Use este identificador para citar ou linkar para este item: http://repositorio.ufes.br/handle/10/7818
Título: Gerenciamento de reservatório de petróleo baseado em controle preditivo não linear por meio de filtro de partículas
Título(s) alternativo(s): Reservoir Management based on nonlinear model predictive control through particle filter
Autor(es): Fortunato, Társis Baia
Orientador: Silva, Wellington Betencurte da
Coorientador: Dutra, Julio Cesar Sampaio
Data do documento: 23-Fev-2018
Editor: Universidade Federal do Espírito Santo
Resumo: A energia é um dos bens mais necessários da humanidade, e essa necessidade continua altamente depende da produção de petróleo e gás. Deste modo, os Sistemas de Produção de Petróleo (SPP) necessitam de avanços continuamente. Atualmente, duas técnicas que compõem as principais tendências da indústria de petróleo e contribuem para o avanço do SPP são o controle preditivo baseado em modelo — do inglês Model Predictive Control (MPC)— e as técnicas de estimação de estados. Os SPP possuem características de não linearidades que são vistas, em consequência, também nos modelos matemáticos que reproduzem seus comportamentos. Entretanto, o MPC é uma técnica madura somente para modelos lineares, e sua aplicação em processos não lineares é condicionada a hipóteses simplificadoras. A sua variante Non-Linear Model Predictive Control (NMPC), que utiliza modelos não lineares, tem sido indicada para utilização no controle de SPP, pois, não assume hipóteses simplificadoras. Os desafios do NMPC se encontram na resolução do problema de otimização baseada em modelo que integra sua metodologia e também no tratamento de incertezas. Sendo assim, tem sido comum associar NMPC com estimação de estados. Contudo, mesmo havendo várias técnicas de estimação disponíveis são poucas que lidam bem com o caráter não linear do modelo. Deste modo, esta dissertação propõe uma metodologia de controle de um sistema de produção de petróleo considerando a etapa de recuperação secundária waterflooding com um NMPC associado à estimação de estados. Ao desafio na etapa de otimização, é aplicada uma metodologia que reformula o problema de otimização como um problema de filtragem e o ótimo é estimado com o Filtro Partículas (PF), que nesta tarefa é renomeado para Particle Filter Optimization (PFO). Ao processo estimação de estados, é aplicado também um Filtro de Partículas que não faz nenhuma hipótese simplificadora em relação às incertezas não-Gaussianas. As simulações necessárias durante a aplicação das duas técnicas foram obtidas com o modelo que descreve o escoamento imiscível bifásico óleo- água e com o método Volumes Finitos na sua variante Two Point Flux Approximation. Os resultados mostraram que o PFO manteve a produção no set point e que a estimação de estados com PF foi satisfatória, pois, os resultados de monitoramento não apresentaram degeneração nem empobrecimento na reamostragem do PF. Os resultados a respeito do tratamento da incerteza demostraram que o PF foi capaz de reduzir a incerteza na saturação estimada.
Energy is one of humanity's greatest needs and this need continues highly depends on the production of oil and gas. In this sense, the production systems of oil needs advances continuously. Currently, two techniques that make up the main trends of the oil industry and contribute to the advancement of production systems are model predictive control (MPC) and state estimation techniques. The production systems have characteristics of non-linearities that too are seen in the mathematical models that reproduce their behaviors. However, MPC is a mature technique only for linear models, and its application to nonlinear processes is conditioned to simplifying hypotheses. Its Nonlinear Model Predictive Control (NMPC) variant that uses nonlinear models has been indicated for use in the control of production systems, since it does not assume simplifying hypotheses. The challenges of NMPC lie in solving the problem of model-based optimization that integrates its methodology and also in the treatment of uncertainties. Thus, it has been common to associate NMPC with state estimation. However, even though there are several estimation techniques available, there are few that deal well with non-linear models. Thus, this dissertation proposes a methodology of control of the production system considering the step of secondary waterflooding recovery with a NMPC associated with state estimation. To the challenge in the optimization stage is applied a methodology that reformulates the optimization problem as a filtering problem and the optimum is estimated with the Particle Filter (PF), which in this task is renamed to Particle Filter Optimization (PFO). In the process of state estimation, a Particle Filter is applied which makes no simplifying hypothesis in relation to non-Gaussian uncertainties. The simulations required during the application of the two techniques will be obtained with the model describing the two-phase oil-water immiscible flow and the Finite Volumes method in its Two Point Flux Approximation variant. The results showed that the PFO maintained the production at the set point and that the estimation of the PF states was satisfactory, since the monitoring results did not show degeneration or impoverishment in the PF sampling and the results regarding the uncertainty treatment showed that the PF was able to reduce the uncertainty in the estimated saturation.
URI: http://repositorio.ufes.br/handle/10/7818
Aparece nas coleções:PPGEQ - Dissertações de Mestrado

Arquivos associados a este item:
Arquivo TamanhoFormato 
tese_10087_Dissertação Final de Mestrado - Társis Baia Fortunato PDF.20180423-141053.pdf2.56 MBAdobe PDFVisualizar/Abrir


Os itens no repositório estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.