Otimização da taxa de penetração na perfuração de poços de petróleo utilizando sistemas inteligentes

A Taxa de Penetração (ROP) se refere à velocidade em que a broca de perfuração está perfurando as formações rochosas para construir o poço de petróleo. Grande parte do orçamento de um poço pertence à fase de perfuração, o que torna crucial buscar minimizar o seu tempo. Para isso, é necessário manipular os diversos parâmetros de perfuração para maximizar a ROP. No entanto, é muito desafiador saber o efeito que cada parâmetro individual tem na ROP, visto que os parâmetros dependem um dos outros e, por consequência, a alteração de um parâmetro individual terá impacto sobre os outros. Outra barreira é a incerteza do que está acontecendo em tempo real no fundo do poço. Devido à tamanha complexidade das operações de perfuração, até o presente momento não existe um modelo confiável que possa estimar precisamente a ROP. Entretanto, por causa da constante evolução da tecnologia, o uso de sistemas inteligentes na perfuração está se tornando cada vez mais aplicável, pois se consegue considerar todos os parâmetros na construção de um modelo. O presente trabalho abordará sobre estas tecnologias e suas aplicações na perfuração que buscam torná-la cada vez mais automatizada. Este trabalho tem como objetivo utilizar um modelo computacional de Rede Neural Artificial para fazer a previsão da ROP durante a perfuração. Para este procedimento ser realizado, foi utilizado o software Interactive Petrophysics (IP) com dados de perfuração, registros Logging While Drilling (LWD) e acompanhamento geológico de um poço real do Pré-Sal brasileiroThe Rate of Penetration (ROP) refers to the speed at which the drill bit is drilling the rock formations to build the oil well. Much of a well's budget is in the drilling phase, making it crucial to minimize its time. This requires manipulating the various drilling parameters to maximize ROP. However, it is very challenging to know the effect that each individual parameter has on ROP, as the parameters depend on each other and consequently changing one individual parameter will impact on the others. Another barrier is the uncertainty of what is happening in real time at the bottom hole. Due to the complexity of drilling operations, there is as yet no reliable model that can accurately estimate ROP. However, because of the constant evolution of the technology, the use of intelligent systems in drilling is becoming more and more applicable duo to the possibility to consider all the parameters in the construction of a model. This work will focus on these technologies and their applications in drilling that seek to make it increasingly automated. This work aims to use an Artificial Neural Network computational model to predict ROP during drilling. For this procedure to be performed, the Interactive Petrophysics (IP) software was used with drilling data, Logging While Drilling (LWD) records and geological monitoring of a real well of the Brazilian Pre-Sal