Modelagem reológica data-driven de emulsões água em óleo para gerenciamento de produção em campos de águas profundas

A formação de emulsões é hoje um dos principais problemas enfrentados na produção de petróleo em campos maduros. Normalmente, as emulsões de água em óleo exibem um aumento substancial na viscosidade em comparação com a viscosidade do petróleo bruto desidratado, o que causa altas perdas de carga nas linhas e, consequentemente, perdas na produção do poço. Este trabalho tem como objetivo apresentar um novo paradigma na indústria utilizando Inteligência Artificial (IA) para modelagem reológica de fluidos produzidos e previsão de suas propriedades ao longo do ciclo de vida do poço. O ganho esperado é acelerar o processo de priorização de campos para aplicação de melhoradores de fluxo e aumentar a precisão das simulações de fluxo multifásico. A previsão de perdas de produção por formação de emulsão é uma ferramenta utilizada tanto na fase de projeto quanto na gestão da produção. No entanto, a modelagem reológica de fluidos emulsificados é um desafio. As correlações atuais são baseadas em características reológicas bastante diferentes dos óleos produzidos nas bacias brasileiras. Essas correlações raramente consideram as características específicas do petróleo bruto, como seu °API e sua viscosidade quando desidratado. Por causa disso, a escolha da melhor correlação para um determinado fluido é incerta até que um teste de laboratório seja realizado. O presente trabalho discute como algoritmos de IA podem ser usados ​​para modelagem de reologia de emulsões. O modelo proposto é baseado em dados coletados há anos pela Petrobras em análises reológicas realizadas no CENPES. Ele forneceu um modelo capaz de representar o comportamento da viscosidade das emulsões. Este modelo baseado em dados traz uma nova abordagem para a construção de correlações reológicas de emulsão. A IA pode aprimorar as correlações clássicas para modelagem reológica com base na massa de dados coletados por operadores de petróleo e gás. O modelo de aprendizado de máquina proposto neste artigo pode estimar a viscosidade de emulsões em função da fração de água produzida no ciclo de vida do poço, o que é de grande interesse para avaliação da rentabilidade de projetos e gerenciamento da produção. O modelo provou ser adaptável aos diferentes fluidos produzidos devido à escolha de novos recursos de entrada, como °API e viscosidade do óleo cru desidratado. Esta abordagem torna a modelagem de fluidos mais representativa em termos da física do escoamento e melhora as previsões de simulação. O modelo é capaz de generalizar o comportamento da emulsão no conjunto de dados de teste, oriundo de análises laboratoriais. Além disso, os resultados do modelo em Simuladores são compatíveis com os dados de campo.