Artificial neural networks applied to the numerical simulation of well-reservoir coupling

Resumo: No presente trabalho, desenvolveu-se uma biblioteca para geração de redes neurais artificiais (NeuralLib) e aplicou-se a mesma para aproximação do acoplamento de escoamento em poços horizontais com reservatório. A biblioteca NeuralLib foi desenvolvida em linguagem C++. A arquitetura de rede gerada e utilizada foi a Multilayer Perceptron (MLP) com uma única camada oculta. Optouse em gerar 3 arquiteturas com diferentes números de neurônios ocultos com objetivo de analisar o comportamento das MLPs. O algoritmo de treinamento adotado foi o de retropropagação ou backpropagation. A rede neural foi utilizada para mapear o fluxo do reservatório tridimensional para o poço horizontal. O escoamento no poço é simulado utilizando leis constitutivas turbulentas e laminares. Foi elaborada uma técnica para gerar os conjuntos de padrões para o processo de treinamento das MLPs, utilizando para tal as curvas de fluxo do reservatório para o poço provenientes de um modelo tridimensional. As MLPs treinadas foram utilizadas na resolução de um modelo unidimensional fornecendo valores de um parâmetro de fluxo do reservatório. Nesse processo, o modelo unidimensional produziu curvas de fluxo no poço semelhantes aos gerados pelo modelo tridimensional. Os resultados são avaliados com relação ao processo de treinamento das MLPs e com relação às curvas de fluxo e vazão total de produção dos poços.Abstract: In this work, an object-oriented library was developed which implements neural networks (Neural- Lib). The library was used to model the coupling of the fluid flow in a three-dimensional reservoir with a one-dimensional well model. The architecture of the neural network is the Multilayer Perceptron (MLP) with a single hidden layer. Three different architectures with varying number of hidden neurons were tested to evaluate the behaviour of the MLP. The backpropagation algorithm was used to train the network. The neural network was applied to estimate the mass flux from a three dimensional reservoir to a horizontal well. The fluid flow in the horizontal well uses laminar and turbulent constitutive models. A technique was developed to generate a set of patterns which were used to train the MLP's. The MLP's output data is a function which represents the mass flux from the reservoir to the one dimensional well. Using the mass flux function, the pressure function in the horizontal well and well flux were very close to the pressure and flux computed using the three dimensional model. The effectiveness of the neural network was evaluated by comparing cases which were not included in the original training set