Numerical modeling of advanced production methods is always a challenge to be developed and applied in reservoir simulation. Some approaches, such as the use of laboratory experiments, arise to make this modeling feasible. However, this limits the speed of the solution to obtaining laboratory data and impairs its reproducibility. With the increasing use of Machine Learning (ML) tools to solve complex non-linear problems, we conducted these studies to train these ML tools and couple them to commercial simulation software. The training was based on parameters relevant to Engineered Water Injection (EWI). This advanced injection method seeks to use salinity control in the injection water to promote iterations between its ions and the rock minerals, to facilitate its flow into the porous medium. Thus, we structured a dataset containing salinity, mineralogy, and relative permeability data for the data-driven ML tool to learn the behavior of this data. Thus, this approach achieves accurate predictions, which were used as input data during injection modeling and simulation, validating its results by comparing with production simulation by conventional geochemical modeling. Finally, we performed optimizations with waterflooding injection and EWI, coupling the optimization with the advanced method of the ML pipeline. Thus, we test the efficiency of the ML approach with recursive simulations and compare the efficiency between the injection methods. For this, we apply these optimizations to the UNISIM-II benchmark, a reservoir model with characteristics based on Brazilian Pre-Salt fields. The objective function was Net Present Value maximization, which for the tests performed, EWI presented higher profit, even with a cost margin up to 300% higher than the cost of waterflooding.

A modelagem numérica de métodos avançados de produção sempre é um desafio para ser desenvolvida e aplicada na simulação de reservatórios. Algumas abordagens como o uso de resultados laboratoriais surgem para tentar viabilizar essas modelagens. Porém, isso limita a velocidade da solução a obtenção do dado laboratorial e prejudica sua reprodutibilidade. Com o crescente uso de ferramentas de Aprendizado de Máquina (do inglês Machine Learning ML) para solução de problemas complexos e não lineares, nos conduzimos esses estudos para treinar essas ferramentas e acoplá-las a um software comercial de simulação. O treinamento baseava-se nos parâmetros relevantes para a injeção de água calibrada (do inglês Engineered Water Injection EWI). Esse método de injeção avançada busca utilizar o controle de salinidade na água de injeção para promover iterações entre seus íons e os minerais da rocha, para facilitar seu escoamento no meio poroso. Assim, estruturamos um conjunto de dados que contém dados de salinidade, mineralogia e permeabilidade relativa para a ferramenta ML guiada pelos dados aprender o comportamento desses dados. Assim, essa abordagem foi capaz de fazer previsões precisas, que foram utilizadas como dados de entrada durante a modelagem e simulação da injeção, validando seus resultados comparando com a simulação da produção pela modelagem geoquímica convencional. Por fim, realizamos otimizações com injeção de água comum e EWI, acoplando na otimização com o método avançado o pipeline de ML. Assim, testamos a eficiência da abordagem ML com simulações recursivas e comparamos a eficiência entre os métodos de injeção. Para isso, aplicamos essas otimizações no benchmark UNISIM-II, um modelo de reservatório com características baseadas em campos do Pré-Sal brasileiro. A função objetivo foi a maximização do Valor Presente Líquido, que para os testes realizados a EWI apresentou maior lucro, mesmo com uma margem de custo de até 300% superior ao custo da injeção de água comum.