BR102021023210A2

BR102021023210A2 - RHEOLOGICAL MODEL OF WATER-IN-PETROLEUM EMULSIONS OBTAINED BY ARTIFICIAL INTELLIGENCE

Info

Publication number: BR102021023210A2
Application number: BR102021023210-2A
Authority: BR
Inventors: Luis Kin Miyatake; Marcia Cristina Khalil De Oliveira; Thiago Geraldo Da Silva; Andre Gonçalves Medeiros; Rafael Madeira Estevam Barbosa; Felipe Mauro Rena Cardoso; Otavio Ciribelli Borges
Original assignee: Petróleo Brasileiro S.A. - Petrobras
Filing date: 2021-11-18
Publication date: 2023-05-30

Abstract

A presente invenção trata um método de avaliação de propriedades reológicas de emulsões água em óleo (A/O) no qual apresenta um novo paradigma no segmento de exploração e produção gerado usando inteligência artificial na análise de dados reológicos de fluidos produzidos nos campos de petróleo brasileiro. O modelo desenvolvido viabiliza a previsão das propriedades reológicas das emulsões ao longo do ciclo de vida de produção de um campo de petróleo. Os ganhos esperados estão associados ao uso de correlações representativas do comportamento de escoamento de petróleos brasileiros, à aceleração do processo de priorização de poços candidatos à injeção submarina de produtos químicos desemulsificantes (DSS) e, consequentemente, ao aumento da produção de óleo e gás com consequente geração de valor.

The present invention deals with a method of evaluating the rheological properties of water-in-oil (W/O) emulsions in which it presents a new paradigm in the exploration and production segment generated using artificial intelligence in the analysis of rheological data of fluids produced in the Brazilian oil fields. The developed model makes it possible to predict the rheological properties of emulsions throughout the production life cycle of an oil field. The expected gains are associated with the use of correlations representative of the flow behavior of Brazilian oils, the acceleration of the prioritization process of candidate wells for the subsea injection of demulsifying chemical products (DSS) and, consequently, the increase in oil and gas production with consequent value creation.

Description

RHEOLOGICAL MODEL OF WATER-IN-PETROLEUM EMULSIONS OBTAINED BY ARTIFICIAL INTELLIGENCE

Field of Invention

[001] A presente invenção trata de um modelo reológico de emulsões do tipo água em petróleo por inteligência artificial aplicado em poços produtores de petróleo que possam apresentar perdas de produção devido às perdas de carga e instabilidade de escoamento causadas pelo efeito da formação de emulsão estável, viabilizando a previsão das propriedades das emulsões ao longo do ciclo de vida de produção de um campo de petróleo.[001] The present invention deals with a rheological model of water-in-oil emulsions by artificial intelligence applied in oil-producing wells that may present production losses due to head losses and flow instability caused by the effect of stable emulsion formation, enabling the prediction of the properties of emulsions throughout the production life cycle of an oil field.

Description of the State of the Art

[002] Emulsões do tipo água-em-petróleo (A/O) são formadas na maioria dos campos produtores a partir do início da produção de água, durante o escoamento do fundo do poço até a instalação de superfície. Tipicamente, as emulsões apresentam altas viscosidades e estabilidade, podendo causar aumento na perda de carga durante o escoamento, instabilidade da produção e perdas de óleo.[002] Water-in-oil (W/O) emulsions are formed in most producing fields from the beginning of water production, during the flow from the bottom of the well to the surface installation. Typically, emulsions have high viscosities and stability, which can cause increased pressure drop during flow, production instability and oil losses.

[003] A estabilidade da emulsão formada e o incremento de viscosidade associado podem afetar, significativamente, a capacidade dos sistemas de produção, especialmente daqueles situados em ambiente offshore. Nesse sentido, o conhecimento das propriedades reológicas dos petróleos e de suas emulsões é de vital importância para a definição das bases de projeto a serem adotadas no dimensionamento das facilidades de produção, definição dos requisitos de bombeamento dos fluidos, movimentação e processamento desses sistemas.[003] The stability of the emulsion formed and the associated viscosity increase can significantly affect the capacity of production systems, especially those located in an offshore environment. In this sense, knowledge of the rheological properties of oils and their emulsions is of vital importance for defining the design bases to be adopted in the dimensioning of production facilities, definition of fluid pumping requirements, movement and processing of these systems.

[004] As propriedades reológicas, em especial a viscosidade, são parâmetros importantes para avaliar as propriedades e a estabilidade das emulsões de petróleo. A viscosidade de uma emulsão tipo A/O está associada a diversos fatores, dentre eles destacam-se: a fração volumétrica da fase interna (água), Φ a densidade e viscosidade da fase externa (petróleo); a temperatura; a taxa de cisalhamento; a distribuição e o tamanho médio das gotas; e a presença de sólidos (argila, incrustação, cristais de parafina e outros).[004] The rheological properties, in particular the viscosity, are important parameters to evaluate the properties and stability of petroleum emulsions. The viscosity of a W/O emulsion is associated with several factors, including: the volumetric fraction of the internal phase (water), Φ the density and viscosity of the external phase (oil); the temperature; the shear rate; the distribution and average size of the drops; and the presence of solids (clay, encrustation, paraffin crystals and others).

[005] A viscosidade de uma emulsão (μE) apresenta uma relação de proporcionalidade com a viscosidade da sua fase externa (μFE). Desta forma, a viscosidade de uma emulsão pode ser expressa a partir do termo viscosidade relativa (μR), Equação 1. Esse termo representa o incremento de viscosidade do petróleo quando a água é incorporada na forma de emulsão do tipo água-óleo (A/O).

[005] The viscosity of an emulsion (μE) has a proportional relationship with the viscosity of its external phase (μFE). Thus, the viscosity of an emulsion can be expressed from the term relative viscosity (μR), Equation 1. This term represents the increase in oil viscosity when water is incorporated in the form of a water-oil (W/O) emulsion.

[006] Einstein foi o primeiro a definir uma relação entre a viscosidade relativa de emulsões diluídas (Φ< 5%) e a fração volumétrica da fase interna (Φ), dada pela Equação 2.

[006] Einstein was the first to define a relationship between the relative viscosity of diluted emulsions (Φ< 5%) and the volumetric fraction of the internal phase (Φ), given by Equation 2.

[007] Trabalhos posteriores demonstraram que, para sistemas com teores de água maiores, podem ser utilizadas expressões com a forma de série de potências, representadas pela Equação 3.

[007] Later works demonstrated that, for systems with higher water contents, expressions in the form of a power series, represented by Equation 3, can be used.

[008] Richardson desenvolveu a Equação 4 baseado em uma relação exponencial entre a viscosidade relativa e a fração volumétrica da fase interna.

[008] Richardson developed Equation 4 based on an exponential relationship between the relative viscosity and the volumetric fraction of the internal phase.

[009] Broughton e Squires, com o objetivo de tornar o logaritmo da viscosidade relativa uma função linear da fração volumétrica da fase interna, incorporaram à Equação 4 uma constante (c), obtendo-se a Equação 5. Não obstante, essa equação é inexata quando Φ tende a zero.

[009] Broughton and Squires, with the aim of making the logarithm of relative viscosity a linear function of the volumetric fraction of the internal phase, incorporated a constant (c) into Equation 4, obtaining Equation 5. However, this equation is inexact when Φ tends to zero.

[0010] O incremento da viscosidade, associado à formação de emulsão, pode provocar um acréscimo no gradiente de pressão no escoamento. No caso de sistemas de produção esse aumento da perda de carga pode, em princípio, representar uma redução na produção de petróleo.[0010] The increase in viscosity, associated with the formation of emulsion, can cause an increase in the pressure gradient in the flow. In the case of production systems, this increase in pressure drop may, in principle, represent a reduction in oil production.

[0011] As correlações mais empregadas em simuladores comerciais de escoamento para determinação da viscosidade da emulsão são as de Woelflin e de Ronningsen. No estudo desenvolvido por Woelflin foram construídas três curvas que correlacionam a viscosidade de emulsão A/O aos teores de água emulsionada. Adicionalmente, essas curvas foram denominadas como emulsões fracas, médias ou fortes. Após um ajuste dos dados foi obtida a Equação 6:

[0011] The correlations most used in commercial flow simulators to determine the viscosity of the emulsion are those of Woelflin and Ronningsen. In the study developed by Woelflin, three curves were built that correlate the viscosity of the W/O emulsion to the emulsified water content. Additionally, these curves were named as weak, medium or strong emulsions. After adjusting the data, Equation 6 was obtained:

[0012] Um estudo desenvolvido por Ronningsen, baseado em apenas oito petróleos do Mar do Norte, com grau API entre 20 e 40, apresentou uma equação empírica geral que proporciona estimativas para viscosidade relativa das emulsões em temperaturas entre 5 e 40°C, frações de água entre 10% e 60% e taxas de cisalhamento entre 300 e 500 s-1, conforme a equação 7:

[0012] A study developed by Ronningsen, based on only eight North Sea oils, with an API degree between 20 and 40, presented a general empirical equation that provides estimates for the relative viscosity of emulsions at temperatures between 5 and 40°C, water fractions between 10% and 60% and shear rates between 300 and 500 s-1, according to equation 7:

[0013] Nesta expressão, T é a temperatura e k1, k2, k3 e k4 são constantes, ajustadas experimentalmente, que devem ser definidas em função da taxa de cisalhamento.[0013] In this expression, T is the temperature and k1, k2, k3 and k4 are constants, adjusted experimentally, which must be defined as a function of the shear rate.

[0014] Outro fator que deve ser considerado é que ao longo do escoamento da produção, desde o poço até a plataforma, há presença de gás, inicialmente dissolvido no petróleo e sendo liberado à medida que a pressão diminui. Com isso, a viscosidade do fluido sofre alterações em virtude da liberação de gás e alteração da temperatura.[0014] Another factor that must be considered is that throughout the flow of production, from the well to the platform, there is the presence of gas, initially dissolved in the oil and being released as the pressure decreases. Thus, the viscosity of the fluid undergoes changes due to the release of gas and temperature change.

[0015] As correlações desenvolvidas até momento conseguem fazer uma previsão da viscosidade das emulsões de petróleos, mas observam-se desvios consideráveis em petróleos com diferentes densidades e em intervalo de taxas de cisalhamento fora da faixa esperada no escoamento dos poços e linhas submarinas da Petrobras, sendo assim diferente daquele que foi definido na presente invenção.[0015] The correlations developed so far are able to predict the viscosity of oil emulsions, but considerable deviations are observed in oils with different densities and in a range of shear rates outside the expected range in the flow of Petrobras wells and submarine lines, thus being different from what was defined in the present invention.

[0016] Desta forma, as propriedades reológicas do petróleo e das emulsões eram tipicamente medidas por ensaios em laboratório, com os fluidos coletados nos campos de produção durante os testes de formação e de produção de um poço. Água salina era incorporada ao petróleo em diferentes proporções, de 10% a 70%, para gerar emulsões representativas do escoamento, considerando o aumento da produção de água ao longo da vida produtiva de um poço. As análises reológicas das emulsões com diferentes teores de água eram realizadas em petróleos de 15 a 40°API de diferentes regiões do Brasil em diferentes temperaturas, de 4 a 70°C, no intervalo de taxa de cisalhamento de 20 a 250 s-1.[0016] Thus, the rheological properties of oil and emulsions were typically measured by laboratory tests, with fluids collected in the production fields during formation and production tests of a well. Saline water was incorporated into the oil in different proportions, from 10% to 70%, to generate emulsions representative of the flow, considering the increase in water production over the productive life of a well. The rheological analyzes of emulsions with different water contents were carried out in oils of 15 to 40°API from different regions of Brazil at different temperatures, from 4 to 70°C, in the range of shear rate from 20 to 250 s-1.

[0017] Os dados de viscosidade obtidos em laboratório eram alimentados em simuladores de escoamento para prever o comportamento dos fluidos, considerando os dados geométricos das linhas de produção e as condições de temperatura e pressão do cenário. Esses simuladores usam as correlações matemáticas empíricas para descrever o escoamento, citadas anteriormente, que foram desenvolvidas a partir de dados de alguns petróleos do Mar do Norte e de outras regiões do mundo.[0017] The viscosity data obtained in the laboratory were fed into flow simulators to predict the behavior of fluids, considering the geometric data of the production lines and the temperature and pressure conditions of the scenario. These simulators use the previously mentioned empirical mathematical correlations to describe the flow, which were developed from data on some North Sea oils and other regions of the world.

[0018] As informações sobre o comportamento de escoamento são usadas para compreensão de ocorrências de campo, para avaliar alternativas de melhorar o escoamento e, consequentemente, aumentar a produção de óleo. Esse processo implicava em elevados custos logísticos e de pessoal, relativos à coleta de amostras, transporte e análises reológicas das amostras em laboratório, e ainda na obtenção de dados de simulação com baixa representatividade dos cenários brasileiros. Dessa forma, surge a necessidade de um método para previsão de comportamento reológico de emulsões de petróleo sem a necessidade de coleta de amostras e análises em laboratório.[0018] Information on flow behavior is used to understand field occurrences, to evaluate alternatives to improve flow and, consequently, increase oil production. This process implied high logistical and personnel costs, related to sample collection, transport and rheological analysis of samples in the laboratory, and also in obtaining simulation data with low representation of Brazilian scenarios. Thus, the need arises for a method for predicting the rheological behavior of petroleum emulsions without the need to collect samples and analyze them in the laboratory.

[0019] FERRAZ, L. A. (2015) “Comportamento reológico de emulsões do tipo água em óleo de petróleos pesados: estudo experimental e avaliação de correlações empíricas”, Dissertação (Mestrado em Energia) - Universidade Federal do Espírito Santo - São Mateus, avalia algumas das principais correlações empíricas destinadas à previsão das viscosidades de emulsões do tipo água em óleo (A/O) e presentes em dois dos mais proeminentes simuladores de escoamento multifásico (OLGA®, PIPESIM®). Foram coletadas quatro amostras de óleos oriundas de poços de petróleo de campos terrestres do Norte Capixaba, com grau API entre 13 e 23, e, por meio da técnica de planejamento de experimentos, foram avaliadas as influências dos fatores temperatura, fração volumétrica da fase dispersa e taxa de cisalhamento sobre as viscosidades relativas das emulsões.[0019] FERRAZ, L. A. (2015) “Rheological behavior of water-in-oil emulsions of heavy oils: experimental study and evaluation of empirical correlations”, Dissertation (Master in Energy) - Federal University of Espírito Santo - São Mateus, evaluates some of the main empirical correlations destined to the prediction of viscosities of water-in-oil (W/O) emulsions and present in two of the most prominent multiphase flow simulators (OLGA®, PI PESIM®). Four oil samples from oil wells in onshore fields in Northern Capixaba were collected, with API degrees between 13 and 23, and, using the experiment planning technique, the influences of temperature, volumetric fraction of the dispersed phase and shear rate on the relative viscosities of the emulsions were evaluated.

[0020] OLIVEIRA, C. B. Z. (2010) “Reologia de petróleos e suas emulsões do tipo A/O” Dissertação (Mestrado em Engenharia de Processos) -Universidade Tiradentes - Aracaju, avalia o efeito de um conjunto de variáveis no comportamento reológico de emulsões de petróleo, incluindo diâmetro médio de gota, salinidade, pH e teor de água.[0020] OLIVEIRA, C. B. Z. (2010) “Rheology of oils and their W/O type emulsions” Dissertation (Master in Process Engineering) - Tiradentes University - Aracaju, evaluates the effect of a set of variables on the rheological behavior of oil emulsions, including average droplet diameter, salinity, pH and water content.

[0021] No artigo de AZODI, M.; NAZAR, A. R. S. (2013) “An experimental study on factors affecting the heavy crude oil in water emulsions viscosity”, Journal of Petroleum Science and Engineering, v.106, p.1-8 descreve uma equação reológica modificada para prever a viscosidade de emulsão de óleo em água, com base nos fatores que afetam a viscosidade. Esta equação é desenvolvida com base na taxa de cisalhamento, concentração de óleo, concentração de emulsificante e temperatura.[0021] In the article by AZODI, M.; NAZAR, A. R. S. (2013) “An experimental study on factors affecting the heavy crude oil in water emulsions viscosity”, Journal of Petroleum Science and Engineering, v.106, p.1-8 describes a modified rheological equation to predict the viscosity of oil-in-water emulsions, based on the factors that affect viscosity. This equation is developed based on shear rate, oil concentration, emulsifier concentration and temperature.

[0022] Contudo, nenhum documento do estado da técnica revela um modelo reológico de emulsões A/O, por inteligência artificial, que viabiliza a previsão de comportamento reológico de emulsões de petróleo sem a necessidade de coleta de amostras e análises em laboratório tal como o da presente invenção.[0022] However, no state-of-the-art document reveals a rheological model of W/O emulsions, by artificial intelligence, which makes it possible to predict the rheological behavior of oil emulsions without the need to collect samples and analyzes in a laboratory such as that of the present invention.

[0023] Dessa forma, com o intuito de solucionar tais problemas desenvolveu-se a presente invenção, que viabiliza a previsão de propriedades reológicas de fluidos emulsionados usando modelos orientados aos dados de petróleos brasileiros, através de técnicas de inteligência artificial.[0023] Thus, in order to solve such problems, the present invention was developed, which enables the prediction of rheological properties of emulsified fluids using models oriented to data from Brazilian oils, through artificial intelligence techniques.

[0024] A presente invenção apresenta vantagens técnicas tais como: um modelo baseado em dados de campos brasileiros, incremento de confiabilidade na modelagem de elevação e escoamento, avaliação e quantificação de ganhos de produção com a injeção submarina de desemulsificante (DSS), além de poder ser incorporado aos modelos comerciais de escoamento.[0024] The present invention presents technical advantages such as: a model based on data from Brazilian fields, increased reliability in elevation and flow modeling, evaluation and quantification of production gains with subsea injection of demulsifier (DSS), in addition to being able to be incorporated into commercial models of flow.

[0025] Ainda, a presente invenção apresenta vantagens econômicas, tais como: priorização dos poços na injeção de DSS, antecipação na tomada de decisão para aumento da produção e redução de custos logísticos para amostragem de fluidos.[0025] Still, the present invention presents economic advantages, such as: prioritization of wells in the DSS injection, anticipation in decision-making to increase production and reduction of logistical costs for fluid sampling.

Brief Description of the Invention

[0026] A presente invenção trata de um modelo reológico de emulsões do tipo água em petróleo por inteligência artificial, que viabiliza a previsão de comportamento reológico de emulsões de petróleo sem a necessidade de coleta de amostras e análises em laboratório e que foi desenvolvido pelo tratamento, por inteligência artificial, do banco de dados gerado ao longo dos últimos 10 anos.[0026] The present invention deals with a rheological model of water-in-oil emulsions by artificial intelligence, which enables the prediction of rheological behavior of oil emulsions without the need to collect samples and analyzes in the laboratory and which was developed by processing, by artificial intelligence, the database generated over the last 10 years.

[0027] A presente invenção pode ser aplicada em todos os cenários de poços produtores de petróleo que possam apresentar perdas de produção devido às perdas de carga e instabilidade de escoamento causadas pelo efeito da formação de emulsão estável.[0027] The present invention can be applied in all scenarios of oil producing wells that may present production losses due to head losses and flow instability caused by the effect of stable emulsion formation.

Brief Description of the Drawings

[0028] A presente invenção será descrita com mais detalhes a seguir, com referência às figuras em anexo que, de uma forma esquemática e não limitativa do escopo inventivo, representam exemplos de realização da mesma. Nos desenhos, têm-se:
- A Figura 1 representa o modelo Extra Trees (X), os dados de entrada: 1) fração de água, 2) temperatura, 3) densidade API e 4) viscosidade do petróleo desidratado, e o dado de saída; 5) Log da viscosidade relativa. Destaca-se que os itens 3 e 4 que são diferenciais da presente invenção;
- A Figura 2 ilustra os resultados de viscosidade relativa (eixo y) em função da fração de água (eixo x) obtidos pelo modelo Extra Trees, comparado aos modelos clássicos da literatura. Nestes gráficos, comparam-se também a performance do modelo nos conjuntos de treino e teste, amostrados em laboratório, para 6 poços (dentre 174 presentes no dataset usado para construção do modelo), sendo para uma viscosidade relativa de 50°C (a) poço 1; (b) poço 2; (c) poço 3; (d) poço 4; (e) poço 5; e (f) poço 6. Observa-se que os poços apresentam relevante capacidade de adaptação, comportando-se de forma similar e adaptativa ao modelo clássico (Woelflin Fraca, Woelflin Média, Woelflin Forte ou Ronningsen) mais apropriado ao poço. Essa capacidade de se adaptar se dá pela inclusão de duas novas entradas para o modelo: viscosidade do óleo desidratado e densidade API, entradas que são relevantes para a diferenciação entre os petróleos e, portanto, importantes para caracterização reológica;
- Figura 3 ilustra a comparação dos valores medidos e simulados de pressão de fundo (well bottom hole pressure) com o modelo Extra Trees usando o simulador Involuta para um conjunto de histórico de produção com uma janela de 204 testes em 6 poços diferentes.[0028] The present invention will be described in more detail below, with reference to the attached figures which, in a schematic way and not limiting the inventive scope, represent examples of its realization. The drawings have:
- Figure 1 represents the Extra Trees (X) model, the input data: 1) water fraction, 2) temperature, 3) API density and 4) viscosity of the dehydrated oil, and the output data; 5) Log of relative viscosity. It is noteworthy that items 3 and 4 that are differentials of the present invention;
- Figure 2 illustrates the results of relative viscosity (y axis) as a function of the water fraction (x axis) obtained by the Extra Trees model, compared to classic models in the literature. In these graphs, the performance of the model is also compared in the training and test sets, sampled in the laboratory, for 6 wells (among 174 present in the dataset used to build the model), being for a relative viscosity of 50°C (a) well 1; (b) well 2; (c) well 3; (d) well 4; (e) well 5; and (f) well 6. It is observed that the wells have significant adaptability, behaving similarly and adaptively to the classic model (Woelflin Weak, Woelflin Medium, Woelflin Strong or Ronningsen) most appropriate to the well. This ability to adapt is due to the inclusion of two new inputs to the model: viscosity of the dehydrated oil and API density, inputs that are relevant for differentiating between oils and, therefore, important for rheological characterization;
- Figure 3 illustrates the comparison of measured and simulated well bottom hole pressure values with the Extra Trees model using the Involuta simulator for a historical production set with a window of 204 tests in 6 different wells.

Detailed Description of the Invention

[0029] O modelo reológico de emulsões do tipo água em petróleo por inteligência artificial, de acordo com a presente invenção, compreende:
(a) Acessar o banco de dados de fluidos produzidos de reservatórios brasileiros;
(b) Avaliar os dados reológicos do petróleo e da emulsão, baseados em parâmetros de entrada, dados do fluido, tais como a densidade API do petróleo, teor de água, temperatura e viscosidade do petróleo desidratado para construir um modelo de regressão (Extra Trees) e determinar a viscosidade relativa da emulsão usando um framework de aprendizado supervisionado;
(c) Acoplar o simulador de escoamento com um modelo de inteligência artificial, em que o modelo de inteligência artificial é do tipo ensemble, conhecido como Extra Trees;
(d) Utilizar um simulador de escoamento (em regime permanente Involuta) usando as correlações matemáticas empíricas para descrever o escoamento, bem como o modelo de viscosidade de emulsão acoplado ao motor de cálculo do simulador;
(e) Estimar o perfil de viscosidade relativa em função da fração de água para tomada de decisão de injeção submarina de produtos desemulsificantes em poços produtores.[0029] The rheological model of water-in-oil emulsions by artificial intelligence, according to the present invention, comprises:
(a) Access the database of fluids produced from Brazilian reservoirs;
(b) Evaluate oil and emulsion rheological data based on input parameters, fluid data such as oil API density, water content, temperature and viscosity of dehydrated oil to build a regression model (Extra Trees) and determine the relative viscosity of the emulsion using a supervised learning framework;
(c) Couple the flow simulator with an artificial intelligence model, in which the artificial intelligence model is of the ensemble type, known as Extra Trees;
(d) Use a flow simulator (at Involute steady state) using empirical mathematical correlations to describe the flow, as well as the emulsion viscosity model coupled to the simulator's calculation engine;
(e) Estimate the relative viscosity profile as a function of the water fraction for subsea injection of demulsifying products in producing wells.

[0030] O modelo de inteligência artificial selecionado para fazer a previsão de viscosidade relativa de emulsões usa um método do tipo ensemble conhecido como Extra Trees. Os ensembles são modelos de machine learning constituídos por outros modelos mais simples (base learners) com o objetivo de melhorar a performance na predição. A ideia principal da metodologia é combinar um conjunto de modelos de maneira que a composição global do modelo obtenha resultados ou decisões mais precisas e confiáveis do que as que podem ser obtidas com um único modelo (KOZAK, J. “Decision Tree and Ensemble Learning Based on Ant Colony Optimization”, Springer, 2019). Nesse sentido, o princípio de funcionamento dos ensembles está relacionado com a natureza humana de buscar opiniões de diferentes especialistas antes de tomar uma decisão importante (POLIKAR, R. “Ensemble Machine Learning -Methods and Applications”, Springer, p.1-32, 2012).[0030] The artificial intelligence model selected to predict the relative viscosity of emulsions uses an ensemble-type method known as Extra Trees. Ensembles are machine learning models made up of other simpler models (base learners) with the aim of improving prediction performance. The main idea of the methodology is to combine a set of models in such a way that the global composition of the model obtains more accurate and reliable results or decisions than those that can be obtained with a single model (KOZAK, J. “Decision Tree and Ensemble Learning Based on Ant Colony Optimization”, Springer, 2019). In this sense, the operating principle of ensembles is related to the human nature of seeking opinions from different specialists before making an important decision (POLIKAR, R. “Ensemble Machine Learning -Methods and Applications”, Springer, p.1-32, 2012).

[0031] A estrutura comum de urn ensemble pode ser de tal maneira que os modelos constituintes (base learners) podem estar dispostos em paralelo ou em série. Salientamos a construção em paralelo, na qual cada modelo base é construído de modo independente e diretamente a partir da base de dados. Essa técnica possui como uma das características a redução de variância nas predições.[0031] The common structure of an ensemble can be such that the constituent models (base learners) can be arranged in parallel or in series. We emphasize the parallel construction, in which each base model is built independently and directly from the database. One of the characteristics of this technique is the reduction of variance in predictions.

[0032] O modelo Extremely Randomized Trees ou Extra-Trees é um ensemble formado por árvores de decisão alocadas em paralelo, onde todo o conjunto de dados de treinamento é usado no “crescimento” de cada árvore. As árvores de decisão são formadas por um nó raiz, nós filhos e nós folhas, sua estrutura é formada através de sucessivas divisões dos dados, em cada nó, até a formação de uma folha, segundo um critério de parada nas divisões. Nesse contexto, o algoritmo do Extra-Trees realiza o treinamento de suas árvores determinando as regras de divisão dos nós com base em um subconjunto de features e um ponto de corte escolhidos aleatoriamente (GEURTS, P. et ai, “Extremely randomized trees”, Machine Learning, v. 63, p.3-42, 2006).[0032] The Extremely Randomized Trees or Extra-Trees model is an ensemble formed by decision trees allocated in parallel, where the entire training dataset is used in the “growth” of each tree. Decision trees are formed by a root node, child nodes and leaf nodes, their structure is formed through successive data divisions, at each node, until the formation of a leaf, according to a stopping criterion in the divisions. In this context, the Extra-Trees algorithm trains its trees by determining the node division rules based on a randomly chosen subset of features and a cutoff point (GEURTS, P. et al, “Extremely randomized trees”, Machine Learning, v. 63, p.3-42, 2006).

[0033] A partir do modelo treinado, no caso de um problema de regressão, o valore inferido pelo ensemble é dado pela média aritmética dos valores obtidos em cada uma das árvores (GEURTS, P. et ai, “Extremely randomized trees”, Machine Learning, v. 63, p.3-42, 2006).[0033] From the trained model, in the case of a regression problem, the value inferred by the ensemble is given by the arithmetic mean of the values obtained in each of the trees (GEURTS, P. et al, “Extremely randomized trees”, Machine Learning, v. 63, p.3-42, 2006).

[0034] Os dados reológicos de fluidos produzidos em diferentes reservatórios brasileiros foram gerados pelo laboratório de escoamento de petróleo e emulsões ao longo dos últimos dez anos. Essa coleta sistematizada de fluidos para caracterização gerou um grande banco de dados que viabilizou o seu uso em um framework de aprendizado de máquinas, mais especificamente em um problema de aprendizagem supervisionada. Este problema é uma regressão, no qual o modelo de inteligência artificial infere a viscosidade da emulsão baseado em parâmetros de entrada, tais como a densidade API do petróleo, teor de água, temperatura e viscosidade do petróleo desidratado. Um conjunto de modelos de aprendizado de máquinas foi testado e, através de um procedimento de seleção de modelos, o mais apropriado foi selecionado com base em sua capacidade de generalizar em um conjunto de testes.[0034] The rheological data of fluids produced in different Brazilian reservoirs were generated by the oil flow and emulsions laboratory over the last ten years. This systematic collection of fluids for characterization generated a large database that enabled its use in a machine learning framework, more specifically in a supervised learning problem. This problem is a regression, in which the artificial intelligence model infers the viscosity of the emulsion based on input parameters, such as the API density of the oil, water content, temperature and viscosity of the dehydrated oil. A set of machine learning models was tested and, through a model selection procedure, the most appropriate one was selected based on its ability to generalize on a test set.

[0035] O modelo de inteligência artificial, objeto da presente invenção, utiliza um método do tipo ensemble, conhecido como Extra Trees. Este regressor, construído com mais de 2000 dados de ensaios reológicos obtidos em laboratório, usando uma variedade de petróleos com diferentes características, apresenta baixas métricas de erro tanto nos conjuntos de treino quanto nos dados de testes. Além disso, o perfil estimado de viscosidade relativa em função da fração de água é consistente com o que se espera em termos físicos, apresentando quebra da emulsão com teor de água acima de 70%.[0035] The artificial intelligence model, object of the present invention, uses an ensemble-type method, known as Extra Trees. This regressor, built with more than 2000 data from rheological tests obtained in the laboratory, using a variety of oils with different characteristics, presents low error metrics both in the training sets and in the test data. In addition, the estimated profile of relative viscosity as a function of the water fraction is consistent with what is expected in physical terms, showing breakdown of the emulsion with water content above 70%.

[0036] O método apresenta adequada capacidade de generalização. Para avaliar a sua performance, foi feito um acoplamento do modelo Extra Trees com o simulador em regime permanente Involuta. Foram usados mais de 200 testes de produção (não antes observados pelo modelo de inteligência artificial) e os erros em termos de pressão de fundo de poço apresentam valor de erro médio absoluto inferior a 5%. Adicionalmente, foi observado que o modelo gerado apresenta melhor correlação com os dados de campo que os modelos clássicos usados nos simuladores de escoamento.[0036] The method has adequate generalization ability. To evaluate its performance, a coupling of the Extra Trees model with the Involuta steady-state simulator was performed. More than 200 production tests were used (not previously observed by the artificial intelligence model) and the errors in terms of downhole pressure have an absolute average error value of less than 5%. Additionally, it was observed that the generated model presents better correlation with the field data than the classic models used in the flow simulators.

[0037] Essa abordagem pode diminuir a frequência na qual os fluidos são coletados em campo e analisados em laboratório, reduzindo custos logísticos e de pessoal. Além disso, ao usar o modelo de inteligência artificial acoplado a um simulador de escoamento, será possível simular o escoamento do petróleo e da emulsão e decidir com maior rapidez e confiança a priorização de injeção submarina de produtos desemulsificantes em poços produtores, permitindo uma antecipação de receita e a sua consequente geração de valor.[0037] This approach can decrease the frequency at which fluids are collected in the field and analyzed in the laboratory, reducing logistical and personnel costs. In addition, by using the artificial intelligence model coupled to a flow simulator, it will be possible to simulate the flow of oil and emulsion and decide more quickly and confidently on the prioritization of subsea injection of demulsifying products in producing wells, allowing an anticipation of revenue and its consequent generation of value.

EXAMPLES:

[0038] Os exemplos a seguir são apresentados de forma a ilustrar mais completamente a natureza da presente invenção e a maneira de praticar a mesma, sem que, no entanto, possam ser considerados como limitantes do seu conteúdo.[0038] The following examples are presented in order to more fully illustrate the nature of the present invention and the way to practice the same, without, however, being able to be considered as limiting its content.

[0039] Após anos de análises dos petróleos brasileiros, produzidos na Bacia de Campos, Bacia do Espírito Santo e Bacia de Santos, foi gerado um volume considerável de dados de viscosidade de petróleos de diferentes densidades, em função do teor de água, da temperatura e da taxa de cisalhamento.[0039] After years of analysis of Brazilian oils, produced in the Campos Basin, Espírito Santo Basin and Santos Basin, a considerable volume of viscosity data of oils of different densities was generated, depending on the water content, temperature and shear rate.

[0040] Esse banco de dados foi avaliado e viabilizou a obtenção de um modelo de escoamento a partir da técnica de inteligência artificial. Com a implantação do modelo, objeto desta invenção, nos simuladores de escoamento, boa parte de fluidos não avaliados em laboratório, em produção ou em fase projeto, podem ter suas características reológicas estimadas de forma antecipada com base em características básicas do petróleo. Isso permite que alternativas tecnológicas para aumentar a produção de poços, como a injeção submarina de desemulsificante (DSS) sejam identificadas mais rapidamente, acelerando ganhos significativos de produção de óleo.[0040] This database was evaluated and made it possible to obtain a flow model from the artificial intelligence technique. With the implementation of the model, object of this invention, in flow simulators, a good part of fluids not evaluated in the laboratory, in production or in the design phase, can have their rheological characteristics estimated in advance based on basic oil characteristics. This allows technological alternatives to increase well production, such as subsea demulsifier injection (DSS), to be identified more quickly, accelerating significant gains in oil production.

[0041] Os resultados da invenção permitem conhecer o comportamento de escoamento do petróleo com diferentes teores de água (emulsões) e ainda compor uma estratégia de tomada de decisão quanto à priorização de injeção de DSS visando ganho de produção de óleo.[0041] The results of the invention make it possible to know the flow behavior of oil with different water contents (emulsions) and also compose a decision-making strategy regarding the prioritization of DSS injection in order to gain oil production.

[0042] Em termos de modelagem, aumentam a confiabilidade dos modelos de elevação e escoamento, sobretudo no caso de fluidos emulsionados, permitindo melhor compreensão dos resultados simulados frente aos dados observados em campo.[0042] In terms of modeling, they increase the reliability of elevation and flow models, especially in the case of emulsified fluids, allowing a better understanding of simulated results compared to data observed in the field.

[0043] Esse aprimoramento se deve ao fato de o modelo de regressão, que estima a viscosidade relativa do óleo, receber novas entradas que permitem aprimorar e especializar o modelo de emulsão para as bacias brasileiras, usando um conjunto de dados coletados em laboratório.[0043] This improvement is due to the fact that the regression model, which estimates the relative viscosity of the oil, receives new inputs that allow to improve and specialize the emulsion model for the Brazilian basins, using a set of data collected in the laboratory.

[0044] Conforme pode ser observado na Figura 2, são exibidos gráficos de viscosidade relativa em função do teor de água para 6 poços usando os modelos clássicos (Woeflin, e Ronningsen) e o modelo desenvolvido para comparação. Nota-se que o modelo proposto se ajusta bem aos dados medidos em laboratório, mantendo boa performance no conjunto de treino (pontos em cinza vazado) e de testes (pontos em cinza cheio). Além disso, demonstra satisfatoriamente o comportamento esperado para a viscosidade relativa, apresentando quebra da emulsão (separação de fases) com teor de água maior que 70%.[0044] As can be seen in Figure 2, relative viscosity graphs are displayed as a function of water content for 6 wells using the classic models (Woeflin, and Ronningsen) and the model developed for comparison. It is noted that the proposed model fits well to the data measured in the laboratory, maintaining good performance in the training set (dots in empty gray) and tests (dots in solid gray). In addition, it satisfactorily demonstrates the expected behavior for relative viscosity, showing emulsion breakdown (phase separation) with water content greater than 70%.

[0045] Nota-se que o modelo Extra Trees possui uma capacidade adaptativa, ou seja, consegue identificar o comportamento de emulsões segundo sua estabilidade usando os novos dados de entrada (API e viscosidade do óleo desidratado).[0045] It is noted that the Extra Trees model has an adaptive capacity, that is, it can identify the behavior of emulsions according to their stability using the new input data (API and viscosity of the dehydrated oil).

[0046] Deve ser notado que, apesar de a presente invenção ter sido descrita com relação aos desenhos em anexo, esta poderá sofrer modificações e adaptações pelos técnicos versados no assunto, dependendo da situação específica, mas desde que dentro do escopo inventivo aqui definido.[0046] It should be noted that, although the present invention has been described in relation to the attached drawings, it may undergo modifications and adaptations by technicians versed in the subject, depending on the specific situation, but provided that it is within the inventive scope defined herein.

Extra Trees Integration - Involute

[0047] O modelo de emulsão Extra Trees foi integrado ao simulador de escoamento multifásico em regime permanente Involuta, proprietário da Petróleo Brasileiro S.A. Esse simulador baseia-se em modelos mecanicistas apresentados em GOMEZ, L. et ai (2000) “Unified mechanistic model for steady-state two-phase flow: Horizontal to vertical upward flow”, SPE Journal, Society of Petroleum Engineers (SPE), v. 5, n. 03, p. 339-350 para o cálculo hidráulico com modificações nas relações de fechamento.[0047] The Extra Trees emulsion model was integrated into the multiphase steady-state flow simulator Involuta, owned by Petróleo Brasileiro S.A. This simulator is based on mechanistic models presented in GOMEZ, L. et al (2000) “Unified mechanistic model for steady-state two-phase flow: Horizontal to vertical upward flow”, SPE Journal, Society of Petroleum Engineers (SPE), v. 5, no. 03, p. 339-350 for hydraulic calculation with modifications in closing ratios.

[0048] O mecanismo de cálculo do simulador Involuta considera a geometria do trecho de escoamento separado em seções e usa a modelagem das propriedades do fluido para calcular os perfis de pressão e temperatura ao longo do escoamento. Dessa forma, para cada seção durante a simulação, o modelo Extra Trees recebe como dado de entrada o grau API do óleo, a temperatura média da seção, a viscosidade do óleo morto na temperatura da seção e a fração de água na pressão e temperatura da seção. O dado de saída do modelo Extra Trees para o simulador Involuta, é o valor estimado da viscosidade relativa do líquido escoando por cada seção.[0048] The calculation engine of the Involuta simulator considers the geometry of the flow section separated into sections and uses the modeling of the fluid properties to calculate the pressure and temperature profiles along the flow. Thus, for each section during the simulation, the Extra Trees model receives as input the API grade of the oil, the average temperature of the section, the dead oil viscosity at the section temperature and the fraction of water at the section pressure and temperature. The output data of the Extra Trees model for the Involuta simulator is the estimated value of the relative viscosity of the liquid flowing through each section.

Simulation Results

[0049] O desempenho do modelo integrado Extra Trees - Involuta foi avaliado por meio da simulação de poços produtores reais, comparando-se as pressões de fundo medidas em campo durante a realização de testes de produção com as pressões simuladas. Foram considerados 6 poços produtores, todos produzindo com gás lift como método de elevação e localizados em campos offshore brasileiros.[0049] The performance of the Extra Trees - Involuta integrated model was evaluated by simulating real producing wells, comparing the background pressures measured in the field during production tests with simulated pressures. Six producing wells were considered, all producing with lift gas as a lifting method and located in Brazilian offshore fields.

[0050] No total, foram simulados 204 testes de produção. A Tabela 1 mostra a faixa de variação de alguns parâmetros dos testes envolvidos. Foram considerados apenas testes de produção com fração de água maior que 20%, de forma a excluir condições nas quais a emulsão tenha papel irrelevante.

[0050] In total, 204 production tests were simulated. Table 1 shows the variation range of some parameters of the tests involved. Only production tests with a water fraction greater than 20% were considered, in order to exclude conditions in which the emulsion plays an irrelevant role.

[0051] A Figura 3 apresenta a comparação entre a pressão de fundo medida e a pressão de fundo simulada nos testes de produção. Tem-se um erro médio absoluto de 3,5% e um erro médio de 4,2 kgf/cm2. Verifica-se, dessa forma, que o modelo integrado teve um bom desempenho em uma ampla faixa de condições de escoamento (ver Tabela 1), evidenciando sua robustez. Essa característica é de suma importância para simuladores de escoamento, na medida em que com um modelo confiável, anomalias podem ser identificadas de forma antecipada e ações podem ser tomadas para o restabelecimento da produção.[0051] Figure 3 shows the comparison between the measured background pressure and the simulated background pressure in the production tests. There is a mean absolute error of 3.5% and a mean error of 4.2 kgf/cm2. It can be seen, therefore, that the integrated model performed well over a wide range of flow conditions (see Table 1), demonstrating its robustness. This feature is extremely important for flow simulators, as with a reliable model, anomalies can be identified in advance and actions can be taken to restore production.

Claims

RHEOLOGICAL MODEL OF WATER-IN-PETROLEUM EMULSIONS OBTAINED BY ARTIFICIAL INTELLIGENCE, characterized by comprising the following steps:
(f) Access the database of fluids produced from Brazilian reservoirs;
(g) Evaluate oil and emulsion rheological data based on input parameters and fluid data to build a regression model, and determine the relative viscosity of the emulsion using a supervised learning framework;
(h) Couple the flow simulator with an artificial intelligence model;
(i) Use a steady-state flow simulator using empirical mathematical correlations to describe the flow, as well as the emulsion viscosity model coupled to the simulator's calculation engine;
(j) Estimate the relative viscosity profile as a function of the water fraction for subsea injection of demulsifying products in producing wells.

MODEL, according to claim 1, characterized by the rheological data being the API density of the oil, water content, temperature and viscosity of the dehydrated oil.

MODEL, according to claim 1, characterized in that the artificial intelligence model is of the ensemble type, such as Extra Tree.