Resumo: A seleção da estratégia de produção sob incertezas é uma etapa importante no desenvolvimento e gerenciamento de campos de petróleo, pois impacta diretamente o fator de recuperação de óleo e o retorno econômico do projeto. A abordagem mais confiável para determinar a estratégia ótima envolve a realização de inúmeras simulações usando modelos numéricos de reservatórios para otimizar um grande número de variáveis. Apesar dos avanços computacionais, as simulações necessárias para determinar a estratégia ideal ainda requerem tempo significativo, especialmente em situações reais, que exigem uso de modelos de maior fidelidade para representar o campo, hidrocarbonetos com múltiplos componentes e incertezas. Além do alto esforço computacional, outra desvantagem comumente identificada nos procedimentos tradicionais é o fato de fornecerem estratégias excessivamente complexas de serem implementadas. A fim de abordar os problemas mencionados, esta tese propõe procedimentos que aceleram o processo de otimização das variáveis de controle de poço ao longo do ciclo de vida do campo, ao mesmo tempo que geram estratégias bem-comportadas para implementação prática em casos de injeção de água e de injeção alternada de água e gás (WAG). Este trabalho foi dividido em quatro artigos. O primeiro explora quatro regras de parametrização das variáveis de controle do ciclo de vida do campo buscando maximizar o retorno econômico do projeto. A parametrização inicial otimiza a distribuição das vazões e o tempo de fechamento dos poços. As outras três consistem em equações paramétricas, incluindo a logística e as polinomiais de primeira e segunda ordem, para definir a pressão de fundo de poço (BHP) ao longo do tempo. No segundo artigo, apresentamos o método IDLHC-ML, o qual integra técnicas de aprendizado de máquina ao algoritmo hipercubo latino discretizado iterativo (IDLHC). Esse método visa diminuir a quantidade de simulações necessárias no processo de otimização da melhor parametrização encontrada no trabalho anterior. No terceiro, apresentamos o IDLHC-MLR, uma extensão do IDLHC-ML, que visa incorporar incertezas através da otimização robusta de modelos representativos. Expandindo o conceito de parametrização introduzido no primeiro artigo, o quarto estudo apresenta uma nova equação paramétrica para acelerar o processo de otimização de injeção WAG. Essa equação define a prioridade de injeção de água ou gás para cada poço em cada intervalo. Para isso, a equação considera dados de produção do reservatório, incluindo corte de água, razão gás óleo e produção acumulada de gás dos poços. As parametrizações propostas para as variáveis de controle de poço do ciclo de vida do campo, seja para definição do BHP ou da injeção WAG ao longo do tempo, melhoraram a convergência do algoritmo de otimização para soluções melhores quando comparadas com as de abordagens tradicionais. Além disso, essas estratégias exibiram comportamentos favoráveis para aplicação prática. O método de aprendizado de máquina também foi bem-sucedido reduzindo o número de simulações necessárias sem comprometer o retorno econômico nos cenários nominal e probabilístico Ver menos

Abstract: The selection of production strategy under uncertainties is a crucial step in the development and management of oil fields, as it directly impacts the oil recovery factor and the economic return of the project. The most reliable approach to determine the optimal strategy involves conducting numerous simulations using reservoir numerical models to optimize a large number of variables. Despite computational advancements, the simulations required to ascertain the optimal strategy still demand a substantial amount of time, particularly in real-world scenarios that necessitate the use of higher-fidelity models to represent the field, hydrocarbons with multiple components, and uncertainties. In addition to the high computational effort, another drawback frequently observed in traditional procedures is their tendency to yield excessively intricate implementation strategies. In order to address the mentioned issues, this thesis proposes procedures that accelerate the well control life-cycle optimization process while also generating well-behaved strategies for practical implementation in cases of water injection and water alternating gas injection (WAG). This work has been divided into four articles. The first explores four parameterization rules for the well control life-cycle variables, aiming to maximize the project's economic return. The initial parameterization optimizes the distribution of flow rates and the well shut-in time. The other three consist of parametric equations, including logistic and first and second-order polynomial equations, to define the wells bottom-hole pressure (BHP) over time. In the second article, we present the IDLHC-ML method, which integrates machine learning techniques into the iterative discretized Latin hypercube (IDLHC) algorithm. This method aims to reduce the number of simulations required in the optimization process of the best parameterization found in the previous work. In the third article, we introduce the IDLHC-MLR, an extension of IDLHC-ML that aims to incorporate uncertainties through robust optimization of the representative models. Expanding on the parameterization concept introduced in the first article, the fourth study presents a new parametric equation to expedite the optimization process of WAG injection. This equation defines the priority of water or gas injection for each well in each interval. To achieve this, the equation considers reservoir production data, including water cut, gas-oil ratio, and the wells' cumulative gas production. The parameterizations proposed for the well control life-cycle variables, whether for defining BHP or WAG injection over time, improved the optimization algorithm's convergence towards better solutions when compared to those of traditional approaches. Furthermore, these strategies exhibited favorable behaviors for practical implementation. The machine learning method was also successful in reducing the number of required simulations without compromising the economic return in both nominal and probabilistic scenarios Ver menos