniciais e limites de cada variável
operacional, ainda utilizando o modelo com completações convencionais.
2.2. Modelos com completação inteligente
Ao chegar em um modelo considerado bem ajustado, são construídos os modelos com completação
inteligente. Isso é feito dividindo-se os poços em dois segmentos, superior e inferior, e implementando
um sistema lógico que funciona tal qual as ICVs, monitorando o corte de água no poço produtor e fechando
as zonas dos poços ao atingir uma determinada porcentagem. A definição das zonas superior e inferior de
cada poço se baseia em zonas geológicas do reservatório. Rodadas de ajuste podem ser feitas, variando as zonas do poço controladas por cada válvula, de forma a encontrar a melhor disposição de ICVs no modelo.
2.3. Otimização dos parâmetros
Após a construção de cada um dos quatro modelos base conforme explicado na seção 2.4, é realizada
uma otimização utilizando o CMOST, software da CMG usada para estudos desse tipo. Isso é feito
variando os limites de produção de gás e líquido, bem como o de injeção de água, tratados aqui para
otimizar os parâmetros operacionais. Todos os quatro casos são otimizados, considerando cada um dos
valores dos parâmetros dentro de uma faixa como equiprováveis, e tendo o VPL como variável a ser maximizada no processo. Os limites da otimização são escolhidos a partir dos resultados das rodadas
preliminares, sendo selecionados valores que condizem com a capacidade de vazão dos poços. O VPL é
a soma dos fluxos de caixa futuros descontados a uma taxa de juros estipulada, subtraindo o custo do
investimento inicial. No caso deste estudo, o investimento inicial é o custo de instalação das ICVs, nas
simulações em que se aplica. A mesma lógica é aplicada para a definição das condições de atuação das ICVs: inicialmente é
definido um valor arbitrário de corte de água (corte de água limite) no poço produtor que provoque
fechamento de zonas, e este valor deve ser otimizado de forma a maximizar o VPL caso a caso, dentro
das faixas de variação dos parâmetros definidos. O método de otimização utilizado é o Particle Swarm
Optimization (PSO), desenvolvido por Kennedy e Eberhart (1995).
2.4. Estudo de Caso
Para simular o comportamento de um reservatório carbonático, foi usado o modelo Cerena,
desenvolvido por Madeira e Pereira (2014) com as seguintes características: modelo composicional, com
configuração de poços do tipo five-spot (quadrado, um produtor no centro e um quarto de injetor em cada
vértice); pressão inicial de 49,3 MPa; malha de 21x21 blocos de 50m2, com 50 camadas de espessura
1,854m cada; valores de porosidade definidos célula a célula, tal qual a permeabilidade horizontal, cuja distribuição é igual nos dois eixos, e a permeabilidade vertical possui valores dez vezes menores do que a
horizontal em cada um dos elementos. O contato óleo-água está a 82m de profundidade, a partir da
profundidade de referência (zero) na superfície. O simulador usado foi o GEM da CMG, software
comercial para modelos composicionais.
Esse modelo com as completações convencionais ótimas (chamado de caso A) foi usado no seguinte passo, que consistiu em obter mais três modelos determinísticos:
• Caso B: injetores com completações convencionais tais quais o caso A; produtor com ICVs; • Caso C: produtor com completação convencional tal qual o caso A; injetores com ICVs; • Caso D: todos os poços com ICVs.
31
Além disso, para a análise econômica, a taxa de desconto considerada foi de 10% ao ano. A Tabela
1 apresenta os valores que foram usados nos cálculos (preços e custos de produção e injeção em US$/barril, custos das ICVs em US$).
Preço
do óleo
Custo de
produção do
óleo
Custo de
produção da
água
Custo de
injeção da água
ICV - Valor
base
ICV -
adicional por
válvula
60 10 1,5 1 200.000,00 200.000,00
Tabela 1 - Dados econômicos utilizados no estudo de caso
O custo de produção de cada unidade de volume de gás é considerado, por premissa, como igual
ao seu valor de mercado. Desta forma, podemos eliminar as duas variáveis da análise econômica.
Para realização da otimização dos parâmetros, os limites operacionais foram variados de acordo com a
Tabela 2.
Parâmetro Limite inferior Limite superior Unidade
Produção de gás 3 milhões 8 milhões metros cúbicos/dia
Produção de líquido 3 mil 8 mil metros cúbicos/dia
Injeção de água 8 mil 20 mil metros cúbicos/dia
Corte de água limite 5% 100%
Tabela 2 – Faixas de variações dos parâmetros otimizados
Essas faixas de variação foram escolhidas a partir das rodadas de ajuste do modelo, de forma a não causar distorções que comprometessem o estudo.
Para todos os casos, foi inserido também um parâmetro de corte de água, chamado de corte de água
crítico, que provoca o fechamento de todos os poços. Na otimização, este parâmetro também sofreu
variações entre 5 e 100%, assim como o corte de água limite das ICVs. Este serve para parar a produção
caso se torne antieconômica.
3. Resultados
As rodadas de ajuste serviram para análise das zonas geológicas do modelo, e assim foi possível definir onde posicionar as ICVs de cada poço para os casos seguintes.
Para o Caso B, o poço produtor foi dividido em dois segmentos, superior e inferior. Com os mesmos
limites de produção do Caso A, foi estabelecido inicialmente que a zona inferior do poço fecha quando o
corte de água atinge 30%.
O Caso C, também com os mesmos limites do caso A, foi definido com os injetores divididos em duas seções cada um, sendo que as zonas superiores são fechadas inicialmente quando o corte de água no
óleo produzido atinge 30%.
Por fim, o caso D é a combinação dos dois anteriores: todos os poços divididos em duas zonas,
com os mesmos critérios de atuação de válvulas e limites operacionais.
Assim como esses limites operacionais, o valor de corte de água que provoca o fechamento das válvulas também foi otimizado de forma a eliminar a arbitrariedade da escolha e obter o maior VPL
possível.
Os três casos com completação inteligente foram simulados com as configurações acima de forma
a buscar possíveis desajustes, tanto na lógica de funcionamento das válvulas quanto no posicionamento
das mesmas. Feito isso, prosseguiu-se para a etapa de otimização.
32
3.1. Otimização de parâmetros
Os parâmetros inicialmente arbitrários (vazões máximas de gás e de líquido, além do valor de corte
de água limite, que provoca fechamento do poço no Caso A ou acionamento das ICVs nos outros casos) foram otimizados usando o método PSO. O CMOST gerou 200 combinações dos mesmos para cada caso
estudado, dentro das faixas de variação descritas na Tabela 2.
Os resultados confirmam que o VPL tende a ser maior conforme aumentamos a capacidade de
processamento da planta. Os casos ótimos operam com o limite de injeção de água em 20 mil m3, valor
que é o máximo possível na otimização, e injetam a cota máxima permitida em algum momento da vida do campo, conforme exposto na Figura 5. O mesmo vale para os limites de produção: em algum momento,
todos os poços produzem os valores máximos permitidos para cada fluido.
Os valores acumulados de produção de óleo e de injeção e produção de água, em metros cúbicos,
obtidos na otimização de cada caso estão contidos na Tabela 3. Além disso, as Figuras 2, 3 e 4 ilustram
os gráficos dessas vazões ao longo do tempo. O VPL do Caso A ótimo ficou muito próximo de US$ 5 bilhões (4,995717 bilhões, para ser exato).
A Tabela 4 mostra o VPL de cada caso ótimo, além do incremento percentual dos casos ótimos com o uso
de ICVs em relação ao Caso A ótimo.
Caso A Caso B Caso C Caso D
Prod. óleo (1E6 m3) 3,060 3,209 3,086 3,009
Prod. água (1E6 m3) 0,941 1,157 1,299 0,837
Inj. água (1E6 m3) 12,928 14,715 12,676 12,697
Tabela 3 – Volumes produzidos e injetados em cada caso ótimo
Caso A Caso B Caso C Caso D
VPL (Bilhões US$) 4,996 5,231 5,359 5,493
Incremento em relação ao caso A - 4,7% 7,3% 10,0%
Tabela 4 – VPL obtido na otimização de cada caso e incremento percentual no VPL de cada caso ótimo em relação ao Caso A
Figura 2 – Vazões de óleo dos casos, mostrando as soluções ótimas encontradas
0
1000
2000
3000
4000
5000
6000
7000
8000
9000
2014 2019 2024 2030 2035 2041
Vaz
ão d
e óle
o (
m3)
Ano
Caso A Caso B Caso C Caso D
33
4. Conclusão
Analisando os resultados, concluiu-se que o uso de completação inteligente no modelo estudado
acarretou em considerável ganho de flexibilidade operacional para o projeto. Mesmo com os custos de instalação, a atuação da tecnologia resultou em ganhos financeiros.
Nos casos onde o poço injetor é inteligente, a atuação das ICVs ocorreu de forma a fechar o intervalo
superior do poço. Já nos casos onde o poço produtor é inteligente, a atuação das ICVs fechou o intervalo
inferior do poço.
Ambas as atuações, isoladamente, proporcionaram valores de VPL maiores que o caso base. Porém foi a combinação das duas que obteve o maior VPL de todos, 10% maior do que o caso base, que foi
construído apenas com poços convencionais.
Em relação ao modelo escolhido para o estudo e aos valores especificados para as variáveis, foram
julgados adequados após avaliação dos resultados. Como sugestões para aprimoramento, pode-se refazer
o estudo com um modelo com malha mais fina, ou analisar a sensibilidade dos resultados à variação da taxa de desconto e do preço do óleo. Além disso, a própria lógica de atuação dos poços inteligentes pode
ser revista de forma a contemplar controles proativos em vez de reativos.
5. Referências
AGGREY, W. N. (2014). Intelligent well Technology- Dealing with Gas Coning Problems in Production wells, 4(5), 121–135.
ALMEIDA, L. F.; VELLASCO, M. M. B. R.; PACHECO, M. A. C. (2010). Optimization system for valve control in intelligent wells under uncertainties. Journal of Petroleum Science and Engineering, 73(1–2), 129–140.
https://doi.org/10.1016/j.petrol.2010.05.013 CORREIA, M.; HOHENDORFF, J.; GASPAR, A. T. F. S.; SCHIOZER, D. (2015). UNISIM-II-D: Benchmark Case Proposal
Based on a Carbonate Reservoir. Society of Petroleum Engineers. doi:10.2118/177140-MS KENNEDY, J.; EBERHART, R. (1995). "Particle Swarm Optimization". Proceedings of IEEE International Conference on
Neural Networks. IV. pp. 1942–1948. doi:10.1109/ICNN.1995.488968 MADEIRA, P. T.; PEREIRA L. A. G. R. (2014). Dynamic simulation on the synthetic reservoir CERENA I. Compositional
fluid flow simulation with 4D seismic monitoring on a reservoir with a large content of CO2. Tese (Mestrado em Engenharia de Petróleo) – Instituto Técnico de Lisboa, Portugal
PIZARRO, J. O. D. S.; BRANCO, C. C. M. (2012). Challenges in Implementing an EOR Project in the Pre-Salt Province in Deep Offshore Brasil. Society of Petroleum Engineers. doi:10.2118/155665-MS
PIZARRO, J. O. D. S.; POLI, R. E. B.; ROSA, M. B.; COSTA, V., M, C. C.; CUNHA, B. M.; PINTO, A. C. C. (2017). Optimizing Production of Santos Basin Pre-Salt Fields through Sound Reservoir Management Practices The Santos Basin
Pre-salt Context. Offshore Technology Conference.
Figura 4 – Vazões de injeção de água dos casos, mostrando as
soluções ótimas encontradas
Figura 3 – Vazões de produção de água dos casos, mostrando
as soluções ótimas encontradas
0
500
1000
1500
2000
2500
3000
3500
2014 2019 2024 2030 2035 2041
Vaz
ão d
e ág
ua
(m3)
Caso A Caso B Caso C Caso D
0
5000
10000
15000
20000
25000
2014 2019 2024 2030 2035 2041
Caso A Caso B Caso C Caso D
