As smart well technology is increasingly being adopted in oilfield development projects, the need to optimize controls emerged in order to justify its higher initial investment by considerably increasing net present value. While there are numerous methodologies to achieve this goal, a common fact in all is the need for a great number of computationally expensive reservoir simulations, hindering extensive optimizations. This paper proposes the use of deep learning algorithms in proxy models, in order to accurately replicate the behavior of the simulator by forecasting production based on previous data. Thus, a smaller number of simulations are required for a training dataset, and the proxy can then be used in lieu of the simulator for optimization purposes. Other benefits in the use of the proposed methodology include the gathering of insights on production, as problems might be occurring if measured production noticeably deviates from the forecast. Two case studies were done, and the results indicate that a Long Short-Term Memory Network-based proxy is able to forecast production with a remarkably low error, validating the methodology and supporting its use.

No abstract

No abstract

No abstract

A previsão de carga é utilizada na controlabilidade do Sistema Integrado Nacional (SIN) e para a garantia da segurança elétrica e energética do atendimento na ponta. Atualmente, é essencial em termos de tomada de decisão em tempo real para o Operador Nacional do Sistema (ONS) e para o planejamento da coordenação hidrotérmica de médio e longo prazo. A previsão precisa da carga resulta em redução de custos operacionais e na maior confiabilidade do sistema elétrico, auxiliando na definição do número de unidades geradoras que precisam ser construídas nos próximos anos e na quantidade de energia que deve ser gerada a cada hora ao longo dos dias. Estima-se, para 2020, o início da operação do sistema DESSEM, que calculará o custo de energia no SIN baseado em dados de previsão de carga, e otimizará a expedição hidrotérmica a cada hora. Dada a relevância desta tarefa, este artigo apresenta três técnicas para a previsão de carga com granularidade horária: um modelo autorregressivo integrado de médias móveis (ARIMA) e dois modelos não-lineares, baseados em redes neurais artificiais recorrentes (GRU e LSTM), que têm obtido resultados superiores quando comparado a outras técnicas de previsão. Verifica-se que as redes LSTM e GRU apresentam resultados com menor erro percentual absoluto que o modelo ARIMA. Este tipo de modelo foi usado em um caso real por uma comercializadora de energia na cidade do Rio de Janeiro a qual conseguiu melhorar em 7% suas previsões, reduzindo custos de operação.