Combinando inteligência artificial e modelagem física para determinar a propriedade natural da caverna com curvas de fraturamento
Atualmente, ainda é um desafio determinar com precisão os parâmetros geológicos de cavernas naturais em reservatórios profundos. Ao herdar as vantagens do método Machine Learning (ML) e da modelagem física, um novo método ML-Physics é desenvolvido para determinar os parâmetros geológicos de cavernas naturais com base na mineração de dados de curvas de fraturamento obtidas durante a operação de Fraturamento Hidráulico (HF). O tempo computacional do método ML-Physics é dividido em dois estágios, estágio de preparação e estágio de operação. A etapa de preparação ocorre antes da operação de HF, portanto não há limitação de tempo computacional. Durante esta fase de preparação, a relação implícita entre a propriedade da caverna e a curva de fraturamento é gerada usando ML, que geralmente falha em garantir a precisão sob diferentes condições geológicas e operacionais. A etapa de operação ocorre durante a operação de HF, na qual o tempo computacional é limitado porque os parâmetros geológicos de cavernas naturais devem ser determinados em tempo real. Durante esta etapa de operação, é realizado o método de análise inversa baseado em modelagem física, no qual o valor inicial é escolhido com base nos resultados de ML obtidos na etapa de preparação. Os resultados mostram que, com o mesmo erro alvo, o passo de iteração do método ML-Physics (1 iteração) é muito menor do que o do método tradicional de análise inversa (5 iterações). Após as mesmas iterações, o erro da curva de fraturamento usando o método tradicional de análise inversa é de 0,40%, enquanto o erro usando o método ML-Physics é de 0,02%. Enquanto isso, o erro de permeabilidade usando o ML tradicional é de até 10,33%, enquanto o erro do método ML-Physics é de 0,29%.
Computers and Geotechnics Volume 158, June 2023, 105339