BRPI0716865A2

BRPI0716865A2 - Método e sistema para prever perfis de produção para reservatórios de petróleo

Info

Publication number: BRPI0716865A2
Application number: BRPI0716865-9A
Authority: BR
Inventors: David A Wilkinson; Tina Yu; Alexandre Castellini
Original assignee: Chevron Usa Inc
Priority date: 2006-09-20
Filing date: 2007-09-18
Publication date: 2013-10-15
Also published as: EA200970305A1; AU2007299906A1; NO20091536L; EP2064630A2; CN101517560A; WO2008036664A2; EP2064630A4; WO2008036664A3; US7657494B2; CA2662245A1; US20080082469A1

Description

"MÉTODO E SISTEMA PARA PREVER PERFIS DE PRODUÇÃO PARA RESERVATÓRIOS DE PETRÓLEO" FUNDAMENTOS DA INVENÇÃO

Esta invenção refere-se ao controle de reservatórios de óleo ou gás e, mais particularmente, à análise da produção de reservatórios de petróleo.

Um reservatório de petróleo é uma zona na terra que contém ou pensa-se conter uma ou mais fontes de quantidades comercialmente viáveis de óleo ou gás recuperável. Quando tal reservatório é encontrado, tipicamente um ou mais poços são perfurados dentro da terra para puxar óleo ou gás da fonte(s) para a superfície.

A técnica e ciência de controle de reservatórios de petróleo progrediram durante os anos. Várias técnicas foram usadas para tentar determinar se suficiente óleo ou gás se encontra em determinado reservatório para garantir perfuração e, se assim for, como melhor desenvolver o reservatório para produzir o óleo ou gás que é atualmente encontrado.

Cada reservatório é único por causa da miríade de características dinâmicas geológicas e de fluido. Assim, a produção de petróleo de reservatório para reservatório pode variar drasticamente. Estas variações tornam difícil simplesmente predizer a quantidade de fluidos e gases que um reservatório produzirá e a quantidade de recursos que se requererá para produzir de um reservatório particular. Entretanto, as partes que estão interessadas em produzir de um reservatório precisam projetar a produção do reservatório com alguma precisão, a fim de determinar a exequibilidade de produção daquela reservatório. Portanto, a fim de precisamente prevê as taxas de produção de todos os poços de um reservatório, é necessário construir um modelo de computador detalhado do reservatório.

A análise de computador da técnica anterior de produção para um reservatório de óleo é usualmente dividida em duas fases, comparação histórica e previsão.

Quando um campo de óleo é primeiro descoberto, um modelo de reservatório é construído utilizando-se dados geológicos. Os dados geológicos podem incluir tais características como a porosidade e permeabilidade das rochas do reservatório, a espessura das zonas geológicas, o local e características das falhas geológicas e funções de permeabilidade e pressão capilar relativas. Este tipo de modelagem é uma tarefa de modelagem avançada e pode ser realizado usando-se métodos estatísticos ou de computação temporária. Uma vez o campo de petróleo penetre no estágio de produção, muitas mudanças ocorrem no reservatório. Por exemplo, a extração de óleo/gás/água do campo faz com que a pressão de fluido do campo mude. A fim de obter-se o estado mais atual de um reservatório, estas mudanças precisam ser refletidas no modelo. A comparação histórica é o processo de atualizar os

parâmetros descritores do reservatório em um dado modelo de computador para refletir tais mudanças, com base em dados de produção coletados do campo. Os dados de produção essencialmente fornecem a dinâmica do campo, exemplos incluindo informações sobre água, óleo e pressão, bem como locais e desempenhos. Assim, os modelos de reservatório utilizam dados empiricamente adquiridos para descrever um campo. Parâmetros de entrada são combinados com e manipulados por modelos matemáticos, cuja produção descreve características especificadas do campo em um futuro tempo e em termos de quantidades mensuráveis, tais como as taxas de produção ou injeção de poços individuais e de grupos de poços, a pressão de fundo de poço ou boca de tubulação em cada poço e a distribuição das fases de pressão e fluido dentro do reservatório.

Na fase de comparação histórica, os dados geológicos e dados de produção do reservatório e seus poços são usados para construir um modelo matemático que possa predizer as taxas de produção dos poços daquela reservatório. O processo de comparação histórica é um problema inverso. Neste problema, um modelo de reservatório é uma "caixa preta" com valores de parâmetro desconhecidos. Dadas as taxas de água/óleo e outras informações de produção coletadas do campo, a tarefa é identificar estes valores de parâmetro desconhecidos, de modo que o reservatório forneça produções de fluxo comparáveis às dos dados de produção. Uma vez que problemas inversos não têm soluções únicas, isto é, mais do que uma combinação de valores de parâmetro de reservatório fornecem as mesmas produções de fluxo, um grande número de modelos de reservatório bem comparados ou "bons" precisa ser obtido a fim de obter-se um alto grau de confiança nos resultados de comparação histórica.

Inicialmente, um modelo geológico básico é provido. Em seguida, parâmetros que se acredita terem um impacto no fluxo de fluido do reservatório são selecionados. Com base em seu conhecimento acerca do campo, geólogos e engenheiros de petróleo então determinam as possíveis faixas de valores destes parâmetros e utilizam estes valores para conduzir corridas de simulação de computador.

Um simulador de reservatório de computador é um programa que consiste de equações matemáticas que descrevem dinâmicas de fluido de um reservatório sob diferentes condições. O simulador pega um conjunto de valores de parâmetro de reservatório como entradas e retorna um conjunto de informações de fluxo de fluido como saídas. As saídas são usualmente uma série de tempo durante um período especificado de tempo. Essa série de tempo é então comparada com os dados de produção histórica para avaliar sua comparação. Técnicos modificam os parâmetros de entrada do modelo de computador envolvido naquela simulação particular do reservatório com base nas diferenças entre desempenho de produção computado e real e corre novamente a simulação do modelo de computador. Este processo continua até o modelo de computador ou matemático comportar-se como o reservatório de óleo real.

O processo manual da técnica anterior de comparação histórica é subjetivo e de intensa mão-de-obra, porque os parâmetros de entrada do reservatório são ajustados um por vez para refinar as simulações de computador. A precisão do processo de comparação histórica da técnica anterior depende grandemente das experiências dos geocientistas envolvidos na modificação dos dados geológicos e de produção. Consequentemente, a confiabilidade da previsão é com freqüência de vida muito curta e as decisões comerciais feitas com base nesses modelos têm um grande grau de incerteza.

Como descrito acima, o processo de comparação histórica da técnica anterior é muito demorado. Em média, cada corrida leva 2 a 10 horas para completar-se. Além disso, pode haver mais do que um modelo de computador com diferentes parâmetros de entrada, que podem produzir saídas de fluxo que são comparações aceitáveis com os dados de produção históricos do reservatório. Isto é particularmente evidente quando o reservatório tem uma longa história de produção e a qualidade dos dados de produção é pobre. A determinação de que modelos podem produzir comparações aceitáveis dos dados de produção de um grande pool de modelos de computadores potencialmente aceitáveis é de custo proibitivo e demorada. Em razão dessas restrições, somente um pequeno número de simulações pode ser realizado e, consequentemente, somente um pequeno número de modelos aceitáveis é identificado. Como resultado, o processo de comparação histórico da técnica anterior é associado com um grande grau de incerteza quanto à configuração de reservatório mundial real atual. Esse grande grau de incerteza na fase de comparação histórica também traduz-se em um grande grau de variabilidade das previsões de produção futuras.

Há necessidade de identificar grandes números de modelos de computador aceitáveis na fase de comparação histórica, que são consistentes com os dados geológicos e os dados de produção históricos para um dado reservatório. A facilitação de múltiplas realizações de comparação histórica possibilita reduzir-se a incerteza dos modelos de reservatório.

A segunda fase da análise de produção de computador para o reservatório de óleo é predição ou previsão. Uma vez um modelo de computador aceitável tenha sido identificado, planos operacionais alternativos do reservatório são simulados e os resultados são comparados para otimizar a recuperação do óleo e minimizar os custos de produção. Em razão da incerteza do modelo de reservatório que foi gerado pelo processo de comparação histórica da técnica anterior, qualquer perfil de produção futura prognosticado por aquele modelo também tem um alto grau de incerteza associado com ele.

Além disso, como descrito acima, há numerosos modelos de computador que têm que ser utilizados na fase de predição, a fim de reduzir a incerteza das previsões de produção. Para cada bom modelo que foi identificado na fase de comparação histórica, as simulações de computador são realizadas para fornecer um perfil de produção futura. Desta maneira, uma faixa de previsões de produção é determinada e usada para otimizar a produção futura do reservatório. Como com as simulações da fase de comparação histórica, a fase de simulação de computador é demorada e requer muita perícia que limita o número de modelos de computador aceitáveis, que podem ser usados na fase de predição da técnica anterior. Há necessidade de eficientemente analisar grandes números de modelos de computador aceitáveis, que tenham sido identificados na fase de comparação histórica da análise de produção para o reservatório de óleo.

Mesmo quando especialistas são usados na análise, há muita tentativa e esforço de erro educados dependidos em escolher modelos de reservatório aceitáveis na fase de comparação histórica, realizando-se as simulações dos modelos, determinando-se as entradas ótimas para os modelos para predizer previsões de produção futura e análise dos resultados dos modelos para determinar as provisões corretas ou uma faixa de previsões. Isto é demorado e dispendioso e requer um especialista humano altamente habilitado para fornecer resultados úteis.

Se o pool potencial dos modelos de reservatório da fase de

comparação histórica da análise for subamostrado, a incerteza da análise de computador da produção para o reservatório aumentará. Há, portanto, uma necessidade de amostrar e identificar tantos modelos de reservatório aceitáveis na fase de comparação histórica quanto possível para reduzir o grau de incerteza associado com os resultados da análise de computador. Há também necessidade de ser-se capaz de eficientemente analisar aqueles modelos aceitáveis identificados e prover previsões de produção para o reservatório.

A capacidade de mais rapidamente e menos dispendiosamente analisar um reservatório por qualquer meio está se tornando crescentemente importante. As companhias que desenvolvem reservatórios de óleo ou gás estão baseando as decisões comerciais na inteira análise do reservatório em vez de apenas em poços individuais do campo. Mesmo após um plano de desenvolvimento de campo ser posto em ação, a análise de computador da produção do reservatório é periodicamente novamente realizada e mais sintonizada para melhorar a capacidade de compararem-se dados de produção recentemente reunidos. Em razão destas decisões necessitarem ser feitas rapidamente à medida que as oportunidades se apresentam, há necessidade de um método aperfeiçoado de analisar os reservatórios de petróleo e, particularmente, de precisamente prever a produção de óleo e/ou gás dos reservatórios no futuro. SUMÁRIO DA INVENÇÃO

A presente invenção supera os inconvenientes acima descritos e outros da técnica anterior, ao prover um novo e aperfeiçoado método de utilizar modelos de computador para predizer produção futura de reservatórios de petróleo.

Em uma forma de realização da presente invenção, para a fase de comparação histórica, é produzida uma amostragem inicial de modelos de reservatório, que é relacionada com um conjunto muito maior de modelos de reservatório representando um reservatório de petróleo. Um perfil de produção histórica é gerado para cada uma destas amostras iniciais de modelos de reservatório. Cada uma das amostras iniciais de modelos de reservatório é qualificada como aceitável ou inaceitável, com respeito aos perfis de produção histórica para produzir um conjunto histórico de qualificações. O conjunto histórico de qualificações e introduzido em um programa genético a fim de gerar uma aproximação histórica. A aproximação histórica é então aplicada ao grande conjunto de modelos possíveis de reservatório e cada modelo do grande conjunto de modelos de reservatório é qualificado como aceitável ou inaceitável, para identificar um conjunto de modelos de reservatório aceitáveis.

Para a fase de previsão ou predição da presente invenção, um futuro perfil de produção é gerado para cada uma das amostras iniciais dos modelos de reservatório. A amostra inicial de modelos de reservatório é qualificada com respeito aos perfis de produção futura, para produzir caracterizações de previsão. As caracterizações de previsão são introduzidas na programação genética para gerar uma aproximação de previsão. A aproximação de provisão é então aplicada ao conjunto de modelos de reservatório aceitáveis do processo de comparação histórica, para produzir uma faixa de previsões de produção para o reservatório.

A presente invenção provê um método mais eficiente de prever produção de óleo e gás de reservatórios no futuro do que a técnica anterior. A presente invenção é também mais precisa do que os métodos da técnica anterior. A presente invenção é capaz de identificar modelos de reservatório aceitáveis para um dado campo de petróleo de potencialmente milhões de modelos de reservatório na fase de comparação histórica. A presente invenção é também capaz de utilizar cada um daqueles modelos de reservatório aceitáveis e produzir uma faixa precisa de previsões de produção para o reservatório de petróleo. A presente invenção aumenta grandemente o grau de confiança do que aquele dos métodos da técnica anterior.

O método da presente invenção oferece mais diferenças em relação à técnica anterior. A análise da produção de reservatório de petróleo é um processo contínuo. Como descrito acima, os modelos estão constantemente sendo reprisados e mais sintonizados para melhorar sua capacidade de comparar dados de produção recentemente reunidos. A presente invenção é mais eficiente do que a técnica anterior e não assume qualquer forma ou modelo de função anterior, assim nenhuma tendência anterior precisando ser introduzida na análise. Uma forma de realização da presente invenção melhora a

precisão da análise de computador da produção para reservatórios de óleo, amostrando uniformemente uma distribuição densa de modelos de reservatório em um espaço de parâmetro de entrada. Os resultados dessa amostragem são usados para produzir múltiplos modelos que precisamente correspondam à história dos dados de produção. Esses modelos são então usados para predizer produção futura.

Um objetivo da presente invenção é identificar os parâmetros mais significativos do reservatório e sistematicamente integrar aqueles parâmetros dentro da análise. Outro objetivo da presente invenção é classificar os modelos

de reservatório que correspondam aos dados históricos do reservatórios. Alternativamente, um outro objetivo da presente invenção é classificar os modelos de reservatório que não correspondam aos dados históricos do reservatório. Um objetivo adicional da presente invenção é identificar características comuns para modelos de reservatório que não correspondam aos dados históricos do reservatório e para modelos de reservatório que não correspondam aos dados históricos.

Aspectos e vantagens adicionais da presente invenção são descritos na e serão evidentes pela seguinte Descrição Detalhada da invenção e as Figuras.

BREVE DESCRIÇÃO DOS DESENHOS

Estes e outros objetivos, aspectos e vantagens da presente invenção tornar-se-ão melhor entendidos com respeito à seguinte descrição, reivindicações pendentes e desenhos acompanhantes, em que:

A Fig. 1 ilustra um fluxograma do progresso de trabalho de uma forma de realização da presente invenção;

A Fig. 2 ilustra um gráfico do progresso de trabalho geral da fase de comparação histórica e previsão de uma análise de produção para reservatórios de óleo;

A Fig. 3 ilustra um projeto uniforme para amostrar parâmetros de entrada em uma forma de realização da presente invenção;

A Fig. 4 ilustra um fluxograma do progresso de trabalho de uma forma de realização da presente invenção;

A Fig. 5 ilustra uma vista estrutural 3D de um campo de óleo que foi analisado usando-se uma forma de realização da presente invenção;

A Fig. 6 ilustra uma vista 3D da compartimentagem de um campo de óleo que foi analisado usando-se uma forma de realização da presente invenção;

A Fig. 7 ilustra um gráfico para contato de água óleo, WOC, comparado com o contato de gás óleo, GOC, para uma análise de um campo de óleo utilizando uma forma de realização da presente invenção;

A Fig. 8 ilustra um gráfico para o volume de óleo, WOC- GOC, comparado com o erro de má comparação, E, para uma análise de um campo de óleo utilizando uma forma de realização da presente invenção;

A Fig. 9 ilustra um gráfico para o volume de óleo, WOC- GOC, comparado com a produção de regressão, R, para uma análise de um campo de óleo utilizando uma forma de realização da presente invenção.

A Fig. 10 ilustra um gráfico para o volume de óleo, WOC- GOC, comparado com o erro de má comparação, E, para uma análise de um campo de óleo utilizando uma forma de realização da presente invenção.

A Fig. 11 ilustra um gráfico para o erro de má comparação, E, comparado com a produção de regressão, R, para uma análise de um campo de óleo utilizando uma forma de realização da presente invenção.

A Fig. 12 ilustra um gráfico mostrando os resultados de classificação de programação genética para uma análise de um campo de óleo utilizando uma forma de realização da presente invenção;

A Fig. 13 ilustra um gráfico mostrando uma vista dos bons modelos que foram selecionados pela aproximação histórica de uma análise de um campo de óleo utilizando uma forma de realização da presente invenção;

A Fig. 14 ilustra um gráfico mostrando uma vista dos bons modelos que foram selecionados pelo simulador de computador em uma análise de um campo de óleo utilizando uma forma de realização da presente invenção;

A Fig. 15 ilustra um gráfico mostrando uma vista dos bons modelos que foram selecionados pela aproximação histórica, em uma análise de um campo de óleo utilizando uma forma de realização.

A Fig. 16 ilustra um gráfico mostrando uma vista dos bons modelos que foram selecionados pelo simulador de computador, em uma análise de um campo de óleo utilizando uma forma de realização da presente invenção; A Fig. 17 ilustra um gráfico para a previsão de injeção de gás pelo simulador de computador, comparada com a previsão de injeção de gás pela aproximação de programação genética, em uma análise de um campo de óleo utilizando uma forma de realização da presente invenção;

A Fig. 18 ilustra um gráfico para a previsão de injeção de gás

nos 63 bons modelos pelo simulador de computador, comparada com a previsão de injeção de gás pela aproximação de programação genética, em uma análise de um campo de óleo utilizando uma forma de realização da presente invenção;

As Figs. 19 e 20 ilustram um gráfico mostrando a injeção de

gás cumulativa no ano de 2031 prevista pela aproximação de previsão em uma análise de um campo de óleo utilizando uma forma de realização da presente invenção; e

As Figs. 21 e 22 ilustram um gráfico mostrando a injeção de gás cumulativa no ano de 2031 prevista pelos 63 bons modelos e pelo simulador de computador em uma análise de um campo de óleo utilizando uma forma de realização da presente invenção. DESCRIÇÃO DETALHADA DA INVENÇÃO

Embora esta invenção seja susceptível de formas de realização em muitas diferentes formas, são mostradas em desenho e serão aqui descritas em detalhe formas de realização preferidas da invenção, com o entendimento de que a presente descrição é para ser considerada como uma exemplificação dos princípios da invenção e não é destinada a limitar o amplo aspecto da invenção às formas de realização ilustradas. A presente invenção permite que se analise um reservatório de

óleo ou gás e provê previsões de produção futura mais confiáveis do que os existentes métodos da técnica anterior. As previsões de produção futura podem então ser usadas para determinar como desenvolver mais o reservatório. Para melhorar a confiança nas previsões de produção dos modelos de reservatório, uma densa distribuição de modelos de reservatório precisa ser amostrada. Adicionalmente, precisa haver um método para identificar quais desses modelos suprem uma boa comparação com a história de dados de produção do reservatório. Com essa informação, somente bons modelos serão usados na análise para estimar a futura produção e isto resultará em um maior grau de confiança nos resultados da previsão.

A presente invenção realiza estes objetivos e uma forma de realização da presente invenção é ilustrada na Fig. 1. A presente invenção inclui produzir uma amostra inicial de modelos de reservatório 10, que é relacionada com uma pluralidade de modelos de reservatório. A pluralidade de modelos de reservatório sendo muito maior do que a amostra inicial de modelos de reservatório. Dois conjuntos de dados são gerados, perfis de produção histórica 12 e perfis de produção futura 22. Os perfis de produção histórica são usados para qualificar cada uma das amostras iniciais dos modelos de reservatório como "boa" ou "ruim", ou "aceitável" ou "inaceitável" 14. Um conjunto histórico de qualificações é então produzido 16 e regressão simbólica genética é usada para construir uma aproximação de comparação histórica 18.

Por meio de mais informação, métodos de otimização conhecidos como "algoritmos genéticos" são conhecidos na técnica. Os algoritmos genéticos convencionais servem para selecionar uma seqüência (referida como um "vetor de solução", ou "cromossoma"), consistindo de dígitos ("genes") tendo valores ("alelos") que fornecem o valor ótimo quando aplicados a uma "função de adequação" modelando a desejada situação de otimização. De acordo com esta técnica, um grupo ou "geração" de cromossomos é aleatoriamente gerado e a função de adequação é avaliada para cada cromossomo. Uma geração sucessora é então produzida pela geração anterior, com seleção feita de acordo com a função de adequação avaliada; por exemplo, uma função de probabilidade pode atribuir um valor de probabilidade a cada um dos cromossomos da geração de acordo com seu valor de função de adequação. Em qualquer caso, um cromossomo que produziu um valor de função de adequação mais elevado é mais provável ser selecionado para uso na produção da próxima geração do que um cromossomo que produziu um valor de função de adequação mais baixo. Isto é feito selecionando-se primeiro cromossomos ajustadores da atual geração para construir um "pool de reprodução". Pares de cromossomos são então aleatoriamente selecionados do pool de reprodução, para produzir descendência pela troca de "genes" em cada lado de um ponto de "cruzamento" entre dois cromossomos. Adicionalmente, mutação pode ser introduzida através da alteração aleatória de uma pequena fração (p. ex., 1/1000) dos genes da nova descendência. Esta nova descendência forma uma nova geração de população. Avaliação e reprodução iterativas dos cromossomos desta maneira eventualmente convergem para um cromossomo otimizado.

Diferente dos métodos da técnica anterior conhecidos de programação genética, a presente invenção emprega uma nova variação de algoritmos genéticos para construir uma aproximação histórica 18. Na presente invenção, a programação genética difere dos algoritmos genéticos da técnica anterior pelo fato de que o cromossomo é uma função matemática. A saída da função é usada para decidir se um modelo de reservatório é uma comparação aceitável ou inaceitável para o conjunto histórico de qualificações 20 de acordo com o critério decidido por especialistas. Em outras palavras, as funções históricas de aproximação como um classificador para separar "bons" modelos de 'maus" modelos no espaço de parâmetro 14. A quantidade real de fluido produzido pelos modelos de reservatório não é estimada pela aproximação histórica. Este é muito diferente das aproximações simuladores de reservatório, que fornecem o mesmo tipo de saída que o simulador total.

Como ilustrado na Fig. 1, a aproximação histórica funciona como um classificador de programação genética, que é usado para separar modelos aceitáveis de modelos inaceitáveis da pluralidade de modelos de reservatório 20. A aproximação histórica é usada para amostrar uma densa distribuição de modelos de reservatório no espaço de parâmetro (potencialmente milhões de modelos). Modelos de reservatório aceitáveis são designados e aqueles modelos de reservatório aceitáveis serão usados para prever produção futura. Uma vez que a previsão de produção futura será baseada em um tal grande número de modelos de reservatório aceitáveis, os resultados são mais representativos e mais próximos da realidade do que os resultados da técnica anterior.

Na fase de previsão 36 da presente invenção, como mostrado na Fig. 1, os perfis de futura produção são gerados para cada uma das amostras iniciais de modelos de reservatório 22. Os perfis de produção futura são então usados para quantificar cada uma das amostras iniciais de modelos de reservatório 24, para produzir caracterizações de previsão 26. A programação genética utiliza as caracterizações de previsão para gerar uma aproximação de previsão 28. A aproximação de previsão é então aplicada ao conjunto de modelos de reservatório aceitáveis 30, identificados na fase de comparação histórica 34 da presente invenção para produzir uma faixa de previsões de produção 32. A presente invenção é assim capaz de eficientemente predizer uma faixa de previsões de produção com um menor grau de incerteza do que a técnica anterior.

A Fig. 2 prove uma ilustração do progresso de trabalho geral da comparação histórica 38 e da fase de previsão 40 da análise. Neste exemplo, os dados históricos que são usados na fase de comparação histórica 38 são a Taxa de Produção de Óleo de Campo Histórica 42 e a Produção Cumulativa de Óleo de Campo Histórica 44. Deve ser entendido que outros dados de produção histórica podem ser usados que não os dois conjuntos de dados identificados na Fig. 2. Nesta fase de comparação histórica 38, modelos com parâmetros de entrada variáveis são rodados através de simulações de computador para identificar aqueles modelos que forneçam comparações aceitáveis com a Taxa de Produção de Óleo de Campo Histórica 42. Aqueles modelos são então usados na fase de previsão 40 da análise.

Na ilustração da Fig. 2, os modelos de computador fornecem faixas de previsão para Produção Cumulativa de Óleo de Campo 46 e Taxa de Produção de Oleo de campo 54. A faixa de previsão para a Produção Cumulativa de Óleo de Campo 46 é ilustrada como P90 48, P50 50 e PlO 52. Similarmente, a faixa de previsão para a Taxa de Produção de Óleo de Campo 54 é ilustrada como P90 56, P50 58 e PlO 60. A presente invenção grandemente reduz a incerteza associada com a análise ao assegurar que um pool de modelos maior são amostrados e um pool maior de modelos aceitáveis são identificados.

Uma forma de realização da presente invenção utiliza amostragem uniforme para reduzir mais a incerteza da análise de computador da produção para os reservatórios de óleo. A Fig. 3 provê uma ilustração do método de amostragem uniforme. A amostragem uniforme gera uma distribuição de amostragem 62 que cobre o inteiro espaço de parâmetro 64 para um predeterminado número de rodadas. Ela assegura que grandes regiões do espaço de parâmetro 64 não sejam deixadas subamostradas. Tal cobertura é usada para obterem-se dados de simulação para a construção de uma aproximação robusta que seja capaz de interpolar todos os pontos intermediários no espaço de parâmetro 64.

Uma tal forma de realização da presente invenção que utiliza amostragem uniforme é ilustrada na Fig. 4. Inicialmente, na fase de comparação histórica 66, os parâmetros de reservatório e suas faixas de valor são decididos por especialistas de reservatório 70. O número de rodadas de simulação e os valores paramétricos associados são então determinados de acordo com o projeto uniforme 72. Com estes parâmetros, as simulações de computador na fase de comparação histórica são rodadas 74. Uma vez as simulações da fase de comparação histórica sejam completadas 74, a função objetiva e o limiar de comparação (a comparação aceitável entre os resultados da simulação e os dados de produção) são definidos 76. Aqueles modelos que ultrapassam o limiar são rotulados como "bons", enquanto os outros são rotulados como "maus" 78. Estes resultados de simulação são então usados pela função de regressão simbólica de programação genética para construir uma aproximação que separe bons modelos de maus modelos 80. Com este classificador de programação genética como a aproximação simuladora, uma densa distribuição do espaço paramétrico pode então ser amostrada 82. Os modelos que são identificados como bons são selecionados para prever futura produção 84.

Prever produção futura do campo também requer simulação de

computador. Uma vez que o número de bons modelos identificados pela aproximação de programação genética é normalmente muito grande, não é prático fazer todas as rodadas de simulações com os bons modelos. Similar à maneira pela qual a aproximação simuladora é construída para comparação histórica, uma segunda aproximação de programação genética é gerada para previsão de produção. Como mostrado no lado direito da Fig. 4, os resultados da simulação novamente baseados em amostragem uniforme 86 serão usados para construir uma aproximação de previsão de programação genética 88. Esta aproximação é então aplicada a todos os bons modelos identificados na fase de comparação histórica 90. Com base nos resultados da previsão, incertezas estatísticas, tais como a PIO, P50 e P90, são então estimadas 92.

Os Requerentes conduziram um estudo de caso usando uma forma de realização da presente invenção em um grande campo de óleo. O campo de óleo do assunto tem acima de um bilhão de barris de óleo original no lugar e tem estado em produção por mais do que 30 anos. Devido à longa história de produção, os dados coletados do campo não eram consistentes e a qualidade dos dados não era confiável.

O campo de óleo do estudo do caso é coberto por uma significativa cobertura de gás. A Fig. 5 mostra o campo de óleo 94 e a linha de contato do gás óleo ("GOC") 96 que separa a cobertura de gás do óleo subjacente. Similarmente, há uma linha de contato de água óleo (WOC) 98 que separa o óleo da água embaixo. A área 100 entre a linha GOC 96 e a linha WOC 98 é o volume de óleo a ser recuperado. O campo 94 tem também 4 falhas geológicas 102, 104, 106, 108, ilustradas na Fig. 6, que afetam os padrões de fluxo de óleo. Estas falhas 102, 104, 106, 108 têm que ser consideradas na simulação de fluxo de computador.

Como um campo maduro 94 com a maior parte de seu óleo recuperada, o reservatório agora tem espaço poroso que pode ser usado para armazenagem. Um plano proposto é armazenar o gás produzido como um produto secundário de campos de óleo vizinhos. Neste caso particular, o gás produzido não tem valor econômico e reinjetá-lo de volta dentro do campo foi um método ambientalmente amigável de armazenar o gás.

A fim de avaliar a exequibilidade do plano, o volume cumulativo de gás que pode ser injetado (armazenado) no ano de 2031 precisou ser avaliado. Esta avaliação auxiliaria os empresários a tomar decisões, tais como quanto gás transportar dos campos de óleo vizinhos e a freqüência do transporte.

O volume cumulativo do gás que pode ser injetado é essencialmente o volume cumulativo do óleo que será produzido pelo campo 94, uma vez que esta é a quantidade de espaço que tornar-se-á disponível para armazenagem de gás. Para responder a essa questão, um estudo de previsão de produção do campo 94 no ano de 2031 teve que ser conduzido.

Antes de realizar a previsão de produção, o modelo de reservatório tem que ser atualizado através do processo de comparação histórica. A primeira etapa é decidir os parâmetros do reservatório e suas faixas de valor para simulação de fluxo. A Tabela 1, abaixo, mostra os 10 parâmetros que foram selecionados.

Tabela 1

Parâmetros Min Máx Contato Agua Oleo (WOC) 2222 m 2252 m Contato Gás Oleo (GOC) 1897 m 2018 m Multiplicador de Transmissibilidade de falha (TRANS) 0 1 Multiplicador Kh Global (XYPERM) 1 20 Multiplicador Kv Global 0,1 20 Multiplicador Fairway Y-Perm (YPERM) 0,75 4 Multiplicador2 Kv Fairway (ZPERM2) 0,75 4 Saturação Crítica de Gás (SGC) 0,02 0,04 Comunicação Vertical (ZTRANS) 0 5 Camada externa na nova Injeção de Gás (SKIN) 0 30

Entre os 10 parâmetros, 5 parâmetros são multiplicadores em escala Iogl 0. Os outros 5 parâmetros são em escala regular. Os parâmetros multiplicadores são aplicados aos valores de base de cada grade do modelo de reservatório durante a simulação de computador. Os parâmetros selecionados para a simulação de computador

contêm não somente os que afetam a história como os contatos de fluido (WOC e GOC), transmissibilidade de falha (TRANS), permeabilidade (YPERM) e comunicação vertical em diferentes áreas do reservatório (ZTRANS), mas também parâmetros associados com instalação futura de novos poços de injeção de gás, tais como efeito de superfície. Desta maneira, cada simulação de computação pode ser rodada além da comparação histórica e continuar para previsão de produção até o ano de 2031. Com esta organização, cada simulação de computador produz as saídas de fluxo tempo- dados de série para tanto comparação histórica como para previsão de produção. Em outras palavras, as etapas 74 e 86 da Fig. 4 são realizadas simultaneamente.

Baseados em projeto uniforme, os valores paramétricos são selecionados para conduzir 600 rodadas de estimulação de computador. Cada rodada leva cerca de 3 horas para completar, utilizando-se uma única máquina CPU. Entre elas, 593 foram bem sucedidas, enquanto as outras 7 terminaram antes da simulação ter sido completada.

Durante a simulação de computador, vários dados de fluxo foram gerados. Entre eles, somente a taxa de produção de água de campo (FWPR) e taxa de produção de gás de campo (FGPR), dos anos de 1973 a 2004, foram usadas para comparação histórica. Os outros dados de fluxo foram ignorados porque o nível de incerteza associado com os correspondentes dados de produção coletados do campo. As FWPR e FGPR coletadas do campo foram comparadas com

as saídas de simulação de cada rodada. O "erro" E, definido como a desigualdade entre as duas, é o erro ao quadrado da soma calculado como segue:

2KM

E = J^FWPR^ubs, - FWPR _Siml γ +(FCPR^ obs, FGPR_ sim

Aqui, "obs" indica dados de produção enquanto "sim" indica saídas de simulação de computador. O E maior que pode ser aceito como uma boa comparação é 1.2. Adicionalmente, se um modelo tiver um E menor do que 1.2, porém tiver qualquer uma de suas saídas de simulação FWPR ou FGPR demasiado afastada dos dados de produção correspondentes, os dados de produção foram julgados não serem confiáveis e o inteiro registro da simulação é desconsiderado. Com base neste critério, 12 pontos de dados foram removidos. Para os restantes 581 dados de simulação, 63 foram rotulados como modelos bons, enquanto 518 foram rotulados como modelos ruins.

Observamos que há outros métodos para calcular o limiar de erro e esses são contemplados para situarem-se dentro do escopo da presente invenção.

Nesta forma de realização particular da presente invenção,

15

20

25 descobriu-se que o volume de óleo (WOC-GOC) tinha um forte impacto sobre as saídas de fluxo de reservatório, em conseqüência importante para a comparação dos dados de produção. Como mostrado na Fig. 7, entre os 581 conjuntos de dados de simulação, todos 63 modelos bons têm seus WOC e GOC correlacionados; quando o WOC era baixo, seu GOC era também baixo, assim preservando o volume de óleo. Com uma tal correlação, outra variável, chamada "volume de óleo" (WOC-GOC), foi adicionada à análise dos 10 parâmetros originais, para conduzir estudo de comparação histórica e previsão de produção. Nesta análise, os bons modelos tinham um volume de óleo dentro da faixa de 750 e 825 pés (229 m e 252 m),exceto um modelo 120 que tinha um "volume de óleo" de 690 pés (210 m) (Figs. 7 & 8).

Nesta forma de realização da presente invenção, um estudo de valores atípicos foi realizado nos 581 conjuntos de dados de estimulação/produção devido à pobre qualidade dos dados de produção. A seguinte análise racional foi usada para detectar dados de produção inconsistentes. Os modelos de reservatório com valores paramétricos similares deviam ter produzido produções de fluxo similares durante a simulação de computação, que deveria ter dado comparações similares aos dados de produção. Deveria ter havido uma correlação entre os parâmetros de reservatório e o erro de comparação (E). Se este não foi o caso, é indicado que os dados tinham uma diferente qualidade dos outros e não deveriam ter sido confiados. Com base nessa concepção, uma regressão simbólica GP foi usada para identificar a função que descreve a correlação.

Um pacote de programação genética comercial, Discipulus™ da RML Technologies, Inc., foi usado no estudo. Neste pacote de software, alguns parâmetros de programação genética não foram fixados, porém foram selecionados pelo software para cada rodada. Estes parâmetros de programação genética incluíram tamanho da população, tamanho máximo do programa e taxas de cruzamento e mutação. Na primeira rodada, um conjunto de valores para estes parâmetros de programação genética foi gerado. Quando a rodada não produziu uma solução aperfeiçoada para um certo número de gerações, a rodada foi terminada e um novo conjunto de valores paramétricos de programação genética foi selecionado pelo sistema para iniciar uma nova rodada. O sistema manteve as melhores 50 soluções encontradas por todas as múltiplas-rodadas. Quando a programação genética foi terminada, a melhor solução entre o pool de 50 soluções era a solução final. Nesta forma de realização particular, o programa genético realizou 120 rodadas e então foi manualmente terminado.

Além dos parâmetros cujos valores foram gerados pelo

sistema, havia outros parâmetros de programação genética, cujos valores necessitavam ser especificados pelos usuários. A Tabela II fornece os valores daqueles parâmetros de programação genética para regressão simbólica para o estudo dos valores atípicos.

Tabela II

Objetivo Desenvolve Uma Regressão para Identificar Valores atípicos em Dados de Produção Funções adição; subtração; multiplicação; divisão; abs Terminais Os 10 parâmetros de reservatório listados na Tabela I e WOC-GOC Adequação 581 Z(E1-R1)2 MSE: —-, R é saída de regressão 581 Seleção Torneio (4 candidatos/2 vencedores)

O conjunto terminal consiste de 11 parâmetros de reservatório,

cada um dos quais poderia ser usado para construir nodos de folha das árvores de regressão de programação. O alvo é E, que foi comparado com a saída de regressão R para avaliação da adequação. A adequação de uma regressão desenvolvida foi o erro de quadrado médio (MSE) dos 581 pontos de dados. Uma seleção de torneio com tamanho 4 foi usada. Em cada torneio, 4 indivíduos foram aleatoriamente selecionados para compor 2 pares. Os vencedores de cada par tornaram-se pais para gerar 2 filhos.

Após as 120 rodadas, a melhor regressão de programação genética continha 4 parâmetros; WOC-GOC, TRANS, YPERM e SGC. Entre eles, WOC-GOC foi classificado como tendo o maior impacto na comparação dos dados de produção. A Figura 9 mostra a relação entre WOC-GOC e a saída de regressão R. Pela Fig. 9 é evidente que 17 dos pontos de dados não se adequaram dentro do padrão de regressão. Aqueles 17 pontos de dados tiveram comportamento de valor atípico similar com respeito a E (Fig. 10). Esse comportamento evidenciou que os 17 pontos de dados de produção não eram confiáveis e foram removidos do conjunto de dados.

Após os valores atípicos terem sido removidos, os dados finais estabelecidos para construir as aproximações do simulador consistiram de 564 pontos de dados; 63 eram modelos bons e 501 eram modelos ruins, como ilustrado na Fig. ll.O estudo dos valores atípicos estava então completado.

A etapa seguinte da fase de comparação histórica da análise foi construir a aproximação do simulador de reservatório ou a aproximação histórica que qualificou os modelos de reservatório como bons ou ruins. Para esta etapa, o conjunto final de 564 pontos de dados foi usado para construir o classificador de programação genética. Cada ponto de dados continha 4 variáveis de entrada (WOC-GOC, TRANS, YPERM e SGC), que foram selecionadas pelo estudo de valores atípicos de regressão de programação genética, e uma saída, E.

Com o número de modelos ruins 8 vezes maior do que o número de modelos bons, o conjunto de dados ficou muito desequilibrado. Para evitar os classificadores geradores do processo de treinamento de programação genética que predispuseram os modelos ruins, os dados de modelos bons foram duplicados 5 vezes para equilibrar o conjunto de dados. Além disso, o inteiro conjunto de dados foi usado para treinamento, em vez de dividi-lo em treinamento, validação e teste, que é a prática normal para evitar-se superadequação. Isto ocorreu novamente porque o número de modelos bons era muito pequeno. Dividi-los mais teria tornado impossível para o programa genético treinar uma aproximação que representasse a inteira capacidade do simulador.

A instalação do parâmetro de programação genética para esta análise foi diferente da instalação para o estudo dos valores atípicos. Em particular, a função de adequação não era MSE. Em vez disso, ela era baseada na taxa de acerto: a percentagem dos dados de treinamento que foram corretamente classificados pela regressão. A Tabela III inclui os valores paramétricos do sistema de programação genética para regressão simbólica para a aproximação histórica. Tabela III

Objetivo Desenvolve Um Classiflcador de Aproximação de Simulador para Comparação Histórica

Funções adição; subtração; multiplicação; divisão; abs

Terminais WOC-GOC, TRANS, YPERM, SGC

Adequação Taxa de acerto em seguida MSE

Seleção Torneio (4 candidatos/2 vencedores)_

Como descrito acima, o ponto de corte para esta forma de realização particular para E para um bom modelo foi de 1,2. Quando a regressão fornecia uma saída R menor do que 1,2, o modelo era classificado como bom. Se a má comparação E era também menor do que 1,2, a regressão fazia a classificação correta. Caso contrário, a regressão fazia a classificação errada. Uma classificação correta é chamada um acerto. A taxa de Acerto é a percentagem do treinamento que é corretamente classificada pela regressão.

Há casos em que duas regressões podem ter a mesma taxa de acerto. Nesta forma de realização particular, a medição MSE foi usada para selecionar os vencedores. O "limiar empatado" para medição MSE era de 0,01% neste trabalho. Se dois classificadores fossem empatados tanto em suas taxas de acerto como medições MSE, um vencedor era aleatoriamente selecionado dos dois competidores.

Nesta forma de realização particular da presente invenção, também, em vez de 11 parâmetros de reservatório utilizados para construir a aproximação histórica, somente 4 parâmetros de reservatório identificados pelo estudo de valores atípicos terem impactos sobre o fluxo de fluido foram usados como terminais para construir a aproximação histórica. O programa genético completou 120 rodadas. A regressão que teve a melhor precisão de classificação no final da rodada foi selecionada como a aproximação histórica para o simulador. A precisão da classificação da aproximação histórica escolhido foi de 82,54% nos modelos bons e 85,82% nos modelos ruins. A precisão de classificação total para a aproximação histórica foi de 85,82%. A Fig. 12 ilustra os resultados de classificação do parâmetro espaçado definido por WOC-GOC, YPERM e TRANS. A Fig. 12 mostra que os modelos com WOC-GOC fora da faixa de 750 e 825 pés (229 m e 252 m) foram classificados como modelos ruins. Entretanto, os modelos dentro dessa faixa poderiam ser bons ou ruins, dependendo de outros valores de parâmetro.

A aproximação histórica foi então usada para avaliar novos pontos de amostragem no espaço de parâmetro. Para cada um dos 5 parâmetros (GOC-WOC foi tratado como dois parâmetros), 11 amostras foram selecionadas, uniformemente distribuídas entre seus valores mínimos e máximos. O número total resultante de amostras foi de Il5 = 161,051. A aproximação histórica foi aplicada àquelas amostras e 28,125 modelos foram identificados como modelos bons, enquanto 132,926 modelos foram classificados como modelos ruins. A Fig. 13 ilustra os 28125 modelos bons do espaço de parâmetro 3D definido por WOC-GOC, TRANS e SGC. O padrão é consistente com aquele dos 63 modelos bons, identificados por simulação do computador, que é ilustrado na Fig. 14.

Dentro do espaço de parâmetro 3D definido por WOC-GOC, YPERM e TRANS, os modelos bons têm um padrão ligeiramente diferente como mostrado na Fig. 15. Contudo o padrão é também consistente com o padrão dos 63 modelos bons identificados pela simulação de computador como ilustrado na Fig. 16.

Esses resultados indicaram que o classificador de programação genética era uma razoável aproximação de alta qualidade para o simulador de reservatório total. Os 28,125 bons modelos foram então considerados estarem próximos da realidade. Esses modelos revelaram certas características de reservatório para este campo de óleo particular. Seu valor YPERM era maior do que 1,07. As falhas separando diferentes geo-corpos não eram completamente vedantes, a transmissibilidade não era zero. A largura da coluna de óleo (WOC-GOC) era maior do que 750 pés (229 m). Os 28125 bons modelos foram então usados na análise de previsão de produção.

A previsão para produção de óleo (ou o volume de injeção de gás) também requer simulação de computador. Não era prático fazer rodadas de simulação para todos os 28.125 bons modelos, de modo que uma segunda aproximação foi também garantida para esta fase da análise. Nesta fase, todos os 11 parâmetros de reservatório foram usados para construir a aproximação de previsão. A previsão alvo (F) para esta forma de realização da presente invenção foi o volume cumulativo de injeção de gás para o ano de 2031. Os 581 pontos de dados foram divididos em três grupos: 188 para treinamento, 188 para validação e 188 para teste cego. Os dados de treinamento foram usados para o programa genético para construir a aproximação de regressão, enquanto os dados de validação foram usados para selecionar a regressão final ou a aproximação de previsão. A avaliação da aproximação de regressão foi baseada em seu desempenho nos dados de teste cego.

A instalação do parâmetro de programação genética é dada na

Tabela IV. Tabela IV

Objetivo Desenvolve Uma Aproximação de Simulador para Previsão de Produção Funções adição; subtração; multiplicação; divisão; abs Terminais Os 10 parâmetros de reservatório listados na Tabela I e WOC-GOC Adequação 188 Z(F1-R1)2 MSE: —-, F é previsão simulador 188 Seleção Torneio (4 candidatos/2 vencedores)

Permitiu-se que o programa genético fizesse 120 rodadas e a regressão com o menor MSE nos dados de validação foi selecionada como a aproximação de previsão. A Tabela V abaixo lista R2 e MSE nos dados de treinamento, validação e teste cego.

Tabela V

Conjunto de Dados R2 MSE Treinamento 0,799792775 0,001151542 Validação 0,762180905 0,001333534 Teste 0,7106646 0,001550482 Todos 0,757354092 0,001345186

Como a aproximação de previsão era para fazer predições para os próximos 30 anos, um R na faixa de 0,76 foi considerado ser aceitável.

A Fig. 17 ilustra lote-cruzado para previsões de simulador e aproximação nos 581 modelos de simulação. Através de todos os modelos, a aproximação de previsão forneceu consistente predição como aquela pelo simulador de computador. A previsão nos 63 bons modelos é ilustrada na Fig. 18. Neste caso particular, a aproximação de previsão forneceu uma menor faixa de predição (0,12256) do que pelo simulador (0,2158).

Similar à aproximação de comparação histórica desta forma de realização, WOC-GOC foi classificado como tendo o maior impacto nas previsões de produção. A aproximação de previsão foi então usada para derivar predições de produção de injeção de gás de todos os bons modelos identificados pela aproximação histórica. Uma vez cada modelo selecionado pela aproximação histórica tinha sido descrita como valores de 6 parâmetros de reservatório, houve liberdade na vedação dos valores dos outros 5 parâmetros não usados pela aproximação histórica. Cada um dos 5 parâmetros não restringidos foi amostrado selecionando-se 5 pontos, uniformemente distribuídos entre seus valores mínimo e máximo. Cada combinação dos valores de 5 parâmetros foi usada para complementar os valores de 6 parâmetros em cada um dos 28125 bons modelos para rodar a aproximação de previsão. Isto resultou em um total de 87.890,625 modelos sendo amostrados com a aproximação de previsão.

As Figs. 19 e 20 fornecem a injeção de gás cumulativo para o ano de 2031, que foi previsto pelos modelos. Como mostrado, a faixa de injeção de gás entre 1,19 milhões de pés cúbicos padrão (MSCF) (33700 m ) e 1,2 MSCF (33984 m3) é predita pelo maior número de modelos de reservatório (22% dos modelos totais). Isto é similar às predições pelos 63 modelos de simulação de computador, como ilustrado nas Figs. 21 e 22.

A função de densidade cumulativa (CDF) da aproximação de previsão forneceu um valor PlO de 1,06, um valor P50 de 1,18 e um valor P90 de 1,216 MSCF (30019, 33418 e 34437 m3). Isto significou que o volume de injeção mais provável (P50) seria de 1,18 MSCF (33418 m3). Havia uma probabilidade de 90% de que a injeção seria mais elevada do que 1,05 MSCF (29736 m3) (PIO) e uma probabilidade de 10% de que a injeção seria menor do que 1,216 MSCF (34437 m3) (P90). Esta faixa de incerteza permite melhor controle em preparar o transporte de gás e planejar outros arranjos relacionados.

Embora no relatório precedente esta invenção tenha sido descrita em relação a certas de suas formas de realização preferidas e muitos detalhes tenham sido expostos para fins de ilustração, será evidente para aqueles hábeis na técnica que a invenção é susceptível de alteração e de que certos outros detalhes descritos aqui podem variar consideravelmente, sem desvio dos princípios básicos da invenção.

Claims

1. Método para prever perfis de produção para reservatórios de petróleo, caracterizado pelo fato de compreender as etapas de: (a) utilizar programação genética para gerar uma aproximação histórica e uma aproximação de previsão; (b) qualificar cada um de uma pluralidade de modelos de reservatório com a aproximação histórica como um conjunto de modelos aceitáveis ou um conjunto de modelos inaceitáveis, cada modelo da pluralidade de modelos de reservatório tendo diferentes valores de parâmetro; e (c) aplicar a aproximação de previsão ao conjunto de modelos de reservatório aceitáveis, para produzir uma faixa de previsões de produção para o conjunto de modelos de reservatório aceitáveis.

2. Método de acordo com a reivindicação 1, caracterizado pelo fato de incluir a produção da pluralidade de modelos de reservatório utilizando uma metodologia de amostragem uniforme, que gera uma distribuição de amostragem de um espaço paramétrico para um número predeterminado de rodadas.

3. Método de acordo com a reivindicação 1, caracterizado pelo fato de incluir ainda identificar características comuns dos modelos de reservatório no conjunto de modelos de reservatório aceitáveis.

4. Método de acordo com a reivindicação 1, caracterizado pelo fato de incluir ainda identificar características comuns dos modelos de reservatório que não foram incluídas no conjunto de modelos de reservatório aceitáveis.

5. Método para prever perfis de produção para reservatórios de petróleo, caracterizado pelo fato de compreender as etapas de: (a) produzir uma amostra inicial de modelos de reservatório; (b) gerar um perfil de produção histórica e um perfil de produção futura para cada um dos modelos iniciais de amostra de reservatório; (c) qualificar cada um dos modelos iniciais de amostra de reservatório como aceitável ou inaceitável com respeito aos perfis de produção histórica, para produzir um conjunto histórico de qualificações; (d) introduzir o conjunto histórico de qualificações na programação genética, para gerar uma aproximação histórico; (e) aplicar a aproximação histórico a uma pluralidade de modelos de reservatório, a pluralidade de modelos de reservatório sendo maior do que a amostra inicial de modelos de reservatório, e qualificar cada modelo da pluralidade de modelos de reservatório como aceitável ou inaceitável, para identificar um conjunto de modelos de reservatório aceitáveis. (f) quantificar cada uma das amostras iniciais de modelos de reservatório com respeito aos perfis de produção futura, para produzir caracterizações de previsão; (g) introduzir as caracterizações de previsão na programação genética, para gerar uma aproximação de previsão; e (h) aplicar a aproximação de previsão ao conjunto de modelos de reservatório, para produzir uma faixa de previsões de produção para o conjunto de modelos de reservatório aceitáveis.

6. Método de acordo com a reivindicação 5, caracterizado pelo fato da amostra inicial de modelos de reservatório ser produzida por uma metodologia de amostragem uniforme, que gera uma distribuição de amostragem de um espaço paramétrico para um predeterminado número de rodadas.

7. Método de acordo com a reivindicação 1, caracterizado pelo fato da amostra inicial de modelos de reservatório ser um subconjunto da pluralidade de modelos de reservatório.

8. Método de acordo com a reivindicação 1, caracterizado pelo fato de incluir ainda classificar os modelos de reservatório no conjunto de modelos de reservatório aceitáveis.

9. Método de acordo com a reivindicação 1, caracterizado pelo fato de incluir ainda identificar características comuns dos modelos de reservatório no conjunto de modelos de reservatório aceitáveis.

10. Método de acordo com a reivindicação 1, caracterizado pelo fato de incluir ainda identificar características comuns dos modelos de reservatório que não foram incluídos no conjunto de modelos de reservatório aceitáveis.

11. Método de acordo com a reivindicação 1, caracterizado pelo fato de incluir ainda realizar um estudo de valores atípicos utilizando a programação genética na amostra inicial de modelos de reservatório.

12. Sistema para prever perfis de produção para reservatórios de petróleo, caracterizado pelo fato de incluir: uma aproximação histórica gerada por um programa genético, a aproximação histórica qualificando uma pluralidade de modelos de reservatório como aceitáveis ou inaceitáveis; e uma aproximação de previsão gerado pelo programa genético, a aproximação de previsão sendo aplicado aos modelos de reservatório aceitáveis, para produzir uma faixa de previsões de produção.