Você está na página 1de 6

2o CONGRESSO BRASILEIRO DE P&D EM PETRLEO & GS

PREDIO DO DESGASTE DE BROCAS UTILIZANDO REDES NEURAIS


Luis Fernando Pozas, Guilherme Bittencourt
Departamento de Automao e Sistemas, Universidade Federal de Santa Catarina, 88040-900-Florianpolis-SC, {lfpozas, gb}@das.ufsc.br

Resumo A operao de perfurao de poos a segunda fase na busca do petrleo e se d em locais previamente determinados por pesquisas geolgicas e geofsicas. Ela consiste basicamente na manobra de uma sonda de perfurao por um tcnico altamente especializado, o sondador. A sonda por sua vez possui em sua extremidade inferior uma broca, que a responsvel por abrir caminho na rocha seja por trituramento, por acunhamento seguido de arrancamento, ou ainda, por raspagem. O desgaste da broca se d em funo de diversos fatores como velocidade de rotao, taxa de penetrao, tipo de formao sendo perfurada, etc. Por outro lado, sabe-se que as redes neurais so timas ferramentas de representao de conhecimento e so capazes de lidar com sistemas no-lineares, possuindo a capacidade de prever a evoluo de um dado modelo matemtico. Assim, prope-se o desenvolvimento de um sistema baseado em redes neurais, que seja capaz de inferir o nvel de desgaste da broca e relat-lo ao sondador durante as operaes de perfurao. Palavras-Chave: petrleo; perfurao de poos; redes neurais; simulador de perfurao; Abstract Drilling operations take place after the exploration operations chooses the region to begin the search for oil. Basically it consists in driving the drill stem downward the hole by the expert driller, which tries to do it as fast and safe as possible. There is a drill bit attached to the lower extremity of the drill stem which is responsible for digging the hole. Drill bit wear is affected by factors such as rotation speed, rate of penetration, rock properties, etc. On the other hand, it is a well-established fact that neural networks have a very good performance in the execution of the following tasks: knowledge representation and non-linear systems modeling. The proposal of this work is to develop a neural network based system that inferes bit wear and report it to the expert driller during the drilling operation. Keywords: oil; drilling wells; drill bits; neural network; drilling well simulator;

2o Congresso Brasileiro de P&D em Petrleo & Gs

1. Introduo
A perfurao a segunda fase na busca do petrleo e consiste basicamente na perfurao de um poo mediante o uso de uma sonda de perfurao. Geralmente, esta atividade realizada por empresas terceirizadas que cobram por seus servios a quantia de US$200.000,00 - custo dirio mdio de sondas de perfurao martimas para guas profundas - e operam em locais previamente determinados pelas pesquisas Geolgicas e Geofsicas. A sonda composta por uma torre, que serve como base de apoio e sustentao, e pela coluna de perfurao que se apia na torre. A coluna formada por vrios tubos conectados entre si. Na extremidade inferior da coluna encontra-se a broca, que abre caminho nas camadas subterrneas seja por ao de trituramento, acunhamento seguido de arrancamento, ou raspagem, e na extremidade superior esto conectados os equipamentos que tm a funo de transmitir torque coluna e de imprimir peso sobre a broca. nesta extremidade tambm que h a injeo do fluido de perfurao. O fluido um dos elementos de maior importncia na atividade de perfurao pois dele dependem a limpeza das brocas, a retirada dos cascalhos do fundo do poo, a manuteno de uma presso hidrosttica ideal no fundo do poo e o estudo geolgico da rocha que est sendo perfurada. A sonda de perfurao manobrada por um tcnico altamente especializado conhecido como sondador (ou expert driller), que atravs do controle de variveis como o peso sobre a broca, a vazo e a presso do fluido de perfurao, o torque aplicado, a velocidade de rotao, e outras, tenta garantir que a perfurao se d da maneira mais econmica e segura possvel. Para tanto, um grande nmero de dispositivos de telemetria o auxilia nesta tarefa. No entanto, apesar do grande auxlio destes dispositivos, muitos acidentes ocorrem durante a perfurao. Algumas vezes so causados por inexperincia do sondador (caso raro), outras tantas por fatalidades, e um grande nmero de vezes por distrao ou cansao do sondador. Nunca demais lembrar que estes operadores esto sujeitos a rotinas estafantes de trabalho, com turnos de 12 horas, algumas vezes 15 dias por ms embarcados, trabalhando em locais de alta periculosidade. Nestas condies sabe-se que os seres humanos tornam-se mais propensos a cometer erros. Por outro lado, sabe-se que as redes neurais so timas ferramentas de representao de conhecimento, so capazes de lidar com sistemas no-lineares e possuem capacidade de prever a ocorrncia de eventos com uma certa antecedncia. Justamente por estas caractersticas elas tm sido bastante utilizadas no setor de petrleo & gs em pesquisas como anlise da evoluo de poos (ZHONG), pesquisas geolgicas (WANG) e anlise de desgaste de brocas (BILGESU).E, ao contrrio dos mtodos analticos tradicionais aonde um modelo matemtico do problema precisa ser desenvolvido, as redes neurais exigem apenas a apresentao de pares entrada/sada do sistema em questo durante a fase de aprendizado para que estejam aptas a realizar as tarefas para as quais foram designadas. Na fase de treinamento da rede, sero utilizados dados provenientes de um simulador de perfurao de poos. Durante a perfurao o sondador no possui nenhuma informao sobre o estado de desgaste da broca, informao esta que somente pode ser obtida com a retirada total da coluna do poo e observao direta da pea. A disponibilidade desta informao poderia auxiliar o sondador na diagnose de algum evento inesperado, na manobra da sonda ou ainda na otimizao da perfurao. O objetivo deste trabalho observar o desempenho de algumas configuraes de redes neurais na previso de desgaste de brocas em perfuraes de formaes rochosas uniformes. Uma vez avaliadas, ser necessrio fazer a validao das mesmas atravs de ensaios de campo. Posteriormente, estas redes podero ser integradas em um equipamento capaz de prever o desgaste de brocas em formaes rochosas compostas. O presente trabalho se organizar da seguinte maneira: Na seo 2, uma breve introduo s redes neurais ser apresentada; na seo 3, a metodologia do trabalho ser descrita; na seo 4 os resultados obtidos sero apresentados; na seo 5 uma concluso sobre os resultados obtidos, na seo 6 os agradecimentos e na seo 7 as referncias.

2. Fundamentos de Redes Neurais Artificiais


O reconhecimento de que o crebro humano trabalha de maneira completamente diferente do que um computador digital tem motivado a pesquisa em redes neurais (RNs). O crebro um sistema de processamento de informaes altamente complexo, paralelo e no linear, que tem a capacidade de organizar seus elementos estruturais, conhecidos como neurnios, de tal forma que se torne capaz de realizar algumas computaes muitas vezes mais rpido do que alguns computadores digitais de hoje em dia. Por exemplo, uma tarefa de reconhecimento visual. O crebro continuamente faz representaes do meio ambiente em que est imerso interagindo em questes de dcimos de segundos. A realizao de tarefas muito mais simples do que esta pode levar horas em computadores convencionais. De acordo com [HAYKIN], em sua forma mais geral, uma rede neural uma mquina que projetada para modelar a forma em que o crebro realiza uma determinada tarefa. A rede normalmente implementada atravs do uso de componentes eletrnicos ou de simulaes em softwares. Para alcanar uma boa performance as RNs efetuam uma intensa interconexo entre seus elementos de processamento, os chamados neurnios. Um neurnio a unidade fundamental de processamento de informaes da rede neural. A figura 1 apresenta um diagrama em blocos de um neurnio. Nele pode-se perceber:

2o Congresso Brasileiro de P&D em Petrleo & Gs Um conjunto de sinapses ou conexes, cada qual caracterizada por apresentar um peso ou fora prpria. Especificamente, um sinal xj aplicado na entrada de uma sinapse j multiplicado pelo peso sinptico wj; Um somador para somar todos os sinais de entrada j multiplicados pelos seus respectivos pesos; Uma funo de ativao para limitar a amplitude da sada do neurnio. Ela tambm conhecida como funo de compresso por comprimir a faixa de amplitude permissvel para o sinal de sada a um valor finito.

Fig.1 Elemento bsico de processamento: neurnio O procedimento utilizado para realizar o processo de aprendizado chamado de algoritmo de aprendizado, cuja funo modificar os pesos sinpticos da rede, organizadamente, de maneira que se possa dizer que a rede absorveu aquele conhecimento. O aprendizado um processo pelo qual os parmetros livres de uma rede neural so adaptados atravs de um processo guiado por estmulos provenientes do ambiente no qual est inserido. Esta definio implica na seguinte seqncia de eventos: Receber estmulos do ambiente; Submeter-se mudanas em seus parmetros como resultado destes estmulos; Responder ao ambiente de maneira diferente devido esta adaptao;

Ainda de acordo com [HAYKIN], uma tarefa fundamental de uma RN construir um modelo do mundo na qual est inserida e mant-lo suficientemente consistente com o mundo real, de maneira que as metas especficas da aplicao de interesse sejam alcanadas.

3. Metodologia
Utilizou-se o toolbox nntool integrante do software MathWorks Matlab 6.1 para implementar as redes neurais. As simulaes de perfuraes foram feitas no simulador MaxSimul PayZone J. Este simulador apresenta a opo de anlise do desgaste da broca, o que nos permite obter dados sobre o estado da broca durante toda a perfurao. Todas as tarefas foram executadas em um computador Pentium4 com 1.4GHz e 256MB de RAM. O seguinte procedimento foi adotado: durante a fase de treinamento, estimulou-se a rede com dados provenientes de uma perfurao aonde uma litologia uniforme foi perfurada por uma broca at que esta atingisse seu desgaste total. Esta perfurao foi efetuada mantendo-se fixos os valores de peso na broca, vazo do fluido de perfurao, e velocidade de rotao e monitorando o valor do torque na coluna e a taxa de penetrao a cada minuto. O procedimento foi ento repetido para outras combinaes dos valores do peso na broca, vazo do fluido de perfurao, e velocidade de rotao. Na tabela 1 esto indicadas as combinaes de valores que foram utilizados em cada perfurao. Uma vez obtidos os dados sobre o desgaste da broca para todas as perfuraes, estes foram apresentados s redes. Na tabela 1 esto indicadas tambm as combinaes de valores utilizadas nas perfuraes que foram utilizadas para averiguar a capacidade de aprendizado e de generalizao da rede. Quanto s redes, foram avaliadas trs configuraes diferentes para se verificar qual se adapta melhor ao problema proposto. Todas so do tipo Feed-Forward Back-Propagation e possuem cinco entradas, sendo elas o peso na broca, a velocidade de rotao, a vazo da lama de perfurao, o torque medido na coluna e a taxa de penetrao. Em sua sada so apresentados os valores instantneos de desgaste da broca.

2o Congresso Brasileiro de P&D em Petrleo & Gs Tabela 1 Valores de WOB, RPM e GPM utilizados durante as perfuraes. WOB (em x1000) 10 30 50 70 90 50 50 50 50 50 50 50 50 50 50 70 RPM 100 100 100 100 100 20 80 150 220 280 100 100 100 100 100 180 GPM 900 900 900 900 900 900 900 900 900 900 200 410 610 1000 900 700

Treinamento

Aprendizado Generalizao

4. Resultados
Inicialmente foram feitas simulaes com uma broca do tipo Milled Tooth, com dimetro de 12 1 " , dentes

de tamanho mdio e trs bicos injetores em uma litologia do tipo Hard Sand. Foram utilizadas trs configuraes diferentes de redes. A rede que ser aqui denominada R5-2 possui uma camada de entrada com cinco neurnios, uma camada de sada com dois neurnios configurados com funo de ativao puramente linear, e no possui camadas ocultas. A rede aqui denominada R5-10-2 possui uma camada de entrada com cinco neurnios, uma camada oculta com dez neurnios configurados com funo de ativao tangente sigmide, e uma camada de sada com dois neurnios configurados com funo de ativao puramente linear. A rede aqui denominada R5-10-10-2 possui uma camada de entrada com cinco neurnios, duas camadas ocultas com dez neurnios cada configurados com funo de ativao tangente sigmide, e uma camada de sada com dois neurnios configurados com funo de ativao puramente linear. De acordo com [HAYKIN], para fazer uma avaliao mais precisa sobre o andamento do processo de treinamento de uma rede neural necessrio que a mesma seja avaliada quanto sua capacidade de aprendizado, ou seja, se o mapeamento de entrada/sada apresenta um erro mdio quadrtico pequeno, e sua capacidade de generalizao, ou seja, se a resposta da rede a padres de entrada que no fazem parte do conjunto de treinamento apresenta um erro mdio quadrtico pequeno. O erro mdio quadrtico definido na equao 1:

(D(x ) Y (x ))
x =1

(1)

aonde D(x) o vetor resposta desejada , Y(x) o vetor resposta na sada da rede e N a dimenso dos vetores D e Y. Na tabela 2 esto indicados, para cada configurao de rede, o erro mdio quadrtico de aprendizado e o erro mdio quadrtico de generalizao aps cada ciclo de treinamento, aonde ciclo de treinamento se refere apresentao dos dados de perfuraes 2800 vezes rede neural. Esto indicados tambm o tempo gasto pelo computador em cada ciclo de treinamento.

Tabela 2 Erro quadrtico mdio de treinamento e de generalizao R5-2 Ciclo de treinamento 1 2 3 Erro de Aprendizado 0,0145 0,0076 0,0047 Erro de Generalizao 0,0403 0,0178 0,0100 Tempo Decorrido (min) 12,90 16,28 17,24

2o Congresso Brasileiro de P&D em Petrleo & Gs R5-10-2 Erro de Erro de Aprendizado Generalizao 0,0023 0,0269 0,0034 0,0026 0,0032 0,0021 R5-10-10-2 Erro de Erro de Aprendizado Generalizao 0,0048 0,0082 0,0027 0,0096 0,0022 0,0057

Ciclo de treinamento 1 2 3 Ciclo de treinamento 1 2 3

Tempo Decorrido (min) 15,82 16,35 17,08 Tempo Decorrido (min) 15,70 15,80 16,17

Observando os resultados obtidos com as redes neurais, em um primeiro momento poderamos optar por escolher a rede R5-10-2 porque esta a que apresenta o menor erro de aprendizado aps o primeiro ciclo de treinamento. No entanto, ela no generaliza muito bem e h de se levar em conta tambm que conforme as redes so submetidas a novos ciclos, percebe-se que o erro de aprendizado da R5-10-2 aumenta enquanto que o erro da R5-10-102 diminui progressivamente at tornar-se o menor de todos. Por outro lado, a rede R5-10-2 generaliza melhor do que a rede R5-10-10-2. Resumindo, poderamos dizer que a rede R5-2 generaliza melhor, enquanto a rede R5-10-10-2 mais precisa. J a rede R5-2 a que apresenta o pior desempenho de todas pois possui os maiores erros de aprendizado e de generalizao. Por outro lado, pelo critrio de tempo total gasto no treinamento ela apresenta a vantagem de possuir o menor custo computacional dentre todas. No entanto, a diferena de tempo entre todas as redes muito pequeno para que esta rede seja considerada a melhor escolha. Assim, por ser a que melhor generaliza e no possuir um erro de aprendizado to elevado elegeu-se a R5-10-2 como a de melhor desempenho na tarefa de previso de desgaste de brocas.

5. Concluses
O objetivo do presente trabalho estudar o desempenho de algumas configuraes de redes na tarefa de avaliar o desgaste de brocas e sugerir uma metodologia para que essa tarefa possa ser alcanada. Os resultados apontam que seguindo nossa metodologia possvel desenvolver uma ferramenta baseada em redes neurais para inferir o desgaste de uma broca. Em um primeiro momento, os dados obtidos na seo anterior indicam erros de treinamento numa faixa entre 0.22% e 0.47% e de generalizao numa faixa entre 0.21% e 0.57% aps 3 ciclos de treinamento. So valores de erro bastante baixos, e tudo indica que tendem a ser menores com mais ciclos de treinamento. Isso quer dizer que as redes aqui testadas foram capazes de indicar o desgaste de uma broca quando informadas sobre os valores de peso na broca, velocidade de rotao, vazo do fluido de perfurao, o torque na coluna e a taxa de penetrao. No entanto ressalta-se que maiores informaes devem ser obtidas atravs da repetio da metodologia em outros tipos de litologia e com outras brocas para que uma concluso mais precisa possa ser obtida. Antes da implementao da ferramenta, ser necessrio fazer com estas redes uma validao atravs de ensaios de campo. Se as redes apresentarem desempenho satisfatrio, sugere-se fazer uma simulao em uma formao rochosa composta por duas litologias diferentes e avaliar se a rede consegue inferir o desgaste da broca corretamente apesar da mudana de litologia.

6. Agradecimentos
Gostaria de agradecer s seguintes instituies: ANP; Departamento de Automao e Sistemas Universidade Federal de Santa Catarina; FEESC; MaxSimul.

7. Referncias
A.MURRAY, A.F.STRONACH E P.F.A.MACCONNEL The Applications of Advanced Computing Techniques to Oil and Gas Facility Optimisation Offshore Europe Conference Aberdeen, Esccia Setembro/1999.

2o Congresso Brasileiro de P&D em Petrleo & Gs ZHONG HE, LINYU YANG, JOHN YEN E CHING WU Neural-Network approach to predict well performance using available field data SPE Western Regional Meeting Bakersfield, EUA Maro/2001. L. WANG, P.M. WONG E S.A.R. SHIBILI Anan oilfield: Use of geological quantification, neural networks and Geostatistics SPE Reservoir Eval. & Eng., vol. 2, n. 6, Dezembro 1999. H.L. BILGESU, U. ALTMIS, S. AMERI, S. MOHAGHEGH E K. AMINIAN A New Approach to Predict Bit Life Based on Tooth or Bearing Failures SPE Eastern Regional Meeting Pittsburgh, EUA Novembro/1998. S. HAYKIN Neural Networks A Comprehensive Foundation Prentice Hall 2 Ed - NY, 1993. MATHWORKS - Toolbox nntool Manual do Matlab 6.1 MAXSIMUL - PayzoneJ Drillling Simulator California, USA