UNIVERSIDADE FEDERAL DE PELOTAS

Centro de Engenharias
Curso de Engenharia de Petróleo

PROJETO DE SIMULAÇÃO E MODELAGEM DE RESERVATÓRIOS

Hélio Junnior Sartor Dalmolin – 20100932

Pelotas – RS
2023

1
 UNIVERSIDADE FEDERAL DE PELOTAS
Centro de Engenharias
Curso de Engenharia de Petróleo

PROJETO DE SIMULAÇÃO E MODELAGEM DE RESERVATÓRIOS

Autor: Hélio Junnior Sartor Dalmolin

Orientador: Prof. Dr. Valmir Francisco Risso
Co-Orientador: Prof. Dr. Forlan La Rosa Almeida

Curso: Engenharia de Petróleo.

Área de concentração: Simulação e Modelagem de Reservatório.

Relatório apresentado à Universidade Federal de Pelotas – UFPEL, como requisito parcial para
a aprovação na disciplina de Simulação e Modelagem de Reservatório.
Pelotas – RS
2023

2
Dedicatória

À minha querida família, cujo amor, apoio e sacrifícios estão fazendo o possível
para a realização do meu sonho de me tornar um engenheiro de petróleo. Sem sua constante
motivação e encorajamento, nada disso seria possível. Aos meus amigos, que encheram minha
jornada com momentos de descontração e alegria, aliviando o peso dos estudos e trazendo luz
aos meus dias mais desafiadores. Aos meus colegas de curso, cujo apoio correspondido foi
fundamental nos momentos em que mais preciso. Juntos, enfrentamos desafios e superamos
obstáculos, fortalecendo nosso vínculo e amizade. Aos meus professores, que não apenas
compartilharam seus conhecimentos valiosos, mas também encontraram amigos e mentores ao
longo dessa jornada acadêmica. Seus ensinamentos moldaram meu caminho e me inspiraram a
buscar a excelência. Esta dedicação é uma pequena homenagem àqueles que tornaram possível
a realização deste trabalho e que desempenharam papéis importantes em minha jornada
acadêmica. Obrigado a todos por fazerem parte desta conquista.

3
Agradecimentos

Expresso meus agradecimentos aos Prof’s. Dr’s. Valmir Francisco Risso e Forlan
La Rosa Almeida pelas sugestões e orientação concedida, o que permitiu a realização e
conclusão deste relatório. A todos os professores do Curso de Engenharia de Petróleo, que
contribuíram para o meu aprendizado até este momento. A Rock Fluid Dynamics por
disponibilizar as licenças do TNavigator para realizar o projeto.

4
Quantos mais a gente rala, mais a gente cresce!
Dias de luta, dias de glória
Canção de Charlie Brown Jr.

5
Resumo

DALMOLIN, Hélio Junnior Sartor Dalmolin. Projeto de Simulação e Modelagem de

Reservatório. Pelotas: Centro de Engenharias, Curso de Engenharia de Petróleo, Universidade
Federal de pelotas, 2023, ... p., Relatório Final de Simulação e Modelagem de Reservatório.

Este relatório apresenta uma análise abrangente do estudo realizado para a

otimização da exploração de reservatórios de petróleo. Inclui uma revisão da metodologia
aplicada, os resultados obtidos e suas implicações. O estudo concentrou-se na construção de
um modelo de reservatório, simulações numéricas e análise de risco. A metodologia empregada
envolveu a criação de um modelo de reservatório fictício com base em dados do mundo real,
incluindo a presença de um aquífero e uma capa de gás. Os atributos críticos, como
permeabilidade relativa e pressões capilares, foram obtidos a partir de fontes de dados
confiáveis. Uma análise de sensibilidade foi conduzida para identificar os atributos que mais
afetam as previsões do projeto. A estratégia de exploração adotada, conhecida como "Five
Spot", incluiu a utilização de poços horizontais e verticais para produção e injeção, com base
nas informações de saturação de óleo por camadas. As metas de recuperação foram alcançadas
com sucesso, com uma taxa de recuperação de 30,3%. Uma análise de sensibilidade detalhada
destacou a importância das variáveis-chave, como a área do reservatório, contatos óleo-gás e
óleo-água, grau API do petróleo e porosidade. Isso levou à identificação de áreas de foco para
futuras melhorias. A análise de risco foi realizada usando simulações de Árvore de Derivação
e planejamento estatístico, incluindo o método Box-Behnken. Isso permitiu a construção de
meta-modelos para reduzir o tempo de simulação. Os resultados das análises de risco
forneceram informações valiosas sobre as incertezas do projeto. Em conclusão, este relatório
demonstra a importância de uma metodologia robusta e estratégica para otimizar a exploração
de reservatórios de petróleo. As próximas etapas do projeto incluem a verificação dos resultados
de análise de risco, a redução da produção de água e a consideração de mudanças no layout do
reservatório para se aproximar da realidade. Este relatório oferece uma visão completa do
projeto e seus resultados, fornecendo informações valiosas para a tomada de decisões futuras
na exploração de reservatórios de petróleo.

Palavras-chave: Curva de risco; Planejamento Box-Behnken, simulação numérica, análise de

sensibilidade, meta-modelo.

6
Abstract

DALMOLIN, Hélio Junnior Sartor Dalmolin. Reservoir Simulation and Modeling Project.
Pelotas: Center for Engineering, Petroleum Engineering Program, Federal University of
Pelotas, 2023, ... p., Final Reservoir Simulation and Modeling Report.
This report presents a comprehensive analysis of the study conducted for the
optimization of oil reservoir exploration. It includes a review of the applied methodology, the
obtained results, and their implications. The study focused on the construction of a reservoir
model, numerical simulations, and risk analysis. The employed methodology involved the
creation of a fictitious reservoir model based on real-world data, including the presence of an
aquifer and a gas cap. Critical attributes, such as relative permeability and capillary pressures,
were derived from reliable data sources. Sensitivity analysis was conducted to identify the
attributes that most affect the project's predictions. The adopted exploration strategy, known as
the "Five Spot" method, included the use of horizontal and vertical wells for production and
injection, based on oil saturation information by layers. The recovery goals were successfully
achieved, with a recovery rate of 30.3%. A detailed sensitivity analysis highlighted the
significance of key variables such as reservoir area, oil-gas, and oil-water contacts, API gravity
of oil, and porosity. This led to the identification of areas for future improvements. Risk analysis
was performed using Decision Tree simulations and statistical planning, including the Box-
Behnken method. This enabled the construction of metamodels to reduce simulation time. The
results of the risk analyses provided valuable insights into project uncertainties. In conclusion,
this report demonstrates the importance of a robust and strategic methodology for optimizing
oil reservoir exploration. The next project steps include verifying the results of the risk analysis,
reducing water production, and considering changes in the reservoir layout to better reflect
reality. This report provides a comprehensive overview of the project and its results, offering
valuable information for future decision-making in oil reservoir exploration.

Keywords: Risk curve; Box-Behnken planning, numerical simulation, sensitivity analysis,

metamodel.

7
 SUMÁRIO

LISTA DE FIGURAS .............................................................................................................. 10

LISTA DE TABELAS ............................................................................................................. 11
LISTA DE EQUAÇÕES .......................................................................................................... 11
NOMENCLATURAS E SIGLAS ............................................................................................ 12
1. INTRODUÇÃO ................................................................................................................ 13
1.1. Objetivo Geral ............................................................................................................... 14
1.2. Objetivos Secundários ................................................................................................... 14
1.3. Motivação para o Trabalho ............................................................................................ 14
2. FUNDAMENTAÇÃO TEÓRICA .................................................................................... 16
2.1. Simulação Numérica...................................................................................................... 16
2.2. Análise de Sensibilidade ................................................................................................ 17
2.3. Propriedade dos Fluídos ................................................................................................ 18
2.4. Propriedade das Rochas ................................................................................................. 19
2.5. Análise de Risco ............................................................................................................ 19
2.6. Árvore de Derivação ...................................................................................................... 20
2.7. Curva de Risco .............................................................................................................. 21
2.8. Planejamento BOX-BEHNKEN ................................................................................... 21
2.9. Meta-modelos ................................................................................................................ 22
3. REVISÃO BIBLIOGRÁFICA .......................................................................................... 23
4. METODOLOGIA ............................................................................................................. 26
4.1. Descrição do processo de elaboração da metodologia .................................................. 26
4.2. REVISÃO BIBLIOGRÁFICA ...................................................................................... 27
4.3. DADOS EMPREGADOS NO MODELO DE SIMULAÇÃO ..................................... 27
4.4. CONSTRUÇÃO DO MODELO ................................................................................... 30
4.5. ESTRATÉGIA DE EXPLOTAÇÃO ............................................................................ 31
4.6. ANÁLISE DE SENSIBILIDADE ................................................................................. 31
4.7. ANÁLISE DE RISCO ................................................................................................... 32
4.7.1. Construção da Curva de Risco usando Adição Gradativa .............................................. 32
4.7.2. Extensão da Análise para o Terceiro Atributo Crítico ................................................... 33
4.7.3. Análise e Interpretação dos Resultados .......................................................................... 33
4.8. PLANEJAMENTO BOX-BEHNKEN .......................................................................... 33
4.8.1. Planejamento Box-Behnken....................................................................................... 33

8
4.8.2. Preenchimento da Matriz com Resultados das Funções-Objetivo ............................. 33
4.8.3. Construção da Matriz A e do Vetor B ....................................................................... 34
4.8.4. Resolução da Matriz e Obtenção dos Coeficientes do Meta-Modelo ........................ 34
4.8.5. Construção do Polinômio de Segundo Grau (Superfície de Resposta)...................... 34
4.8.6. Comparação dos Valores PREDITOS e SIMULADOS ............................................ 34
4.8.7. Cálculo do R^2 para Avaliação da Precisão do Meta-Modelo .................................. 34
4.9. CURVA DE RISCO POR PLANEJAMENTO BOX-BEHNKEN ............................... 34
4.9.1. Cálculo dos Valores PREDITOS pelo Polinômio de Segundo Grau (Box-Behnken)
34
4.9.2. Cálculo do Coeficiente de Determinação (R^2) ........................................................ 35
4.9.3. Construção da Curva de Risco ................................................................................... 35
4.9.4. Comparação das Curvas de Risco .............................................................................. 35
5. APLICAÇÕES, RESULTADOS E DISCUSSÕES .......................................................... 35
5.1. Modelo Base .................................................................................................................. 35
5.2. Caracterização do Reservatório ..................................................................................... 36
5.3. Propriedades dos Fluídos ............................................................................................... 37
5.4. Propriedades Rocha-fluído ............................................................................................ 39
6. RESULTADOS E DISCUSSÕES .................................................................................... 41
6.1. Estratégia de Explotação ............................................................................................... 41
6.2. Análise de Sensibilidade ................................................................................................ 44
6.2.1. Realização da Análise de Sensibilidade..................................................................... 47
6.3. Análise de Risco ............................................................................................................ 51
6.4. Planejamento Box-Behnken .......................................................................................... 56
6.4.1. Planejamento Box-Behnken Para 27 Simulações ...................................................... 61
7. CONCLUSÃO .................................................................................................................. 69
8. PRÓXIMAS ETAPAS DO PROJETO ............................................................................. 70
9. REFERÊNCIAS BIBLIOGRÁFICAS .............................................................................. 71
10. ANEXOS ....................................................................................................................... 73

9
 LISTA DE FIGURAS
Figura 1: Esquema da Árvore de Derivação ........................................................................... 20
Figura 2: Fluxograma com as etapas do projeto ..................................................................... 26
Figura 3: Representação do modelo base ................................................................................ 36
Figura 4: Representação do contato gás-óleo e óleo-água. ..................................................... 36
Figura 5: Gráfico curva de Bo. ................................................................................................ 37
Figura 6: Gráfico curva e Bg. .................................................................................................. 37
Figura 7: Gráfico curva de Rs. ................................................................................................ 38
Figura 8: Gráfico de Vis. G. .................................................................................................... 38
Figura 9: Gráfico de Vis. O. .................................................................................................... 39
Figura 10: Curva de pressão capilar adotada nas simulações. ................................................ 39
Figura 11: Curvas de permeabilidades relativas da água usadas nas simulações dos modelos.
.................................................................................................................................................. 40
Figura 12: Curvas de permeabilidades relativas da água usadas nas simulações dos modelos.
.................................................................................................................................................. 40
Figura 13: Produção total de Np; Wp; Gp e Winj. .................................................................. 42
Figura 14: Comportamento da pressão.................................................................................... 43
Figura 15: Saturação de óleo no reservatório, antes da produção. .......................................... 43
Figura 16: Alocação dos poços no reservatório. ..................................................................... 44
Figura 17: Saturação de óleo no reservatório, pós produção. ................................................. 44
Figura 18: Atual Modelo Base. ............................................................................................... 47
Figura 19: Modelo Pessimista. ................................................................................................ 48
Figura 20: Gráfico tornado da Análise de sensibilidade do Np. ............................................. 48
Figura 21: Gráfico tornado da Análise de sensibilidade do Fro. ............................................. 49
Figura 22: Gráfico tornado da Análise de sensibilidade do Wp. ............................................ 49
Figura 23: Gráfico tornado da Análise de sensibilidade do Gp. ............................................. 50
Figura 24: Gráfico tornado da Análise de sensibilidade do Winj. .......................................... 50
Figura 25: Distribuição Triangular do DWOC. ...................................................................... 53
Figura 26: Distribuição Normal do DGOC. ............................................................................ 53
Figura 27: Análise de Risco Np. ............................................................................................. 54
Figura 28: Análise de Risco Fro. ............................................................................................. 54
Figura 29: Análise de Risco Wp. ............................................................................................ 55
Figura 30: Análise de Risco Gp. ............................................................................................. 55
Figura 31: Análise de Risco Winj. .......................................................................................... 56
Figura 32: Gráfico de Np predito X simulado......................................................................... 59
Figura 33: Gráfico de Wp predito X simulado. ....................................................................... 59
Figura 34: Gráfico de Gp predito X simulado......................................................................... 60
Figura 35: Gráfico de Winj. predito X simulado. ................................................................... 60
Figura 36: Gráfico de Fro predito X simulado. ....................................................................... 61
Figura 37: Gráfico de Np predito X simulado – 27 simulações. ............................................. 64
Figura 38: Gráfico de Wp predito X simulado – 27 simulações. ............................................ 64
Figura 39: Gráfico de Gp predito X simulado – 27 simulações. ............................................. 65
Figura 40: Gráfico de Winj. predito X simulado – 27 simulações. ......................................... 65
Figura 41: Gráfico de análise de risco do Np predito e simulado – 27 simulações. ............... 67
Figura 42: Gráfico de análise de risco do Wp predito e simulado – 27 simulações. .............. 67
Figura 43: Gráfico de análise de risco do Wp predito e simulado – 27 simulações. .............. 68
10
Figura 44: Gráfico de análise de risco do Wp predito e simulado – 27 simulações. .............. 68

LISTA DE TABELAS
Tabela 1: Tabela utilizada para anotar a realização das simulações da análise de sensibilidade
.................................................................................................................................................. 46
Tabela 2: Tabela da simulação para 2 atributos da FO Np...................................................... 51
Tabela 3: Tabela da simulação para 3 atributos da FO Np...................................................... 52
Tabela 4: Tabela Com dados para o planejamento de Np. ...................................................... 57
Tabela 5: Tabela Matriz A e Vetor B, usada para todas Funções objetivas. ........................... 58
Tabela 6: Tabela com os coeficientes gerados pelo MatLab. .................................................. 58
Tabela 7: Tabela com os dados para planejamento de Np – 27 simulações............................ 62
Tabela 8: Tabela Matriz A e Vetor B, usada para todas Funções objetivas. ........................... 63
Tabela 9: Tabela para montar o gráfico de análise de risco com as curvas de Np simulado e
predito para 27 simulações. ...................................................................................................... 66
Tabela 10: Tabela da simulação para 2 e 3 atributos da FO Fro. ............................................ 73
Tabela 11: Tabela da simulação para 2 e 3 atributos da FO Wp. ............................................ 74
Tabela 12: Tabela da simulação para 2 e 3 atributos da FO Gp. ............................................. 75
Tabela 13: Tabela da simulação para 2 e 3 atributos da FO Winj. .......................................... 76
Tabela 14: Tabela de Box-Behnken para 13 SIMULAÇÕES DE Fro. ................................... 77
Tabela 15: Tabela de Box-Behnken para 13 SIMULAÇÕES DE Wp. ................................... 78
Tabela 16: Tabela de Box-Behnken para 13 SIMULAÇÕES DE Gp. ................................... 79
Tabela 17: Tabela de Box-Behnken para 13 SIMULAÇÕES DE Winj. ................................ 80

LISTA DE EQUAÇÕES
Equação 1: ............................................................................................................................... 29
Equação 2: ............................................................................................................................... 29
Equação 3: ............................................................................................................................... 29
Equação 4: ............................................................................................................................... 29
Equação 5: ............................................................................................................................... 30
Equação 6: ............................................................................................................................... 30
Equação 7: ............................................................................................................................... 57

11
 NOMENCLATURAS E SIGLAS

FO (Função-Objetivo)
DWOC (Depth of Water Contact - Profundidade de Contato da Água)
DGOC (Depth of Gas Contact - Profundidade de Contato do Gás)
API (American Petroleum Institute)
CTE (Constante)
ABNT (Associação Brasileira de Normas Técnicas)
NP (Produção Acumulada de Óleo - Accumulated Oil Production)
FRo (Fator de Recuperação do Óleo - Oil Recovery Factor)
Wp (Produção Acumulada de Água - Accumulated Water Production)
GP (Produção Acumulada de Gás - Accumulated Gas Production)
Winj (Injeção Acumulada de Água - Accumulated Water Injection)
BB (Planejamento Box-Behnken - Box-Behnken Design)

12
1. INTRODUÇÃO

A indústria do petróleo e gás natural desempenha um papel fundamental na

economia global, fornecendo a energia essencial que impulsiona nossa sociedade. Para otimizar
a produção de hidrocarbonetos em reservatórios subterrâneos, é essencial entender as
características do reservatório, suas propriedades físicas e a estratégia de produção adequada.
Este relatório aborda um conjunto abrangente de atividades realizadas com o propósito de
aprofundar o conhecimento sobre simulação e modelagem de reservatórios de petróleo, com o
objetivo de contribuir para o desenvolvimento da indústria e para o avanço do conhecimento
acadêmico.
Ao longo deste trabalho, foram realizadas diversas etapas cruciais para a
compreensão do processo de simulação e modelagem de reservatórios. Inicialmente, foram
calculadas as curvas médias de PVT (Pressão, Volume e Temperatura) para entender as
propriedades dos fluidos presentes no reservatório. Além disso, foram determinadas as
Permeabilidades Relativas e as Pressões Capilares tanto para a fase óleo (OW) quanto para a
fase gás (OG), fundamentais para a caracterização do comportamento de fluxo no reservatório.
Com base nas informações obtidas, um modelo de reservatório foi construído e
adaptado para ser utilizado em software especializado, como o TNavigator, permitindo a
simulação e análise detalhada do reservatório em diferentes cenários de produção. Uma
estratégia de exploração foi elaborada com o objetivo de atingir um fator de recuperação de
30%, considerando as complexidades do reservatório e as limitações operacionais.
A análise de sensibilidade foi realizada para avaliar o impacto das variações nos
parâmetros do modelo sobre as previsões de produção. Além disso, uma curva de risco foi
construída para quantificar a incerteza associada às estimativas de produção.
Para otimizar ainda mais o processo de simulação, empregou-se o planejamento
BOX-BEHNKEN para a construção de um Meta-Modelo baseado em um Polinômio de
Segundo Grau, proporcionando uma abordagem eficiente para avaliar as mudanças nos
resultados da simulação em função das variáveis de entrada.
Por fim, a análise de risco foi aprofundada com a construção da Curva de Risco por
Planejamento BOX-BEHNKEN, que destaca os cenários críticos e as probabilidades associadas
às metas de produção.
O objetivo deste estudo abrangente foi adquirir um entendimento sólido dos
princípios fundamentais da simulação e modelagem de reservatórios de petróleo. Além disso,
espera-se que este trabalho contribua para uma melhor compreensão das complexidades
envolvidas no setor de petróleo e gás.
O presente relatório documenta todas as etapas do processo, desde o cálculo de
propriedades físicas até a análise de risco, oferecendo uma visão abrangente do trabalho
realizado e dos conhecimentos adquiridos.

13
1.1. Objetivo Geral

Devido à considerável quantidade de incertezas relacionadas à exploração de

petróleo e aos seus custos significativos, o objetivo central deste projeto é desenvolver uma
simulação de reservatório de petróleo. Isso visa abranger os elementos cruciais no modelo e
avaliar os riscos inerentes ao projeto. Isso ocorre devido à importância de avaliar as
possibilidades de êxito do projeto.

1.2. Objetivos Secundários

Adquirir conhecimento sobre o estudo da simulação e modelagem de reservatórios.

Otimizar tempo de simulação e assim otimizar custos.
Desenvolver um gerenciamento de projeto.
Implementar técnicas para desenvolver habilidades uteis para área.

1.3.Motivação para o Trabalho

Na busca incessante por soluções que impulsionem o setor de petróleo e gás, a

motivação desempenha um papel fundamental na jornada de qualquer estudante ou profissional
que deseje contribuir para esse campo dinâmico e desafiador.
Uma das motivações centrais que o levou a empreender esse trabalho reside na
crescente necessidade da indústria de petróleo e gás por modelos mais próximos da realidade e
simulações mais rápidas e precisas. A indústria enfrenta desafios complexos e variáveis, desde
a descoberta de reservatórios até a extração eficiente de recursos, e cada decisão tomada tem
implicações diretas nos resultados econômicos e ambientais. Assim, aprimorar a capacidade de
simular reservatórios de petróleo com maior precisão e eficiência tornou-se um imperativo. Esta
necessidade constante de inovação e aperfeiçoamento instiga a mergulhar de cabeça nesse
trabalho, na esperança de contribuir para a evolução desse setor vital.
Para um estudante de engenharia de petróleo, ele deve estar ciente de que a base do
sucesso nesse campo é o domínio do conhecimento técnico, aliado à capacidade de aplicá-lo de
maneira eficaz. Cada etapa desse trabalho foi uma oportunidade de aprendizado, uma chance
de adquirir um entendimento mais profundo das complexidades dos reservatórios de petróleo,
da dinâmica dos fluidos e das variáveis que influenciam o processo de exploração e produção.
Essa busca incessante pelo conhecimento não é apenas uma necessidade acadêmica, mas
também um investimento para o futuro da carreira. Quanto mais se aprende agora, mais
confiante e seguro estará em suas decisões no mercado de trabalho, sabendo que estará
preparado para enfrentar os desafios e contribuir para soluções inovadoras.
O desenvolvimento e aplicação de técnicas de simulação e modelagem de
reservatórios são áreas cruciais em um cenário de crescente demanda por energia e
preocupações ambientais. Através deste trabalho, busca-se contribuir para a capacidade da
indústria de tomar decisões informadas, otimizar a produção de petróleo e gás e reduzir o
impacto ambiental.

14
 No final, a motivação que leva a realizar esse trabalho transcende as palavras
escritas neste relatório. É uma paixão pela busca do conhecimento, pelo desafio intelectual e
pela contribuição para um setor vital que impulsiona a dedicação e determinação de qualquer.
Em resumo, este trabalho é uma expressão do comprometimento com o setor de
petróleo e gás, no qual mostra uma busca pelo conhecimento e determinação em fazer uma
diferença positiva.

15
2. FUNDAMENTAÇÃO TEÓRICA

É essencial explorar a base teórica que servirá como alicerce para as discussões e
análises subsequentes. A fundamentação teórica é crucial para a compreensão dos conceitos,
métodos e técnicas que sustentam a simulação e modelagem de reservatórios de petróleo,
fornecendo a estrutura necessária para o desenvolvimento e interpretação dos resultados
apresentados neste trabalho.

2.1. Simulação Numérica

A simulação numérica representa um dos métodos fundamentais utilizados na

engenharia de petróleo com o propósito de estimar características e prever o comportamento de
um reservatório de petróleo, como afirmado por Rosa et al. (2012).
Seguindo a explicação de Rosa, os simuladores numéricos de reservatórios são
comumente denominados simuladores numéricos de fluxo, uma vez que sua função principal é
analisar o movimento de fluidos em reservatórios de petróleo mediante o uso de simulações
numéricas. A classificação dos simuladores se baseia na quantidade de fases presentes no fluxo,
bem como no tratamento matemático empregado. De forma geral, esses simuladores são
categorizados como composicionais, térmicos e black oil.
O modelo black oil é amplamente utilizado no contexto brasileiro, devido à sua
relativa simplicidade em comparação aos outros modelos. Esse modelo considera apenas duas
fases fluidas: líquida e gasosa, em que a água e o óleo são tratados como líquidos, enquanto o
gás é tratado como uma fase gasosa. É importante mencionar que, em algumas circunstâncias,
o gás pode se dissolver na fase líquida, normalmente no óleo.
Por outro lado, o modelo composicional é considerado o mais complexo, uma vez
que envolve uma análise detalhada da composição dos componentes. Diferentemente do
modelo black oil, o modelo composicional leva em consideração a variedade de compostos de
carbono presentes nos hidrocarbonetos. Esse modelo é aplicado quando se deseja uma
representação mais precisa das características do fluido.
Finalmente, o modelo térmico é empregado quando se deseja investigar as
variações de temperatura no interior dos reservatórios e compreender como essas variações
impactam a produção de petróleo e gás.
Os simuladores desempenham um papel de extrema importância, pois convergem
informações geológicas e petrofísicas do reservatório, possibilitando a aplicação de
metodologias para analisar o comportamento do reservatório e, com base nessas análises,
otimizar o desenvolvimento do campo de maneira mais eficiente.

16
2.2. Análise de Sensibilidade

A análise de sensibilidade é uma técnica fundamental no campo da simulação de

reservatórios de petróleo, desempenhando um papel crucial na avaliação da influência de
diferentes parâmetros e variáveis no desempenho do reservatório. Essa abordagem oferece
insights valiosos sobre como as decisões operacionais e os fatores geológicos afetam as
estimativas de produção e a eficiência do campo de petróleo.
De acordo com Aziz e Settari (2001), a análise de sensibilidade é um processo
sistemático que envolve a variação controlada de parâmetros-chave do modelo de reservatório,
com o objetivo de avaliar como essas mudanças impactam as saídas de interesse, como a
produção de óleo e gás. É um componente essencial na tomada de decisões, pois fornece
informações valiosas para otimizar estratégias de produção, gerenciar riscos e aprimorar o
desempenho geral do reservatório.
Para conduzir uma análise de sensibilidade de maneira eficaz, é importante
considerar uma ampla gama de parâmetros, incluindo propriedades do reservatório (porosidade,
permeabilidade, compressibilidade), condições operacionais (taxas de injeção e produção,
pressões de fundo, estratégias de injeção de água ou gás) e incertezas geológicas (variações na
estrutura do reservatório, distribuição dos fluidos).
Conforme destacado por Chen e Horne (2009), a análise de sensibilidade pode ser
aplicada de diversas maneiras:
Variáveis de Entrada: A variação de parâmetros de entrada, como permeabilidade ou
porosidade, permite avaliar como as incertezas geológicas afetam a produção;
Variáveis Operacionais: Mudanças nas estratégias de produção, como taxas de injeção de
água ou gás, podem ser analisadas para otimizar a recuperação de petróleo;
Respostas de Saída: Avaliação das respostas de saída, como taxas de produção, pressões de
reservatório e fator de recuperação, em relação a variações nas variáveis de entrada.
É importante ressaltar que a análise de sensibilidade não apenas identifica os
parâmetros mais sensíveis, mas também fornece uma compreensão mais profunda das relações
entre os diferentes elementos do reservatório. Isso permite aprimorar as estratégias de produção,
reduzir incertezas e tomar decisões informadas. Além disso, a análise de sensibilidade é uma
ferramenta valiosa na gestão de riscos, pois permite avaliar o impacto das incertezas geológicas
e operacionais nas projeções de produção. Conforme observado por Economides et al. (2007),
essa abordagem ajuda os engenheiros de reservatório a desenvolverem estratégias robustas que
podem lidar eficazmente com cenários de incerteza.
Em resumo, a análise de sensibilidade desempenha um papel essencial na simulação
de reservatórios de petróleo, fornecendo informações críticas para a tomada de decisões,
otimização de produção e gestão de riscos. É uma técnica que permite explorar as complexas
interações entre os parâmetros do reservatório e as saídas de interesse, contribuindo para o
desenvolvimento sustentável e eficiente da indústria de petróleo e gás.

17
2.3. Propriedade dos Fluídos

A caracterização das propriedades dos fluidos em reservatórios de petróleo é um

aspecto crítico na simulação e modelagem desses sistemas complexos. Essas propriedades, que
incluem densidade, viscosidade, compressibilidade, entre outras, desempenham um papel
fundamental na determinação do comportamento dos fluidos no reservatório e influenciam
diretamente as decisões operacionais e de produção.
Conforme destacado por McCain (1990), a densidade do petróleo, que é uma
medida da massa por unidade de volume, varia significativamente de acordo com a composição
do fluido. Essa variação na densidade é crucial para a segregação de fases no reservatório, uma
vez que a fase mais leve tende a se acumular na parte superior do reservatório, enquanto a fase
mais pesada se desloca para a parte inferior.
Além disso, a viscosidade é uma propriedade fundamental dos fluidos em
reservatórios de petróleo. Segundo Whitson e Brule (2000), a viscosidade determina a
resistência do fluido ao escoamento e afeta diretamente a capacidade de produção do
reservatório. Fluidos com viscosidade mais alta requerem pressões maiores para serem
produzidos, influenciando o projeto de instalações de produção e a seleção de métodos de
recuperação.
A compressibilidade dos fluidos é outra propriedade relevante, conforme ressaltado
por Ahmed (2011). Ela reflete a capacidade dos fluidos de se comprimirem em resposta a
variações de pressão e temperatura. Essa propriedade desempenha um papel crítico na avaliação
das mudanças de volume dos fluidos durante a produção e na determinação da pressão no
reservatório.
Além disso, o fator de formação, que é uma medida da capacidade do reservatório
de armazenar fluidos, é fundamental para estimar a quantidade de hidrocarbonetos
recuperáveis. De acordo com McCain (1990), esse fator está relacionado à porosidade do
reservatório e à compressibilidade dos fluidos, e sua estimativa é essencial para o cálculo das
reservas de petróleo.
É importante notar que essas propriedades dos fluidos não são constantes, mas
variam com as condições de pressão e temperatura no reservatório. Portanto, a caracterização
precisa das propriedades dos fluidos é uma etapa crítica na simulação de reservatórios, uma vez
que influencia diretamente as previsões de produção e a tomada de decisões operacionais.
Em resumo, as propriedades dos fluidos em reservatórios de petróleo desempenham
um papel crucial na simulação e modelagem desses sistemas complexos. A compreensão dessas
propriedades é essencial para otimizar a produção, estimar as reservas de petróleo e tomar
decisões informadas no campo de petróleo e gás. Portanto, a caracterização precisa e a
consideração das variações dessas propriedades são fundamentais para o sucesso da indústria.

18
2.4. Propriedade das Rochas

A compreensão das propriedades das rochas reservatórias é fundamental na

engenharia de petróleo, uma vez que essas propriedades desempenham um papel central na
avaliação e na produção de reservatórios de hidrocarbonetos. Rochas reservatórias, como
arenitos e calcários, têm características que influenciam a capacidade de armazenamento e a
eficiência da recuperação de petróleo e gás. Esta seção fornece uma fundamentação teórica
sobre algumas das principais propriedades das rochas reservatórias.
Porosidade: A porosidade é uma propriedade-chave das rochas reservatórias e é
definida como a fração do volume total da rocha ocupada por espaços vazios ou poros. De
acordo com Ribeiro e Lourenço (2015), a porosidade é fundamental porque determina a
quantidade de espaço disponível para armazenar óleo e gás no reservatório. É uma medida
crítica na estimativa das reservas de hidrocarbonetos
Permeabilidade: A permeabilidade é a capacidade das rochas reservatórias de
permitir o fluxo de fluidos através de seus poros. Conforme destacado por Aziz e Settari (2001),
a permeabilidade é crucial, pois influencia diretamente a taxa de produção e a capacidade de
recuperação de óleo e gás. Rochas com alta permeabilidade permitem um fluxo mais eficiente
de hidrocarbonetos.
Saturação de Fluidos: A saturação de fluidos é a fração do volume de poros
ocupada pelos fluidos, como óleo, gás e água. Segundo Ribeiro e Lourenço (2015), a
determinação precisa da saturação de fluidos é essencial para calcular as reservas de
hidrocarbonetos e para otimizar as estratégias de produção.
Capilaridade: A capilaridade é a capacidade das rochas de reter líquidos em seus
poros devido à tensão superficial. Conforme destacado por Ahmed (2011), a capilaridade pode
afetar a movimentação de água e óleo no reservatório e influenciar a recuperação de
hidrocarbonetos.
É importante observar que essas propriedades não são constantes e podem variar ao
longo do reservatório. Portanto, a caracterização precisa das propriedades das rochas
reservatórias é essencial para otimizar a produção, estimar as reservas de petróleo e gás, e tomar
decisões informadas na indústria de petróleo e gás.
Em resumo, as propriedades das rochas reservatórias desempenham um papel
fundamental na engenharia de petróleo, afetando a eficiência da produção e a recuperação de
hidrocarbonetos. A compreensão dessas propriedades é essencial para o sucesso da indústria de
petróleo e gás, e a sua caracterização precisa é fundamental para o desenvolvimento sustentável
desses recursos.

2.5. Análise de Risco

Considerando que campos petrolíferos frequentemente envolvem incertezas

significativas, seja devido à falta de informações geológicas detalhadas ou dados sobre
propriedades petrofísicas, a capacidade de antecipar e avaliar o grau de risco associado a essas
19
incertezas torna-se um elemento crucial na simulação. Isso ocorre porque a não identificação
desses riscos pode resultar em um modelo de simulação que carece de confiabilidade.
O risco em questão é intrinsecamente ligado às incertezas mencionadas
anteriormente e é um fator essencial a ser considerado na construção de modelos de fluxo
destinados a avaliar estratégias de produção, utilizados no processo de tomada de decisões.
Essas considerações são ainda mais prementes ao lidar com reservatórios complexos, que
exigem um nível mais elevado de detalhamento na previsão de produção.
As abordagens mais contemporâneas para a análise de risco envolvem a aplicação
de métodos elaborados a partir de três ferramentas principais: a elaboração de árvores de
derivação, a simulação Monte Carlo e a teoria das opções reais. A seleção entre essas
ferramentas específicas depende das características individuais dos atributos sob análise, sendo
uma escolha que leva em consideração a complexidade das incertezas envolvidas no processo
de simulação e avaliação de estratégias de produção.

2.6. Árvore de Derivação

Esse método se baseia na ideia de que o modelo de simulação inclui atributos

críticos, ou seja, características que têm a capacidade de influenciar tanto positivamente quanto
negativamente o estudo. A designação "árvore" está relacionada ao fato de que cada "ramo"
corresponde a um cenário gerado, com sua respectiva probabilidade de ocorrência. Cada um
desses atributos pode ser representado por três cenários diferentes: pessimista (-1), provável (0)
e otimista (1). Essa abordagem possibilita a discretização das composições das variáveis
incertas e das probabilidades associadas a vários modelos de reservatórios resultantes. Esses
modelos são, então, submetidos ao simulador, como descrito por Loschiavo (1999). Na figura
abaixo, ilustramos um modelo de árvore de derivação que engloba três atributos críticos, cada
um com seus três cenários correspondentes: B0, B1 e B2, representando, respectivamente, os
cenários pessimista, provável e otimista.

Figura 1: Esquema da Árvore de Derivação

Fonte: Silva, 2011
20
 Continuando a discussão referente à Figura 1, no ponto final do fluxograma,
encontramos o termo "P" que simboliza a probabilidade de um cenário ocorrer. Essa
probabilidade é calculada multiplicando-se os valores dos atributos selecionados. Conforme
mencionado anteriormente, o diagrama apresenta três atributos críticos, cada um com três
cenários possíveis. Portanto, o número total de combinações possíveis é igual a 27.
Apesar de ser um método simples e robusto, ele apresenta algumas restrições, como
o desafio de lidar com um grande número de atributos críticos, o que resulta em uma quantidade
significativa de cenários. Esse volume elevado de cenários pode tornar a aplicação desse
método inviável em certos contextos. Em situações como essa, é mais apropriado recorrer a
outras abordagens, como o método Monte Carlo e o Hipercubo Latino, que empregam técnicas
de amostragem para selecionar cenários representativos. Isso elimina a necessidade de simular
todas as combinações possíveis de atributos para obter resultados confiáveis.

2.7. Curva de Risco

A partir dos resultados gerados pelas simulações de múltiplos cenários, os quais são
definidos pela estrutura da árvore de derivação originada pela combinação dos atributos
críticos, é viável construir uma curva de incerteza. Essa curva reflete as funções-objetivo de
cada modelo em relação a uma probabilidade acumulada de ocorrência. No contexto de uma
análise de risco, essa curva é referida como uma "curva de risco," conforme explicado por Silva
(2011).

2.8. Planejamento BOX-BEHNKEN

Os planejamentos do tipo Box-Behnken são caracterizados por sua natureza

rotacional, em que cada variável é definida em três níveis distintos, e os pontos experimentais
são dispostos de maneira uniforme em relação ao ponto central. Esse tipo específico de
planejamento foi desenvolvido por combinar elementos de planejamentos fatoriais fracionários
de três níveis com uma distribuição espacial dos pontos experimentais, como explicado por
Silva (2011).
Quando comparado a um planejamento fatorial completo que abrange três
variáveis, cada uma com três níveis, resultando em um total de 27 experimentos, o planejamento
Box-Behnken, com apenas 13 experimentos, demonstra ser mais econômico. Isso ocorre porque
ele reduz a quantidade de experimentos necessários, tornando-se uma abordagem eficiente ao
gerar um número menor de coeficientes. A eficiência de um desenho experimental é avaliada
com base na razão entre o número de coeficientes produzidos e o número de experimentos
conduzidos.

21
2.9. Meta-modelos

De acordo com o estudo realizado por Risso et al., a Metodologia do Planejamento

Estatístico desempenha um papel crucial na formulação de modelos de simulação e na tomada
de decisões, visando a minimização de custos, a economia de tempo e a obtenção de resultados
precisos. No entanto, para alcançar esses objetivos, é fundamental possuir um sólido
conhecimento dessa abordagem estatística e compreender o processo em análise.
No contexto específico do processo analisado neste estudo, a análise de risco e a
construção de uma superfície de resposta (também conhecida como meta-modelo ou modelo
proxy) têm o propósito de avaliar a viabilidade de substituir o simulador de fluxo convencional.
Isso se dá pelo fato de que, através da Metodologia do Planejamento Estatístico, é possível obter
a curva de risco sem a necessidade de simular todos os modelos de reservatórios
individualmente, que são gerados utilizando a Técnica da Árvore de Derivação. Essa
abordagem tem o potencial de reduzir tanto o tempo necessário para as simulações quanto os
custos associados a elas.
Assim, o emprego dessa técnica não apenas possibilita a quantificação mais
eficiente dos riscos envolvidos na fase de desenvolvimento de campos de petróleo, mas também
oferece maior precisão estatística em um período de tempo mais curto. Além disso, a aplicação
desse método se revela como uma abordagem eficaz para identificar e mitigar diversas fontes
de variabilidade no processo.
Gomes (2013) o planejamento Box-Behnken utilizado permitiu direcionar as
condições dos processos de extração para a resposta desejada. Na extração, a resposta
objetivada foi a maximização simultânea do rendimento do extrato e dos teores de fenólicos
totais e flavonoides totais através do emprego de uma função de desejabilidade.

22
3. REVISÃO BIBLIOGRÁFICA

Segundo S. Marcos Ma et al. (2006) a integração de dados de drenagem e

embebição de rochas reservatórias desempenha um papel crucial na petrofísica de reservatórios
e no monitoramento da saturação. A migração de petróleo para reservatórios saturados de água
e a subsequente inundação de petróleo são processos complexos que envolvem diversos fatores,
incluindo a estrutura dos poros, as propriedades da superfície da rocha, a molhabilidade das
rochas e os processos de deslocamento de fluidos. A diferença entre drenagem e embebição é
fundamental, mas muitas vezes negligenciada, na monitorização da saturação dos reservatórios
(RSM). No campo, a aplicação dessas informações obtidas em laboratório envolveu o uso de
registros de resistividade de lapso de tempo para identificar o contato dinâmico atual entre água
e óleo (DWOC, do inglês "Dynamic Water-Oil Contact"). Acima do DWOC, as propriedades
de drenagem da rocha foram aplicadas no processamento de registros, enquanto abaixo desse
contato, as propriedades de embebição foram utilizadas. Exemplos de campo foram
apresentados para demonstrar como a petrofísica de drenagem e embebição pode ser aplicada
na avaliação da varredura de inundações e na identificação de intervalos para possíveis desvios.

Reid et al. (1987) oferece uma análise abrangente das propriedades físicas e
químicas de gases e líquidos, incluindo parâmetros termodinâmicos, comportamento em
diferentes condições de pressão e temperatura, equações de estado e métodos de cálculo de
propriedades críticas. O trabalho destaca a importância do entendimento dessas propriedades
para o projeto e operação de sistemas na indústria de petróleo e gás. Eles abordam a
caracterização de misturas de gases e líquidos, destacando a influência das interações
moleculares e das condições extremas encontradas em reservatórios de petróleo. A obra fornece
ferramentas valiosas para a previsão e interpretação de comportamento de fluidos em diferentes
cenários, incluindo o transporte de petróleo e gás através de dutos e a simulação de
reservatórios.

A tarefa crítica de melhorar a rentabilidade dos reservatórios é alcançada através da

maximização das taxas de produção com custos mínimos ou do aumento das reservas finais. A
metodologia apresentada pelos autores Nakajima e Schiozer é automatizada e se baseia na
análise de desempenho de poços individuais, grupos de poços e do campo como um todo. Isso
envolve a identificação de parâmetros que afetam a produtividade dos poços e a comparação de
seus desempenhos.

A otimização é realizada com base em funções objetivas selecionadas, como o valor

presente líquido e as produções acumuladas de petróleo, gás e água, juntamente com a injeção
de água. A metodologia visa propor mudanças para otimizar estratégias previamente definidas,
permitindo a realização de mudanças simultâneas para reduzir a necessidade de simulações.
Isso é fundamental devido à complexidade da interação entre os poços horizontais e o
reservatório.

23
 Segundo Fernanda Risso et al. (2007) destaca a importância de escolher a
metodologia certa com base no nível de incerteza presente na fase do campo. As metodologias
mencionadas incluem árvore derivada, técnica de Monte Carlo e avaliação de risco pelo Valor
Presente Líquido.

Segundo Marcio Nunes N. et al. (2018) enfatiza a importância de capturar de forma

mais realista as relações entre os litotipos e suas proporções durante o processo de simulação.
O método plurigaussiano é apresentado como uma ferramenta eficiente para integrar
informações geológicas, permitindo a criação de múltiplos modelos que representam a incerteza
associada aos dados geológicos e aos parâmetros da simulação. Análise de sensibilidade
concentra-se em dois parâmetros críticos da simulação geoestatística: a estrutura do modelo de
variograma e o alcance do modelo de variograma. Utilizando o algoritmo plurigaussiano, foram
realizadas simulações estocásticas que demonstraram diferenças significativas na continuidade
e conectividade dos litotipos simulados quando esses parâmetros foram alterados.

O estudo conduzido por MUDHAFAR et al. (2018) se concentra na otimização do

aproveitamento de óleo e gás em reservatórios não convencionais nos Estados Unidos. Eles
exploram o uso do fraturamento hidráulico como meio de aumentar a produção desses recursos.
Para alcançar isso, empregaram o simulador de reservatório IMEX para avaliar a produção de
gás do reservatório. Dentro do simulador, realizaram estudos detalhados para identificar as
condições e limitações do reservatório que possibilitariam uma produção máxima. Uma vez
que as restrições foram determinadas, seguiram com o planejamento de experimentos e a
criação de um modelo proxy. A ênfase estava na otimização do fraturamento hidráulico,
principalmente para a produção de shale gas. O método escolhido para gerar o meta-modelo foi
o Latino Hipercubo, envolvendo duas rodadas de testes. Em seguida, construíram dois modelos
de proxy, incluindo uma equação polinomial de segundo grau. Ambas as abordagens de proxy
demonstraram uma correspondência precisa com a produção de gás acumulada obtida a partir
do simulador, validando assim os resultados.

MILLER (2019) aborda o uso de árvores de derivação, uma técnica comum na

previsão de comportamento em reservatórios convencionais de petróleo e gás, para entender o
risco e o valor esperado em projetos. Apesar das mudanças rápidas na indústria em direção a
recursos não convencionais, a aplicação de árvores de derivação não foi negligenciada. O
desafio ao construir essas árvores para recursos não convencionais reside na incerteza sobre
como estimar a probabilidade de atender a limites comerciais específicos, bem como os perfis
de produção e custos associados a cada ramo da árvore.O artigo apresenta um fluxo de trabalho
que pode ser utilizado para criar uma árvore de derivação em recursos não convencionais
durante a fase de avaliação do desenvolvimento. Esse fluxo de trabalho considera intervalos de
incerteza nos perfis de produção e nos custos de perfuração e conclusão. Ao aplicar esse
processo, torna-se possível compreender melhor os fatores de incerteza no valor esperado e
como eles podem afetar a avaliação conceitual do programa e a definição de limites comerciais.

24
 JENSEN (1998) introduziu um método destinado à avaliação de riscos relacionados
às estimativas de produção em campos petrolíferos maduros na Noruega. Nessa abordagem, os
fatores críticos são identificados por meio do emprego da técnica de árvore de derivação. Após
a elaboração de todas as ramificações na árvore, um modelo abrangente de simulação numérica
do reservatório é construído, abrangendo todas as variações possíveis. Todos esses cenários são
então submetidos a simulações para quantificar a incerteza inerente às previsões, por meio de
uma análise estatística dos resultados obtidos.

25
4. METODOLOGIA

A metodologia desempenha um papel fundamental na condução e conclusão bem-

sucedida de qualquer projeto de pesquisa. É o conjunto de passos e abordagens que guiarão a
coleta, análise e interpretação de dados, bem como a tomada de decisões informadas. Neste
contexto, apresentaremos a metodologia que será adotada neste projeto. Esta metodologia é
cuidadosamente planejada para garantir a eficácia na busca de respostas para nossas questões
de pesquisa e na consecução de nossos objetivos.
Ao longo das próximas seções, detalharemos cada etapa do processo metodológico,
descrevendo como os dados serão coletados, as técnicas de análise que serão empregadas e
como garantiremos a validade e a confiabilidade de nossos resultados. Além disso, abordaremos
questões éticas relacionadas à pesquisa e qualquer outra consideração relevante que influencie
a maneira como conduziremos nosso estudo.
Esta metodologia é o alicerce que sustentará todo o projeto, garantindo que cada
passo seja cuidadosamente planejado e executado. Através dela, pretendemos alcançar uma
compreensão profunda e confiável do nosso tópico de pesquisa e contribuir para o avanço do
conhecimento na área em questão.

4.1. Descrição do processo de elaboração da metodologia

O desenvolvimento da metodologia apresentada neste trabalho foi organizado em
etapas, conforme o fluxograma a seguir:

Figura 2: Fluxograma com as etapas do projeto

Fonte: Elaborado pelo próprio autor

26
4.2. REVISÃO BIBLIOGRÁFICA

A metodologia começou com uma revisão bibliográfica minuciosa. Fontes

relevantes foram identificadas e avaliadas criticamente, proporcionando uma base sólida de
conhecimento sobre simulação de reservatórios e análise de sensibilidade. Isso permitiu a
identificação das melhores práticas e métodos usados na indústria de petróleo e gás. As
informações sintetizadas guiaram a escolha das abordagens mais adequadas e a definição da
metodologia específica deste projeto. A revisão bibliográfica desempenhou um papel essencial
na construção de uma metodologia informada e eficaz.

4.3. DADOS EMPREGADOS NO MODELO DE SIMULAÇÃO

No desenvolvimento do modelo de simulação utilizado neste projeto, foram usados

dados fundamentais provenientes de fontes confiáveis e especialistas na área. Esses dados são
cruciais para garantir que o modelo represente especificamente as características do reservatório
e permita análises precisas.
Para a caracterização do fluido do reservatório, informações valiosas foram obtidas
a partir do banco de dados do arquivo UNISIM-I. Essas informações incluem tabelas de
Pressão, Volume e Temperatura (PVT), que são essenciais para definir o comportamento dos
fluidos no reservatório. A utilização de dados reais do UNISIM-I garante que o modelo reflita
com precisão as propriedades do fluido encontrado em situações reais. Nesta parte as amostras
(NA35D; NA33D) foram adicionados à uma tabela no Excel, cada dado (Rs; Bo; Bg; Vis. o;
Vis. g) correspondia a uma profundidade X, como algumas vezes as profundidades não
condiziam entre NA35D e NA33D foi feito a interpolação dos dados das amostras a partir da
equação da linha de tendência de cada gráfico dos dados. Após esse processo foi realizada a
média aritmética entre NA35D e NA33D.
Rs (Fator de Separação de Gás): Rs é a relação entre o volume de gás (gás em
solução) e o volume de óleo em um reservatório de petróleo, expresso como a quantidade de
SCF (pés cúbicos de gás) por barril (STB) de óleo.
Bo (Fator de Volume do Óleo): Bo é o fator que representa a variação no volume
do óleo com a mudança na pressão e é usado para calcular o volume de óleo recuperável de um
reservatório em diferentes condições de pressão.
Bg (Fator de Volume do Gás): Bg é o fator que representa a variação no volume
do gás com a mudança na pressão e é usado para calcular o volume de gás recuperável de um
reservatório em diferentes condições de pressão.
Viscosidade do Óleo (Vis. o): A particularidade do óleo é uma medida da
resistência do óleo ao fluxo e é importante para determinar a capacidade de produção e
transporte do petróleo no reservatório e nos dutos.

27
 Viscosidade do Gás (Vis. g): A particularidade do gás é uma medida da resistência
do gás ao fluxo e afeta a capacidade de transporte do gás em dutos e tubulações, sendo um
parâmetro importante na engenharia de petróleo e gás.
Outros dados restritos, necessários para compreender como os fluidos fluem através
do reservatório, são as. Para realizar essas partes foram fornecidas pelo professor, dados que
contribuiu para os cálculos de permeabilidades relativas e as pressões capilares para os óleos
(OW) e gás (OG). Estes dados são:
Swi (Saturação Relativa de Água Irreversível): Swi é a fração de água que
permanece no reservatório após a produção de petróleo e gás, considerada irreversível.
Sorw (Saturação Relativa de Óleo Irreversível na Água): Sorw é a fração de
óleo que permanece na água após a produção, considerada irreversível.
Sorg (Saturação Relativa de Gás Irreversível na Água): Sorg é a fração de gás
que permanece na água após a produção, considerada irreversível.
Krwf (Permeabilidade Relativa da Água em Fronteira): Krwf é a
permeabilidade relativa da água em uma interface, que indica a capacidade relativa da água de
se mover em relação a outros fluidos.
Krowi (Permeabilidade Relativa do Óleo em Fronteira): Krowi é a
permeabilidade relativa do óleo em uma interface, indicando a capacidade relativa do óleo de
se mover em relação a outros fluidos.
Pcowi (Pressão Capilar na Fronteira da Água): Pcowi é a pressão capilar
associada à interface entre a água e outra fase no reservatório.
Pcgoi (Pressão Capilar na Fronteira do Gás em Óleo): Pcgoi é a pressão capilar
associada à interface entre o gás e o óleo no reservatório.
krgi (Permeabilidade Relativa do Gás na Interface): krgi é a permeabilidade
relativa do gás em uma interface, representando a capacidade relativa do gás de se mover em
relação a outros fluidos.
krogf (Permeabilidade Relativa do Óleo na Fronteira do Gás): krogf é a
permeabilidade relativa do óleo em uma interface, indicando a capacidade relativa do óleo de
se mover em relação ao gás.
ew (Expoente da Permeabilidade Relativa da Água): ew é o expoente que
descreve a forma da curva de permeabilidade relativa da água em função da saturação.
eow (Expoente da Curva de Pressão Capilar da Água): eow é o expoente que
descreve a forma da curva da pressão capilar da água em relação à saturação.
epcow (Expoente da Curva de Pressão Capilar do Óleo na Água): epcow é o
expoente que descreve a forma da curva da pressão capilar do óleo em relação à saturação na
água.
eg (Expoente da Permeabilidade Relativa do Gás): eg é o expoente que descreve
a forma da curva de permeabilidade relativa do gás em função da saturação.

28
 eog (Expoente da Curva de Pressão Capilar do Gás no Óleo): eog é o expoente
que descreve a forma da curva de pressão capilar do gás em relação à saturação no óleo.
epcgo (Expoente da Curva de Pressão Capilar do Gás no Óleo): epcgo é o
expoente que descreve a forma da curva de pressão capilar do gás em relação à saturação no
óleo.
sl (Saturação de Líquido): sl é a fração de poros preenchida com líquidos, que
pode ser água ou óleo, em um reservatório de petróleo.

Para realizar o cálculo da permeabilidade relativa da água (Krw) se utilizou-se:

Equação 1:

(𝑆𝑤−𝑆𝑤𝑖)𝑒𝑤
Krw= Krwf x ( )
(1−𝑆𝑜𝑟𝑤−𝑆𝑤𝑖)𝑒𝑤
Fonte: Autor

Para realizar o cálculo da permeabilidade relativa do óleo/água (Krow) se utilizou-

se:
Equação 2:

(1−𝑆𝑜𝑟𝑤−𝑆𝑤)𝑒𝑜𝑤
Krow = Krowi x ( )
(1−𝑆𝑜𝑟𝑤−𝑆𝑤𝑖)𝑒𝑜𝑤
Fonte: Autor

Para realizar o cálculo da Pressão capilar OW se utilizou-se:

Equação 3:
(1−𝑆𝑜𝑟𝑤−𝑆𝑤)𝑒𝑝𝑐𝑜𝑤
Pcap= Pcowi x ( )
(1−𝑆𝑜𝑟𝑤−𝑆𝑤𝑖)𝑒𝑝𝑐𝑜𝑤
Fonte: Autor

Para realizar o cálculo da permeabilidade relativa do gás (Krg) se utilizou-se:

Equação 4:

(1−𝑆𝑙)𝑒𝑔
Krg = Krgi x ( )
(1−𝑆𝑜𝑟𝑔−𝑆𝑤𝑖)𝑒𝑔
Fonte: Autor

29
 Para realizar o cálculo da permeabilidade relativa do óleo/gás (Krog) se utilizou-se:
Equação 5:

(𝑆𝑙−𝑆𝑜𝑟𝑔−𝑆𝑤𝑖)𝑒𝑜𝑔
Krog = Krogf x ( )
(1−𝑆𝑜𝑟𝑔−𝑆𝑤𝑖)𝑒𝑜𝑔
Fonte: Autor

Para realizar o cálculo da Pressão capilar OG se utilizou-se:

Equação 6:

(1−𝑆𝑙)𝑒𝑝𝑐𝑔𝑜
Pcgo = Pcgoi x ( )
(1−𝑆𝑜𝑟𝑔−𝑆𝑤𝑖)𝑒𝑝𝑐𝑔𝑜
Fonte: Autor

Além disso, é importante mencionar que o modelo de simulação incorpora dados

referentes à presença de uma capa de gás e à existência de um aquífero no reservatório. Esses
elementos são fundamentais para compreender como os fluidos interagem e se movem no
subsolo, influenciando diretamente as estratégias de produção e injeção.
A integração desses dados no modelo de simulação é fundamental para criar
cenários realistas e permitir análises relevantes. Os dados do UNISIM-I oferecem uma base
sólida, enquanto as informações fornecidas pelo professor enriquecem o modelo com
Digite a equação aqui.parâmetros específicos do reservatório em estudo, incluindo a dinâmica
da capacidade de gás e do aquífero.
Com essa base de dados bem estruturada, o modelo de simulação está preparado
para ser explorado em detalhes, permitindo análises de risco, sensibilidade e otimização. Esses
dados fornecem a precisão necessária para entender como o reservatório pode se comportar em
diferentes cenários, o que é crucial para a indústria de petróleo e gás.

4.4. CONSTRUÇÃO DO MODELO

O modelo de simulação adotado neste projeto foi desenvolvido a partir de um

arquivo no formato ".dat" devido à especificidade do software utilizado, o tNavigator da
empresa russa Rock Fluid Dynamics. Este software é altamente especializado na indústria de
petróleo e gás, fornecendo uma plataforma de alto desempenho para a modelagem completa e
integrada de reservatórios, abrangendo tanto a análise estática quanto dinâmica, bem como a
conectividade com redes de superfície.
Uma das características distintivas do tNavigator é a sua capacidade de otimização
e tratamento de incertezas, tornando-o uma escolha ideal para projetos que exigem análises
planejadas de risco. Para complementar as funcionalidades do software, empregamos o
Microsoft Excel como uma ferramenta adicional. Utilizamos o Excel para importar e processar
os dados gerados pelo tNavigator, permitindo a criação de gráficos e curvas de risco que
facilitam a visualização e interpretação das informações.
30
 Essa abordagem, combinando o poder do tNavigator com a flexibilidade do Excel,
nos proporcionou uma base sólida para realizar análises precisas e estratégicas, permitindo-nos
explorar a incerteza, otimizar processos e tomar decisões informadas na área de exploração e
produção de petróleo

4.5. ESTRATÉGIA DE EXPLOTAÇÃO

A estratégia de exploração adotada neste projeto foi fundamentada na abordagem

"Five Spot" e envolveu a utilização de poços horizontais para injeção de fluidos no reservatório,
além dos poços verticais para produção. Esta estratégia foi cuidadosamente planejada e
executada, considerando informações cruciais obtidas a partir do software tNavigator e das
características do reservatório. Abaixo, descrevemos os principais elementos da estratégia de
exploração:
Abordagem "Five Spot": A estratégia de exploração foi baseada no conceito "Five
Spot". Isso envolve a disposição de cinco poços em uma configuração que maximize a
eficiência de recuperação de óleo e gás do reservatório. Essa configuração é composta por um
poço central de injeção e quatro poços de produção dispostos em torno do poço central
Poços: Foram projetados e localizados poços tanto horizontais quanto verticais. Os
poços horizontais são altamente eficazes na drenagem de óleo e gás em reservatórios de baixa
permeabilidade, enquanto os poços verticais são utilizados tanto para injeção de fluidos quanto
para produção. Alguns poços horizontais foram estrategicamente posicionados para a injeção
de fluidos no reservatório. Essa escolha se deve à eficácia dos poços horizontais na distribuição
uniforme de fluidos, o que é crucial para otimizar a recuperação em reservatórios de baixa
permeabilidade.
Locação de Poços com Base em Saturação de Óleo: A localização precisa dos
poços, tanto horizontais quanto verticais, foi determinada com base nas informações de
saturação de óleo por camadas obtidas a partir do software tNavigator. Isso permitiu identificar
as áreas do reservatório com maior concentração de óleo, otimizando a recuperação.
A estratégia de exploração, com base na configuração "Five Spot" e na utilização
de poços horizontais para injeção, foi projetada para maximizar a recuperação de óleo e gás do
reservatório, levando em consideração as informações específicas do tNavigator e as
características do reservatório estudado.

4.6. ANÁLISE DE SENSIBILIDADE

A análise de sensibilidade desempenha um papel crucial na identificação e

avaliação dos atributos críticos que podem influenciar significativamente as previsões em um
modelo de simulação de reservatório. Neste projeto, uma abordagem sistemática de análise de
sensibilidade foi empregada para identificar quais atributos têm o maior impacto nas incertezas
das previsões. Abaixo, descrevemos como essa metodologia foi aplicada:

31
 Atributos Críticos: Primeiramente, foram identificados os atributos críticos que
poderiam afetar as previsões do modelo. Esses atributos são variáveis-chave que podem incluir
parâmetros geológicos, propriedades dos fluidos, configurações de poços e outros fatores
relevantes para o comportamento do reservatório. A seleção criteriosa desses atributos é
essencial para direcionar a análise de sensibilidade de forma eficaz;
Cenários de Simulação: Para avaliar o impacto dos atributos críticos nas
previsões, foram definidos três cenários distintos de simulação: pessimista, base e otimista.
Cada cenário representava diferentes conjuntos de valores para os atributos críticos. O cenário
"base" serviu como ponto de referência, enquanto os cenários "pessimista" e "otimista"
incorporaram variações nos atributos para explorar um espectro de possibilidades;
Simulações Detalhadas: Através do software de simulação tNavigator, foram
realizadas simulações detalhadas para cada um dos cenários, levando em consideração os
valores atribuídos aos atributos críticos em cada caso. Isso resultou em múltiplas execuções do
modelo de simulação, gerando um conjunto diversificado de resultados;
Análise de Sensibilidade: A partir dos resultados das simulações, a análise de
sensibilidade foi conduzida para quantificar a influência de cada atributo crítico nas métricas-
chave do reservatório, como produção de óleo, injeção de água, pressões, entre outras. Essa
análise revelou quais atributos contribuíram mais para a incerteza nas previsões;
Gráficos Tornado: Com base nos dados obtidos das funções objetivas durante a
análise de sensibilidade, foram criados gráficos tornado. Esses gráficos fornecem uma
representação visual das variações nas previsões à medida que os atributos críticos são
alterados. Eles destacam quais atributos têm o maior e o menor impacto nas previsões, ajudando
a priorizar áreas de foco.
Ao empregar essa metodologia de análise de sensibilidade em conjunto com
cenários de simulação diversificados, o projeto permitiu uma avaliação abrangente das
incertezas associadas ao modelo de reservatório. Isso não apenas identificou os atributos mais
influentes, mas também forneceu insights valiosos para a tomada de decisões informadas na
gestão e desenvolvimento do reservatório, permitindo que a equipe tome medidas estratégicas
com base em diferentes cenários.

4.7. ANÁLISE DE RISCO

Seleção de três atributos, a partir da análise de sensibilidade, considerados críticos

para o modelo de simulação. Estabelecimento dos Níveis de Incerteza Para cada um dos três
atributos críticos selecionados, a determinação de três níveis de incerteza.

4.7.1. Construção da Curva de Risco usando Adição Gradativa

Planejamento das Combinações: Elaboração de uma planilha contendo as novas
conclusões possíveis dos dois atributos mais críticos, levando em consideração os três níveis de
incerteza para cada atributo.

32
 Simulação de Modelos: Construção e simulação de novos modelos de Árvore de
Derivação baseados nas configurações planejadas. Reutilização de cinco simulações prévias de
Análise de Sensibilidade (AS) e realização de quatro simulações adicionais.
Determinação das Probabilidades: Estabelecimento das probabilidades de
ocorrência para cada nível de incerteza em ambos os atributos críticos utilizando uma Planilha
de Distribuição de Probabilidades: Cálculo das Probabilidades dos Modelos Simulados
Com base nas simulações realizadas, cálculo das probabilidades de ocorrência para
cada modelo simulado.
Construção das Curvas de Risco: Desenvolvimento das Curvas de Risco para cinco
Funções-Objetivo
Produção Acumulada de Óleo (Np),
Produção Acumulada de Gás (Gp),
Produção Acumulada de Água (Wp),
Injeção Acumulada de Água (Winj),
Fator de Recuperação do Óleo (FRo).
Ordenação decrescente de cada Função-Objetivo, cálculo da probabilidade
acumulada e plotagem das curvas FO x Probabilidade Acumulada.

4.7.2. Extensão da Análise para o Terceiro Atributo Crítico

Repetição do item 3, considerando agora o terceiro atributo mais crítico. Realização
de 27 simulações no total, aproveitando novas simulações da Curva com 2 atributos e duas
simulações da AS para o terceiro atributo, adicionando o número de simulações adicionais para
16.

4.7.3. Análise e Interpretação dos Resultados

Avaliação dos resultados obtidos nas Curvas de Risco para cada Função-Objetivo,
identificação de tendências e implicações nas decisões relacionadas ao modelo de simulação.

4.8. PLANEJAMENTO BOX-BEHNKEN

4.8.1. Planejamento Box-Behnken

Utilização do comando "bbdesign(3)" no software Matlab para criar uma matriz de
planejamento Box-Behnken considerando os três atributos de interesse.
Geração de 13 transferências de sorteios.

4.8.2. Preenchimento da Matriz com Resultados das Funções-Objetivo

Preenchimento da matriz com os resultados das Funções-Objetivo (Np, Gp, Wp,
Winj e FRo) previamente calculados a partir das simulações realizadas na Árvore de Derivação.
33
4.8.3. Construção da Matriz A e do Vetor B
Montagem da planilha da Matriz A, considerando os valores das indicações de
atributos.
Criação do Vetor B com os resultados das Funções-Objetivo correspondentes às
símbolos de atributos.

4.8.4. Resolução da Matriz e Obtenção dos Coeficientes do Meta-Modelo

Utilização do software Matlab para resolver a matriz A em relação ao vetor B,
encontrando assim os coeficientes do polinômio de segundo grau que representa o Meta-
Modelo.
Cálculo dos coeficientes como: Coeficientes = A\B.

4.8.5. Construção do Polinômio de Segundo Grau (Superfície de Resposta)

Com os coeficientes obtidos, construção do polinômio de segundo grau para cada
uma das Funções-Objetivo (Np, Gp, Wp, Winj e FRo).

4.8.6. Comparação dos Valores PREDITOS e SIMULADOS

Cálculo dos valores PREDITOS pelas superfícies de resposta para as Funções-
Objetivo e comparação com os valores SIMULADOS preenchidos na matriz do planejamento
Box-Behnken.

4.8.7. Cálculo do R^2 para Avaliação da Precisão do Meta-Modelo

Avaliação da precisão do Meta-Modelo calculando o coeficiente de determinação
R^2 dos valores PREDITOS versus SIMULADOS para a matriz do planejamento Box-
Behnken.
Este processo permitirá a construção de um Meta-Modelo que substituirá o
simulador, fornecendo uma alternativa eficaz para prever as Funções-Objetivo com base nas
modificações de atributos críticos. O cálculo do R^2 será essencial para verificar a qualidade
do Meta-Modelo em representar os resultados do simulador original.

4.9. CURVA DE RISCO POR PLANEJAMENTO BOX-BEHNKEN

4.9.1. Cálculo dos Valores PREDITOS pelo Polinômio de Segundo Grau (Box-Behnken)
Realização do cálculo dos valores PREDITOS para as Funções-Objetivo (Np, Gp,
Wp, Winj e FRo) utilizando o polinômio de segundo grau gerado pelo planejamento Box-
Behnken.
Consideração dos 27 sorteios da Árvore de Derivação.

34
4.9.2. Cálculo do Coeficiente de Determinação (R^2)
Cálculo do coeficiente de determinação (R^2) entre os valores PREDITOS e
SIMULADOS para as 27 codificações da Árvore de Derivação.
Essa etapa servirá para avaliar a qualidade do ajuste do polinômio de segundo grau
em relação aos valores simulados.

4.9.3. Construção da Curva de Risco

Utilização do polinômio gerado pelo planejamento Box-Behnken para construir a
curva de risco para cada uma das Funções-Objetivo (Np, Gp, Wp, Winj e FRo).

4.9.4. Comparação das Curvas de Risco

Plotagem e comparação das curvas de risco geradas por simulação (valores
simulados) e por planejamento (valores preditos).
Essa análise de risco proporcionará uma visão abrangente da precisão do polinômio
de segundo grau em representar as Funções-Objetivo, permitindo a comparação direta entre os
resultados obtidos por simulação e por planejamento. O coeficiente de determinação (R^2) será
um indicador crucial para comparar a confiabilidade do polinômio de segundo grau na predição
dos resultados da Árvore de Derivação.

5. APLICAÇÕES, RESULTADOS E DISCUSSÕES

Nesta seção, exploraremos as aplicações das simulações conduzidas e discutiremos

os resultados alcançados. Ao longo desta análise, destacaremos aspectos significativos e
abordaremos as vantagens e desvantagens inerentes à utilização de cada um dos métodos
empregados.

5.1. Modelo Base

A escolha do reservatório, para desenvolver a metodologia, levou em conta os

dados de dois poços reais. O reservatório Maizena conta com uma área de 24.000 m², se situa
em um campo na plataforma continental do Rio de Janeiro, Bacia de Santos, a 243 km da costa
em lâmina d'água de 1.200 m, uma profundidade de 3.000 m e espessura de 219 m. A descoberta
deu-se em junho de 2000 e o volume de óleo inicial do reservatório foi estimado em 177,886
MM m³ com 34,4º API, sendo um óleo leve. O modelo de escoamento utilizado foi o Black-
Oil. Outro ponto importante é que as simulações levam em torno de 8 minutos para rodar.

35
 Figura 3: Representação do modelo base
Fonte: Autor

5.2. Caracterização do Reservatório

O campo contém dez camadas, com as seguintes espessuras em metros, 30.0 20.0
25.0 10.0 15.0 29.0 30.0 20.0 18.0 22.00, partindo topo para a base, a porosidade é distinta em
cada camada, usando valores que partem de dados de outros reservatórios, os valores são então
21%; 22%; 19%; 25%; 18%; 19%; 12%; 19%; 14%; 17%, além disso, com uma pressão de
referência de 320 Kgf/cm³, e um Pb de 224 kgf/cm³, logo se a pressão ficar abaixo de Pb,
formasse gás no sistema, o que evitasse à todo momento.
Os perfis mostram um contato gás/óleo, a -2950 m e contatos óleo/água a -3100m.

Contato gás-
óleo: -3020
m
Contato óleo-
água: - 3100 m

Figura 4: Representação do contato gás-óleo e óleo-água.

Fonte: modificado de Significados – Petróleo

36
5.3. Propriedades dos Fluídos

A seguir as curvas PVT utilizadas no modelo. Bo (Fator de formação de volume do

óleo), Bg (Fator de volume de formação do gás), Rs (Solubilidade do gás no óleo), Visc. Gás
(Viscosidade do Gás) e Visc. Óleo (Viscosidade do óleo) para os fluidos existentes no
reservatório.

Figura 5: Gráfico curva de Bo.

Fonte: autor

Figura 6: Gráfico curva e Bg.

Fonte: Autor

37
 Rs
300

250 y = 0,4901x + 6,1623

R² = 0,9986
200

150

100

50

0
0 100 200 300 400 500 600

Figura 7: Gráfico curva de Rs.

Fonte: Autor

Figura 8: Gráfico de Vis. G.

Fonte: Autor

38
 Figura 9: Gráfico de Vis. O.
Fonte: Autor

5.4. Propriedades Rocha-fluído

Figura 10: Curva de pressão capilar adotada nas simulações.

Fonte: Autor

39
Figura 11: Curvas de permeabilidades relativas da água usadas nas simulações dos modelos.
Fonte: Autor

Figura 12: Curvas de permeabilidades relativas da água usadas nas simulações dos modelos.
Fonte: Autor

40
6. RESULTADOS E DISCUSSÕES

6.1. Estratégia de Explotação

A implementação de uma estratégia de exploração de reservatórios de petróleo é

um processo complexo e multifacetado. Com base nos dados fornecidos, é possível realizar
uma análise mais aprofundada dos resultados alcançados e dos desafios enfrentados durante
todo o desenvolvimento do modelo de reservatório e a aplicação das estratégias de produção
que foi de 21/08/2023 a 13/08/2053 (30 anos).
A escolha da estratégia de exploração "Five Spot" revela-se altamente significativa,
uma vez que essa técnica é comumente empregada para aprimorar a recuperação de petróleo
em reservatórios. Essa abordagem estratégica envolve a injeção de fluidos em cinco poços
dispostos ao redor de um poço central de produção, com o propósito de criar uma frente de
injeção que direcione os fluidos em direção aos poços produtores. Essa prática tem o potencial
de elevar consideravelmente a recuperação de petróleo no reservatório.
A estratégia de injeção de água, uma prática bem estabelecida na indústria,
desempenha um papel fundamental na melhoria da recuperação de petróleo. A injeção de água
contribui para impulsionar os hidrocarbonetos remanescentes em direção aos poços produtores.
No entanto, é importante destacar a complexidade associada ao gerenciamento da pressão no
reservatório, especialmente para mantê-la acima da pressão de bolha. Essa complexidade reflete
a necessidade de manter a eficácia da injeção de água.
A utilização de 15 poços produtores, uma combinação de poços horizontais e
verticais, indica uma estratégia diversificada e abrangente para a extração de hidrocarbonetos.
A introdução de poços horizontais permite uma maior exposição do reservatório à produção, o
que, por sua vez, melhora as taxas de recuperação.
O alcance da taxa de recuperação de 30,3% é notável e ultrapassa a meta
estabelecida de 30%. Essa realização é particularmente significativa, demonstrando a eficácia
da implementação das estratégias de exploração e injeção de água.
Os volumes de produção são igualmente impressionantes, com uma produção
acumulada de óleo (Np) de 53.936.639 m³, produção acumulada de água (Wp) de 324.367.095
m³, produção acumulada de gás (Gp) de 17.515.178.265 m³ e injeção acumulada de água (Winj)
de 424.289.667 m³.
No entanto, é crucial reconhecer os desafios enfrentados, como a manutenção da
pressão acima da pressão de bolha. A pressão de bolha representa um limiar crítico, uma vez
que define a pressão mínima necessária para evitar a separação do gás e do petróleo. Em um
período de sete anos, a pressão no reservatório registrou flutuações significativas, variando de
320 unidades a 207 unidades. Posteriormente, em um intervalo de dez anos, observou-se uma
elevação gradual da pressão, alcançando um valor de 286 unidades. Finalmente, ao
término do período de análise, a pressão estabilizou-se em torno de 214 unidades. Essas
variações de pressão representam um desafio adicional a ser gerenciado ao longo da exploração
do reservatório, impactando diretamente a eficiência das estratégias de injeção e produção de
41
hidrocarbonetos. Portanto, a capacidade de manter a pressão dentro de uma faixa controlada é
fundamental para otimizar a recuperação de petróleo e gás em reservatórios de petróleo
desafiadores como este. Esse desafio pode ter implicações significativas na eficácia da injeção
de água e na recuperação dos hidrocarbonetos. Além disso, observou-se que o petróleo tem uma
tendência a migrar rapidamente para a primeira camada, o que representa um desafio
operacional que pode afetar a eficiência geral da produção.
Em síntese, a combinação de diferentes estratégias de exploração, incluindo a
injeção de água por meio de poços horizontais e verticais, reflete uma abordagem abrangente
para maximizar a recuperação de petróleo. Alcançar e superar a meta de recuperação
estabelecida e lidar eficazmente com desafios críticos, como a manutenção da pressão e a
distribuição do petróleo no reservatório, são conquistas notáveis. Essas realizações sublinham
a complexidade e a importância do processo de exploração de reservatórios de petróleo, bem
como o papel crucial desempenhado pela estratégia de exploração adotada.

Figura 13: Produção total de Np; Wp; Gp e Winj.

Fonte: Autor

O alto nível na produção de água se deve a injeção de água, principalmente em

poços horzintoais.

42
 Figura 14: Comportamento da pressão
Fonte: Autor

Figura 15: Saturação de óleo no reservatório, antes da produção.

Fonte: Autor

43
 Figura 16: Alocação dos poços no reservatório.
Fonte: Autor

Figura 17: Saturação de óleo no reservatório, pós produção.

Fonte: Autor

6.2. Análise de Sensibilidade

A análise de sensibilidade desempenha um papel fundamental na avaliação e no

sucesso de um projeto de exploração de reservatório de petróleo. A partir da avaliação
minuciosa de diferentes incertezas nas variáveis de entrada, essa técnica fornece informações
cruciais para entender como essas incertezas podem impactar as funções objetivo do projeto. O
presente estudo realizou uma análise de sensibilidade abrangente, considerando diversas
variáveis como fontes de incerteza, incluindo a área do reservatório, os contatos óleo-gás
44
(DGOC) e óleo-água (DWOC), o grau API do petróleo, a porosidade e a permeabilidade. Essas
variáveis desempenham papéis cruciais na determinação da viabilidade e eficácia do projeto de
exploração.
A área do reservatório revelou-se altamente sensível durante a análise de
sensibilidade. Isso significa que variações na extensão do reservatório têm um impacto direto
nas metas do projeto, afetando a produção total de óleo, água e gás. Essa constatação destaca a
importância de uma caracterização geológica abrangente da formação, incluindo a delimitação
precisa do reservatório e a distribuição dos fluidos ao longo do tempo.
Outra descoberta significativa da análise de sensibilidade está relacionada aos
contatos óleo-gás e óleo-água (DGOC e DWOC). As variações nesses contatos exerceram
considerável influência nas funções objetivo do projeto, demonstrando que monitorar e
controlar essas interfaces de fluidos é fundamental para otimizar a recuperação de petróleo e
gás. Isso implica a necessidade de tecnologias avançadas de monitoramento de reservatórios
para garantir uma gestão eficaz dessas zonas críticas.
O grau API do petróleo também se mostrou como um fator sensível, afetando a
qualidade do óleo produzido. Isso influencia diretamente a viscosidade do óleo, que, por sua
vez, impacta a produção. Portanto, a qualidade do óleo deve ser considerada como um aspecto
crucial na tomada de decisões do projeto, pois influencia não apenas a quantidade, mas também
as características físicas do óleo produzido.
Embora a porosidade e a permeabilidade tenham demonstrado algum impacto nas
funções objetivo, elas não se mostraram tão sensíveis quanto outras variáveis. Isso sugere que
o reservatório possui características relativamente consistentes nessas áreas, o que pode facilitar
a modelagem e a previsão do comportamento do reservatório.
Essas conclusões provenientes da análise de sensibilidade têm implicações
significativas na tomada de decisões estratégicas no projeto de exploração de reservatórios de
petróleo. Eles realçam a importância de focalizar áreas de exploração com base na análise de
sensibilidade, aprimorar o monitoramento dos contatos de fluidos para otimizar a recuperação
e considerar a qualidade do óleo produzido como um fator crucial para o sucesso do projeto.
Em resumo, a análise de sensibilidade representa uma ferramenta essencial para a
compreensão das incertezas nas variáveis de entrada e sua influência nas metas e objetivos de
um projeto de exploração de reservatórios de petróleo. Essa abordagem oferece orientação
valiosa para a gestão de riscos e a otimização de estratégias de exploração, contribuindo
significativamente para o sucesso e a eficácia desses empreendimentos complexos.

45
 Tabela 1: Tabela utilizada para anotar a realização das simulações da análise de sensibilidade
ATRIBUTOS FO ANÁLISE DE SENSIBILIDADE
Sorteios AREA DGOC DWOC API POR PERMI Np Fro Wp Gp Winj Np Fro Wp Gp Winj
Simulação 1 -1 0 0 0 0 0 43054057,28 30,88% 281012398,4 13784830129 360571956,3 -13,52% 8,26% -13,83% -25,08% -15,04%
Simulação 2 1 0 0 0 0 0 53936639,36 30,32% 324367095,3 17515178265 424289667 8,35% 6,28% -0,54% -4,80% -0,03%
Simulação 3 0 -1 0 0 0 0 13704133,89 9,21% 329903491,9 0 435346294,9 -72,47% -67,73% 1,16% -100,00% 2,57%
Simulação 4 0 1 0 0 0 0 66954444,24 34,77% 299381665,7 12284818867 391773533,3 34,49% 21,88% -8,20% -33,23% -7,69%
Simulação 5 0 0 1 0 0 0 63899088,01 32,20% 288837851,7 20889095007 409205921,8 28,36% 12,87% -11,43% 13,54% -3,59%
Simulação 6 0 0 -1 0 0 0 36858931,09 27,37% 358021749,9 16782167654 438187810,3 -25,96% -4,05% 9,78% -8,79% 3,24%
Simulação 7 0 0 0 -1 0 0 33400276,6 21,13% 348531452,6 17951395767 430591950,8 -32,91% -25,93% 6,87% -2,43% 1,45%
Simulação 8 0 0 0 1 0 0 59340334,65 32,17% 312077552 18174048231 418796414,7 19,20% 12,78% -4,31% -1,22% -1,33%
Simulação 9 0 0 0 0 -1 0 48195101,59 29,07% 330922516,5 17530841711 425036210,4 -3,19% 1,91% 1,47% -4,72% 0,14%
Simulação 10 0 0 0 0 1 0 51332035,5 28,02% 321494908,8 19246824967 423732530,2 3,11% -1,80% -1,42% 4,61% -0,16%
Simulação 11 0 0 0 0 0 -1 47359665,07 27,14% 328991620,4 17795953582 423651180,7 -4,87% -4,87% 0,88% -3,28% -0,18%
Simulação 12 0 0 0 0 0 1 51054155,14 29,26% 323960114,6 18810288454 424474225,1 2,56% 2,56% -0,67% 2,24% 0,01%
Simulação Base 0 0 0 0 0 0 49782141,37 29% 326130367,1 18398584962 424425009,4

Fonte: Autor

46
6.2.1. Realização da Análise de Sensibilidade

Para a realização da análise de sensibilidade, foram definidos três modelos

distintos: o modelo pessimista (-1), o modelo base (0) e o modelo otimista (+1). O modelo base,
que era otimista anteriormente, agora apresenta uma falha identificada, enquanto o modelo
pessimista representa uma redução na área do reservatório. Diante dessa configuração,
procedeu-se à realização de simulações para avaliar o impacto das variações nos parâmetros
DWOC (Contato Óleo-Água), DGOC (Contato Óleo-Gás), API (Grau API do Petróleo),
porosidade e permeabilidade.
O modelo base atual, que incorpora a falha identificada, serviu como ponto de
partida para a condução de 12 simulações independentes. Cada simulação envolveu a avaliação
dos parâmetros mencionados em cenários que consideravam as variações de sensibilidade
previamente definidas. E a partir dos gráficos tornado nos permitiu uma análise abrangente das
incertezas associadas a esses parâmetros e sua influência nas metas e objetivos do projeto de
exploração de reservatórios de petróleo. Essa metodologia robusta e sistemática proporciona
informações valiosas para a gestão de riscos e a otimização das estratégias de exploração,
contribuindo para o sucesso do empreendimento dentro de um contexto de exploração complexa
e desafiadora.

Figura 18: Atual Modelo Base.

Fonte: Autor

47
 Figura 19: Modelo Pessimista.
Fonte: Autor

Figura 20: Gráfico tornado da Análise de sensibilidade do Np.

Fonte: Autor

48
Figura 21: Gráfico tornado da Análise de sensibilidade do Fro.
Fonte: Autor

Figura 22: Gráfico tornado da Análise de sensibilidade do Wp.

Fonte: Autor

49
Figura 23: Gráfico tornado da Análise de sensibilidade do Gp.
Fonte: Autor

Figura 24: Gráfico tornado da Análise de sensibilidade do Winj.

Fonte: Autor

50
 6.3. Análise de Risco

A partir da análise de sensibilidade conduzida, foram selecionados três atributos

críticos: área do reservatório, DWOC (Contato Óleo-Água) e DGOC (Contato Óleo-Gás),
considerados os mais instáveis para o modelo. Inicialmente, realizou-se a análise considerando
apenas dois desses atributos: área e DGOC. Para abranger a gama de possíveis cenários, foram
conduzidas nove simulações considerando combinações de valores pessimistas, prováveis e
otimistas para esses atributos.
Para definir as probabilidades associadas a esses atributos, foram adotadas
distribuições de probabilidade específicas. Para o atributo DGOC, utilizou-se a distribuição
Normal, com um desvio padrão de 9,6, e foram gerados percentis de 86%, 50% e 14%. Isso
resultou em probabilidades de 28% para o cenário pessimista, 44% para o cenário provável e
28% para o cenário otimista. Quanto à área do reservatório, optou-se pela distribuição uniforme,
dividindo uniformemente a probabilidade total de 100% entre os três cenários, resultando em
aproximadamente 33,33% de probabilidade para cada um.
Com base nas probabilidades definidas, foram calculadas as probabilidades
acumuladas para cada uma das funções objetivas, permitindo a construção de gráficos de análise
de risco para cada FO. Esse processo foi então repetido, agora incluindo o atributo DWOC,
resultando em um total de 27 simulações.
Para a definição da probabilidade associada ao DWOC, utilizou-se a distribuição
triangular, com percentis de 86%, 50% e 14%, resultando em probabilidades de 28% para o
cenário pessimista, 44% para o cenário provável e 28% para o cenário otimista. Esse
procedimento permitiu gerar novas linhas de análise de risco nos gráficos de cada FO.
Em seguida, os valores de FO foram classificados em ordem decrescente para
calcular as probabilidades acumuladas correspondentes. A seguir, serão apresentados os
gráficos individuais de cada função objetivo, acompanhados de suas respectivas conclusões,
proporcionando uma análise abrangente das incertezas e riscos associados ao projeto de
exploração do reservatório de petróleo.
Tabela 2: Tabela da simulação para 2 atributos da FO Np.

2 ATRIBUTOS FO
Sorteios AREA DGOC Prob. AREA Prob. DGOC Probabilidade Prob. Acumulda Np 2
Simulação 9 1 1 33,33% 28% 9,33% 4,67% 68476219,68
Simulação 4 0 1 33,33% 28% 9,33% 14,00% 66954444,24
Simulação 7 -1 1 33,33% 28% 9,33% 23,33% 54742375,13
Simulação 2 1 0 33,33% 44% 14,67% 38,00% 53936639,36
Simulação 5 0 0 33,33% 44% 14,67% 52,67% 49782141,37
Simulação 1 -1 0 33,33% 44% 14,67% 67,33% 43054057,28
Simulação 8 1 -1 33,33% 28% 9,33% 76,67% 14559266,05
Simulação 3 0 -1 33,33% 28% 9,33% 86,00% 13704133,89
Simulação 6 -1 -1 33,33% 28% 9,33% 95,33% 11808939,72
100%

Fonte: Autor

51
 Tabela 3: Tabela da simulação para 3 atributos da FO Np.
3 ATRIBUTOS FO
Sorteios AREA DGOC DWOC Prob. AREA Prob. DGOC Prob. DWOC Probabilidade Prob. Acumulda Np 3
Simulação 27 1 1 1 33,33% 28% 28% 2,61% 1,31% 84401284,06
Simulação 19 0 1 1 33,33% 28% 28% 2,61% 3,92% 82240611,35
Simulação 24 1 0 1 33,33% 44% 28% 4,11% 8,03% 70460608,36
Simulação 26 1 1 0 33,33% 28% 44% 4,11% 12,13% 68476219,68
Simulação 15 -1 1 1 33,33% 28% 28% 2,61% 14,75% 68131258,93
Simulação 4 0 1 0 33,33% 28% 44% 4,11% 18,85% 66954444,24
Simulação 5 0 0 1 33,33% 44% 28% 4,11% 22,96% 63899088,01
Simulação 12 -1 0 1 33,33% 44% 28% 4,11% 27,06% 56591700,7
Simulação 25 1 1 -1 33,33% 28% 28% 2,61% 29,68% 55442584,66
Simulação 14 -1 1 0 33,33% 28% 44% 4,11% 33,78% 54742375,13
Simulação 18 0 1 -1 33,33% 28% 28% 2,61% 36,40% 54168385,43
Simulação 2 1 0 0 33,33% 44% 44% 6,45% 42,85% 53936639,36
Simulação 7 0 0 0 33,33% 44% 44% 6,45% 49,30% 49782141,37
Simulação 13 -1 1 -1 33,33% 28% 28% 2,61% 51,91% 43885377,47
Simulação 1 -1 0 0 33,33% 44% 44% 6,45% 58,37% 43054057,28
Simulação 23 1 0 -1 33,33% 44% 28% 4,11% 62,47% 40327278,82
Simulação 6 0 0 -1 33,33% 44% 28% 4,11% 66,58% 36858931,09
Simulação 11 -1 0 -1 33,33% 44% 28% 4,11% 70,69% 32007217,21
Simulação 22 1 -1 1 33,33% 28% 28% 2,61% 73,30% 25186149,25
Simulação 17 0 -1 1 33,33% 28% 28% 2,61% 75,91% 23918053,98
Simulação 10 -1 -1 1 33,33% 28% 28% 2,61% 78,53% 20280031,72
Simulação 21 1 -1 0 33,33% 28% 44% 4,11% 82,63% 14559266,05
Simulação 3 0 -1 0 33,33% 28% 44% 4,11% 86,74% 13704133,89
Simulação 9 -1 -1 0 33,33% 28% 44% 4,11% 90,84% 11808939,72
Simulação 20 1 -1 -1 33,33% 28% 28% 2,61% 93,46% 8094192,035
Simulação 16 0 -1 -1 33,33% 28% 28% 2,61% 96,07% 7433998,605
Simulação 8 -1 -1 -1 33,33% 28% 28% 2,61% 99% 6653035,216
100%

Fonte: autor

52
Em anexos está as tabelas de Fro; Wp; Gp; Winj.

Figura 25: Distribuição Triangular do DWOC.

Fonte: Autor

Figura 26: Distribuição Normal do DGOC.

Fonte: Autor

53
 Figura 27: Análise de Risco Np.
Fonte: Autor

Entre P90 e P10 temos uma variação de risco de 57.556.235,8 de m³.

Figura 28: Análise de Risco Fro.

Fonte: Autor

Entre P90 e P10 temos uma variação de risco de 31,7%.

54
 Figura 29: Análise de Risco Wp.
Fonte: Autor

Entre P90 e P10 temos uma variação de risco de 85.923.848 m³.

Figura 30: Análise de Risco Gp.

Fonte: Autor

Entre P90 e P10 temos uma variação de risco de 19.831.393.140,78 m³.

55
 Figura 31: Análise de Risco Winj.
Fonte: Autor

Entre P90 e P10 temos uma variação de risco 82.605.528 m³.

6.4. Planejamento Box-Behnken

Para efetuar a transição do simulador para o meta-modelo, foi adotada uma
abordagem sistemática. Inicialmente, foi elaborada uma Matriz de Planejamento Box-Behnken
considerando três atributos-chave: área (A), Contato Óleo-Gás (DGO(C)) e Contato Óleo-Água
(DWOC(C)). O uso do comando "BB = bbdesign(3)" no ambiente Matlab permitiu a geração
de 13 combinações de sorteio, conforme apresentado na tabela 4.
Essas 13 combinações de atributos foram associadas a cada uma das Funções-
Objetivos (FO) relevantes. Posteriormente, foram fornecidos valores simulados para essas FOs,
totalizando 13 valores correspondentes às 13 combinações.
Para a montagem da matriz A, que envolve as 10 combinações de atributos em linha
para as 13 combinações anteriores (ou seja, 130 elementos no total, incluindo a combinação
constante CTE=1), a matriz foi adequadamente estruturada e registrada no ambiente Matlab.
Simultaneamente, o vetor B foi criado, contendo os 13 valores simulados das FOs
correspondentes.
Por meio de cálculos realizados no Matlab, foram obtidos 10 coeficientes que
serviram como base para estimar os valores preditos das FOs a partir da e quação 7. Com base
nessas estimativas, foi possível gerar gráficos comparativos para cada FO (Np, Fro, Wp, GP,
Winj) em que os valores simulados foram confrontados com os valores preditos,
proporcionando uma avaliação abrangente da eficácia do meta-modelo na substituição do
simulador. Essa abordagem sistemática permite uma análise detalhada das discrepâncias entre
os resultados simulados e preditos, contribuindo para a validação e utilização eficaz do meta-
modelo no contexto do projeto de exploração de reservatório de petróleo.
56
 Equação 7:

Np=𝑐1∗𝑥2+𝑐2∗𝑦2+𝑐3∗𝑧2+𝑐4∗𝑥+𝑐5∗𝑦+𝑐6∗𝑧+𝑐7∗𝑥∗𝑦+𝑐8∗𝑥∗𝑧+𝑐9∗𝑦∗𝑧+𝑐𝑡𝑒
Fonte: Autor
Tabela 4: Tabela Com dados para o planejamento de Np.

Atributos FO
C
Rodadas B
A (AREA) (DWO C Np Pred (MM
(DGO C) 3 3
) Np Sim (MM m ) m)
Simulação 1 -1 -1 0 13.704.133,89 17.773.400,00
Simulação 2 -1 1 0 55.442.584,66 64.451.600,00
Simulação 3 1 -1 0 32.007.217,21 19.384.000,00
Simulação 4 1 1 0 70.460.608,36 65.733.800,00
Simulação 5 -1 0 -1 36.858.931,09 39.653.100,00
Simulação 6 -1 0 1 63.899.088,01 67.289.700,00
Simulação 7 1 0 -1 43.054.057,28 40.492.100,00
Simulação 8 1 0 1 82.240.611,35 69.343.500,00
Simulação 9 0 -1 -1 8.094.192,03 4.791.100,00
Simulação 10 0 -1 1 25.186.149,25 32.406.700,00
Simulação 11 0 1 -1 54.742.375,13 50.676.700,00
Simulação 12 0 1 1 84.401.284,06 79.549.100,00
Simulação 13 0 0 0 53.936.639,36 53.937.000,00

Fonte: Autor

Nesta tabela estão 13 combinações para simulação com seus respectivos valores
simulados e também para seus valores de Np preditos.

57
 Tabela 5: Tabela Matriz A e Vetor B, usada para todas Funções objetivas.
MATRIZ A VETOR B

Termos Quadráticos Termos Lineares Termos Iteração Termo Indep. FO

a.a b.b c.c a b c a.b a.c b.c CTE Np

1 1 0 -1 -1 0 1 0 0 1 13704133,89
1 1 0 -1 1 0 -1 0 0 1 55442584,66
1 1 0 1 -1 0 -1 0 0 1 32007217,21
1 1 0 1 1 0 1 0 0 1 70460608,36
1 0 1 -1 0 -1 0 1 0 1 36858931,09
1 0 1 -1 0 1 0 -1 0 1 63899088,01
1 0 1 1 0 -1 0 -1 0 1 43054057,28
1 0 1 1 0 1 0 1 0 1 82240611,35
0 1 1 0 -1 -1 0 0 1 1 8094192,035
0 1 1 0 -1 1 0 0 -1 1 25186149,25
0 1 1 0 1 -1 0 0 -1 1 54742375,13
0 1 1 0 1 1 0 0 1 1 84401284,06
0 0 0 0 0 0 0 0 0 1 53936639,36

Fonte: Autor

Tabela 6: Tabela com os coeficientes gerados pelo MatLab.

COEFICIENTES

X Y

a.a 118.700,00
b.b - 12.220.000,00
c.c 138.900,00
a 723.200,00
b 23.257.000,00
c 14.122.000,00
a.b - 82.100,00
a.c 303.700,00
b.c 314.200,00
CTE 53.937.000,00

Fonte: Autor

58
 Com estes coeficientes foi possível calcular os valores de Np predito na tabela 4.
Este processo de repetiu pro Wp, Gp, Winj e Fro. A seguir será apresentado seus
gráficos, já suas tabelas estão nos anexos.

Figura 32: Gráfico de Np predito X simulado.

Fonte: Autor

No gráfico pode pode ser análisado um R² muito bom se aproximando de 1,

mostrando que o meta-modelo é uma ótima solução.

Figura 33: Gráfico de Wp predito X simulado.

Fonte: Autor

Neste gráfico já apresenta um R² melhor que o anterior com valor de 0,9998.

59
 Figura 34: Gráfico de Gp predito X simulado.
Fonte: Autor

Neste gráfico já apresenta um R² menor que o de Wp, porém ainda muito bom com
valor de 0,9966.

Figura 35: Gráfico de Winj. predito X simulado.

Fonte: Autor

Neste gráfico já apresenta um R² de 0,9959, continuando com a linha de tendência

muito boa e provando que o meta-modelo é recomendável.

60
 Figura 36: Gráfico de Fro predito X simulado.
Fonte: Autor

Neste gráfico já apresentou um R² fora do comum (0,345) pois ele tem alguns
valores a baixo de 10% causando uma variação muito grande que leva ao erro. Nas
considerações finais foi sugerido o que pode ser feito.

6.4.1. Planejamento Box-Behnken Para 27 Simulações

Com o intuito de ampliar a aplicação do processo previamente empregado,
procederemos agora ao cálculo para um conjunto de 27 simulações. É válido ressaltar que essa
extensão não requer a reexecução de simulações adicionais, aproveitando os dados e processos
já estabelecidos nas 13 simulações anteriores.
Nesse contexto, o principal ajuste reside na expansão da matriz A, que agora contará
com 27 linhas para acomodar as 27 combinações correspondentes. Importante mencionar que
os coeficientes previamente obtidos e registrados durante as 13 simulações anteriores
permanecerão inalterados, uma vez que não há necessidade de recalculá-los.
Após a obtenção dos valores das Funções-Objetivo (FO) preditas, esses dados
foram incorporados à análise de risco, complementando a abordagem anterior. A linha das 27
simulações previamente realizadas foi agora enriquecida com os valores preditos das FO,
resultando em uma análise mais robusta e abrangente. Essa integração permitiu uma
comparação direta na curva de risco entre os dados simulados e os dados preditos,
proporcionando uma avaliação mais refinada da incerteza e da variabilidade associadas ao
projeto de exploração do reservatório de petróleo.
Essa estratégia de combinar os resultados das simulações com os valores preditos
das FO contribui para uma visão mais completa do risco envolvido no projeto, permitindo uma
avaliação mais precisa da probabilidade de ocorrência de diferentes cenários. Isso, por sua vez,
capacita os tomadores de decisão a adotarem medidas adequadas de gerenciamento de riscos e
a otimizarem as estratégias de exploração, aprimorando ainda mais a eficácia do processo
decisório no contexto do projeto.
61
 Como no tópico anterior será apresentado as tabelas de Np a seguir, e as tabelas dos
demais Fo´s estão em anexo.
Tabela 7: Tabela com os dados para planejamento de Np – 27 simulações.

Atributos FO
C
Rodadas B
A (AREA) (DWO C Np Pred (MM
(DGO C) 3
) Np Sim (MM m ) m3 )
Simulação 27 1 1 1 84.401.284,06 80.612.600,00
Simulação 19 0 1 1 82.240.611,35 79.549.100,00
Simulação 24 1 0 1 70.460.608,36 69.343.500,00
Simulação 26 1 1 0 68.476.219,68 65.733.800,00
Simulação 15 -1 1 1 68.131.258,93 78.723.000,00
Simulação 4 0 1 0 66.954.444,24 64.974.000,00
Simulação 5 0 0 1 63.899.088,01 68.197.900,00
Simulação 12 -1 0 1 56.591.700,70 67.289.700,00
Simulação 25 1 1 -1 55.442.584,66 51.132.800,00
Simulação 14 -1 1 0 54.742.375,13 64.451.600,00
Simulação 18 0 1 -1 54.168.385,43 50.676.700,00
Simulação 2 1 0 0 49.782.141,37 54.778.900,00
Simulação 13 -1 1 -1 43.885.377,47 50.458.000,00
Simulação 1 -1 0 0 43.054.057,28 53.332.500,00
Simulação 23 1 0 -1 40.327.278,82 40.492.100,00
Simulação 6 0 0 -1 36.858.931,09 39.953.900,00
Simulação 11 -1 0 -1 32.007.217,21 39.653.100,00
Simulação 22 1 -1 1 25.186.149,25 33.634.400,00
Simulação 17 0 -1 1 23.918.053,98 32.406.700,00
Simulação 10 -1 -1 1 20.280.031,72 31.416.400,00
Simulação 21 1 -1 0 14.559.266,05 19.384.000,00
Simulação 3 0 -1 0 13.704.133,89 18.460.000,00
Simulação 9 -1 -1 0 11.808.939,72 17.773.400,00
Simulação 20 1 -1 -1 8.094.192,03 5.411.400,00
Simulação 16 0 -1 -1 7.433.998,60 4.791.100,00
Simulação 8 -1 -1 -1 6.653.035,22 4.408.200,00
Simulação 7 0 0 0 53.936.639,36 53.937.000,00
Fonte: Autor

62
 Tabela 8: Tabela Matriz A e Vetor B, usada para todas Funções objetivas.

MATRIZ A VETOR B
Termos Quadráticos Termos Lineares Termos Iteração Termo Indep. FO

a.a b.b c.c a b c a.b a.c b.c CTE Np

1 1 1 1 1 1 1 1 1 1 84.401.284,06
0 1 1 0 1 1 0 0 1 1 82.240.611,35
1 0 1 1 0 1 0 1 0 1 70.460.608,36
1 1 0 1 1 0 1 0 0 1 68.476.219,68
1 1 1 -1 1 1 -1 -1 1 1 68.131.258,93
0 1 0 0 1 0 0 0 0 1 66.954.444,24
0 0 1 0 0 1 0 0 0 1 63.899.088,01
1 0 1 -1 0 1 0 -1 0 1 56.591.700,70
1 1 1 1 1 -1 1 -1 -1 1 55.442.584,66
1 1 0 -1 1 0 -1 0 0 1 54.742.375,13
0 1 1 0 1 -1 0 0 -1 1 54.168.385,43
1 0 0 1 0 0 0 0 0 1 49.782.141,37
1 1 1 -1 1 -1 -1 1 -1 2 43.885.377,47
1 0 0 -1 0 0 0 0 0 3 43.054.057,28
1 0 1 1 0 -1 0 -1 0 4 40.327.278,82
0 0 1 0 0 -1 0 0 0 5 36.858.931,09
1 0 1 -1 0 -1 0 1 0 6 32.007.217,21
1 1 1 1 -1 1 -1 1 -1 7 25.186.149,25
0 1 1 0 -1 1 0 0 -1 8 23.918.053,98
1 1 1 -1 -1 1 1 -1 -1 9 20.280.031,72
1 1 0 1 -1 0 -1 0 0 10 14.559.266,05
0 1 0 0 -1 0 0 0 0 11 13.704.133,89
1 1 0 -1 -1 0 1 0 0 12 11.808.939,72
1 1 1 1 -1 -1 -1 -1 1 13 8.094.192,03
0 1 1 0 -1 -1 0 0 1 14 7.433.998,60
1 1 1 -1 -1 -1 1 1 1 15 6.653.035,22
0 0 0 0 0 0 0 0 0 1 53.936.639,36

Fonte: Autor

63
 A tabela dos coeficientes gerados pelo MatLab é a mesma usada para as 13
simulações. A Seguir gráfico de comparação Np predito x Np simulado:

Figura 37: Gráfico de Np predito X simulado – 27 simulações.

Fonte: Autor

Neste gráfico já apresenta um R² de 0,9494, tendo uma melhora em comparação

com o Np de 13 cominações.

Figura 38: Gráfico de Wp predito X simulado – 27 simulações.

Fonte: Autor

Neste gráfico já apresenta um R² de 0,9907, tendo uma leve caída em comparação

com o Wp de 13 cominações, mas se mantendo muito bom ainda.

64
 Figura 39: Gráfico de Gp predito X simulado – 27 simulações.
Fonte: Autor

Neste gráfico já apresenta um R² de 0,9952, tendo uma leve caída em comparação

com o Wp de 13 cominações, mas se mantendo muito bom ainda.

Figura 40: Gráfico de Winj. predito X simulado – 27 simulações.

Fonte: Autor
Neste gráfico já apresenta um R² de 0,9877, tendo uma leve caída em comparação
com o Wp de 13 cominações, mas se mantendo muito bom ainda. Para o Fro não foi gerado
gráfico por conta da má elaboração do gráfico por tem alguns valores fora do padrão. A partir
de agora vamos realizar a comparação entre o predito e o simulado nos gráficos de curva de
risco. Como no tópico anterior, será apresentado a tabela de Np a seguir, e a tabela dos demais
Fo´s estão em anexo.

65
 Tabela 9: Tabela para montar o gráfico de análise de risco com as curvas de Np simulado e predito para 27 simulações.
3 ATRIBUTOS FO
Sorteios AREA DGOC DWOC Prob. AREA Prob. DGOC Prob. DWOC Probabilidade Prob. Acumulda Np Sim. Probabilidade Prob. Acumulda Np Pred.
Simulação 27 1 1 1 33,33% 28% 28% 2,61% 1,31% 84401284,06 2,61% 1,31% 80612600
Simulação 19 0 1 1 33,33% 28% 28% 2,61% 3,92% 82240611,35 2,61% 3,92% 79549100
Simulação 24 1 0 1 33,33% 44% 28% 4,11% 8,03% 70460608,36 2,61% 6,53% 78723000
Simulação 26 1 1 0 33,33% 28% 44% 4,11% 12,13% 68476219,68 4,11% 10,64% 69343500
Simulação 15 -1 1 1 33,33% 28% 28% 2,61% 14,75% 68131258,93 4,11% 14,75% 68197900
Simulação 4 0 1 0 33,33% 28% 44% 4,11% 18,85% 66954444,24 4,11% 18,85% 67289700
Simulação 5 0 0 1 33,33% 44% 28% 4,11% 22,96% 63899088,01 4,11% 22,96% 65733800
Simulação 12 -1 0 1 33,33% 44% 28% 4,11% 27,06% 56591700,7 4,11% 27,06% 64974000
Simulação 25 1 1 -1 33,33% 28% 28% 2,61% 29,68% 55442584,66 4,11% 31,17% 64451600
Simulação 14 -1 1 0 33,33% 28% 44% 4,11% 33,78% 54742375,13 6,45% 37,62% 54778900
Simulação 18 0 1 -1 33,33% 28% 28% 2,61% 36,40% 54168385,43 2,61% 40,24% 53937000
Simulação 2 1 0 0 33,33% 44% 44% 6,45% 42,85% 53936639,36 2,61% 42,85% 53332500
Simulação 7 0 0 0 33,33% 44% 44% 6,45% 49,30% 49782141,37 2,61% 45,46% 51132800
Simulação 13 -1 1 -1 33,33% 28% 28% 2,61% 51,91% 43885377,47 2,61% 48,08% 50676700
Simulação 1 -1 0 0 33,33% 44% 44% 6,45% 58,37% 43054057,28 6,45% 54,53% 50458000
Simulação 23 1 0 -1 33,33% 44% 28% 4,11% 62,47% 40327278,82 6,45% 60,98% 40492100
Simulação 6 0 0 -1 33,33% 44% 28% 4,11% 66,58% 36858931,09 4,11% 65,09% 39953900
Simulação 11 -1 0 -1 33,33% 44% 28% 4,11% 70,69% 32007217,21 4,11% 69,19% 39653100
Simulação 22 1 -1 1 33,33% 28% 28% 2,61% 73,30% 25186149,25 4,11% 73,30% 33634400
Simulação 17 0 -1 1 33,33% 28% 28% 2,61% 75,91% 23918053,98 2,61% 75,91% 32406700
Simulação 10 -1 -1 1 33,33% 28% 28% 2,61% 78,53% 20280031,72 2,61% 78,53% 31416400
Simulação 21 1 -1 0 33,33% 28% 44% 4,11% 82,63% 14559266,05 2,61% 81,14% 19384000
Simulação 3 0 -1 0 33,33% 28% 44% 4,11% 86,74% 13704133,89 4,11% 85,24% 18460000
Simulação 9 -1 -1 0 33,33% 28% 44% 4,11% 90,84% 11808939,72 4,11% 89,35% 17773400
Simulação 20 1 -1 -1 33,33% 28% 28% 2,61% 93,46% 8094192,035 4,11% 93,46% 5411400
Simulação 16 0 -1 -1 33,33% 28% 28% 2,61% 96,07% 7433998,605 2,61% 96,07% 4791100
Simulação 8 -1 -1 -1 33,33% 28% 28% 2,61% 99% 6653035,216 2,61% 98,68% 4408200
100%

Fonte: Autor

66
 Figura 41: Gráfico de análise de risco do Np predito e simulado – 27 simulações.
Fonte: Autor

Podemos perceber que a faixa de Risco entre P90 e P10 é de 57.878.949,1 m³,
podemos ver também que a linha do Np predito acompanhou bem a Np simulado não
totalmente, mas muito próximo.

Figura 42: Gráfico de análise de risco do Wp predito e simulado – 27 simulações.

Fonte: Autor

Podemos perceber que a faixa de Risco entre P90 e P10 é de 95.486.202,1 m³,
podemos ver também que a linha do Wp predito acompanhou muito bem a Wp simulado,
quase que sobreposta.

67
 Figura 43: Gráfico de análise de risco do Wp predito e simulado – 27 simulações.
Fonte: Autor

Podemos perceber que a faixa de Risco entre P90 e P10 é de 20.057.115.412,39m³, podemos ver
também que a linha do Gp predito acompanhou muito bem a Gp simulado, quase que sobreposta.

Figura 44: Gráfico de análise de risco do Wp predito e simulado – 27 simulações.

Fonte: Autor

Podemos perceber que a faixa de Risco entre P90 e P10 é de 77.197.605,38 m³,
podemos ver também que a linha do Winj. predito acompanhou muito bem a Winj. simulado,
quase que sobreposta. O de Fro não foi gerado por ter conseguido gerar o Fro predito, como
explicado anteriormente
.

68
7. CONCLUSÃO

O presente estudo teve como principal objetivo a construção de um modelo de

reservatório de petróleo, seguido da realização de simulações, análises de sensibilidade e risco,
além da aplicação do planejamento Box-Behnken como ferramenta de otimização. Os
resultados obtidos ao longo deste projeto proporcionaram uma visão abrangente e valiosa do
processo de exploração de reservatórios de petróleo.
A construção do modelo de reservatório permitiu uma caracterização detalhada do
ambiente geológico, considerando aspectos como a área do reservatório, os contatos óleo-gás
(DGOC) e óleo-água (DWOC), o grau API do petróleo, a porosidade e a permeabilidade. Esses
parâmetros desempenham papéis cruciais na determinação da viabilidade e eficácia do projeto,
fornecendo uma base sólida para as etapas subsequentes.
A análise de sensibilidade revelou a influência significativa de determinados
atributos, como a área do reservatório, os contatos óleo-gás e óleo-água, no desempenho das
funções-objetivo do projeto. Essas conclusões destacam a importância de focar em áreas
específicas de exploração, bem como monitorar de perto as interfaces dos fluidos para otimizar
a recuperação de hidrocarbonetos.
A aplicação do planejamento Box-Behnken como uma estratégia de otimização se
mostrou eficaz, resultando em economia significativa de tempo, uma vez que permitiu a geração
de meta-modelos para prever as Funções-Objetivo em vez de realizar simulações completas.
Isso representa uma vantagem substancial para o processo de tomada de decisão, pois agiliza a
análise de riscos e cenários alternativos.
Em suma, este projeto demonstrou que a construção de modelos de reservatório, a
realização de simulações, análises de sensibilidade e risco, juntamente com a aplicação do
planejamento Box-Behnken, são elementos fundamentais para o sucesso de um projeto de
exploração de reservatórios de petróleo. A integração dessas abordagens oferece uma visão
holística, permitindo a tomada de decisões embasadas em dados e a otimização das estratégias
de exploração, em consonância com as normas e boas práticas da indústria de óleo e gás.

69
8. PRÓXIMAS ETAPAS DO PROJETO

Com base nos resultados obtidos até o momento, o próximo passo do projeto
envolve a análise minuciosa das simulações em que o Fator de Recuperação do Óleo (Fro) ficou
abaixo de 25%. Essa etapa é crucial para garantir a precisão dos dados e a correta aplicação do
planejamento Box-Behnken no que diz respeito ao Fro. Será necessário investigar as razões por
trás desses resultados e verificar se há algum erro ou inconsistência nos parâmetros do modelo
de reservatório.
Além disso, uma das metas é reduzir a produção de água, o que pode ser alcançado
por meio de estratégias de injeção mais eficazes e ajustes no layout do reservatório. Isso requer
uma análise detalhada das simulações e a identificação de oportunidades para otimizar a
produção de hidrocarbonetos, minimizando a produção de água indesejada.
Mudanças no layout do reservatório também serão consideradas para tornar o
modelo mais próximo da realidade. Isso inclui a revisão das configurações dos poços e a
adaptação das estratégias de exploração para refletir as condições reais do reservatório, levando
em conta os desafios operacionais e geológicos.
Essas próximas etapas são cruciais para aprimorar o modelo de reservatório,
maximizar a recuperação de óleo e gás, e garantir que o projeto esteja alinhado com os objetivos
estabelecidos. A busca pela eficiência operacional e pela fidelidade à realidade geológica será
contínua, visando à excelência na exploração de reservatórios de petróleo.

70
9. REFERÊNCIAS BIBLIOGRÁFICAS

AVANSI, Guilherme D.; SUSLICK, Saul B.; SCHIOZER, Denis J.; RISSO, Fernanda V. A.
Utilização de planejamento estatístico na geração de meta-modelos para curvas de produção. 5º
CONGRESSO BRASILEIRO DE PESQUISA E DESENVOLVIMENTO EM PETRÓLEO E
GÁS, [S. l.], p. 1-9, 15 out. 2009.
DE PAULA, Renato Ricardo. Método de Monte Carlo e Aplicações. 2014. Monografia
apresentada ao Curso de Graduação em Matemática (Grau de Bacharel em Matemática com
Ênfase em Matemática Computacional) - Universidade Federal Fluminense, Volta Redonda -
RJ, 2014.
GOMES, Silvana Vieira Floresta. APLICAÇÃO DO PLANEJAMENTO BOX-BEHNKEN
NA OTIMIZAÇÃO DE MÉTODO DE EXTRAÇÃO DE FLAVONOIDES USANDO
EXTRAÇÃO ACELERADA COM SOLVENTES (ASE) E QUANTIFICAÇÃO DE
MARCADORES QUÍMICOS POR CLAE-DAD-UV EM ESPÉCIES DO GÊNERO
Passiflora. 2013. Tese submetida ao Colegiado de Pós-graduação (Doutor em Química
Orgânica) - UNIVERSIDADE FEDERAL DA BAHIA, SALVADOR - BA, 2013.
Lima, Y.M.M.; Viegas, I.M.A.; Pinheiro, J.F.; Barradas Filho, A.O. COMPARAÇÃO DE
PLANEJAMENTOS EXPERIMENTAIS DE METODOLOGIA DE SUPERFÍCIE DE
RESPOSTA PARA OTIMIZAÇÃO DO RENDIMENTO DA SÍNTESE DE BIODIESEL. 58º
Congresso Brasileiro de Química. São Luís – MA. 2018.
MACEDO Valverde Elizabeth, DELGADO Fernandes Isabel e GERMAL Luis André.
“Ferramenta para avaliação do Potencial de Risco no âmbito dos Laboratórios Oficiais”.
Vigilância Sanitária em Debate. Rio de Janeiro, 2014. 3. 10.3395/2317-269x.00708.
MARTINS, Guilherme Araujo. SIMULAÇÃO NUMÉRICA DE RESERVATÓRIOS COM
MALHA TRIANGULAR E SISTEMA BIDIMENSIONAL-BIFÁSICO ÓLEO/ÁGUA. 2010.
MONOGRAFIA DE GRADUAÇÃO EM ENGENHARIA DE PETRÓLEO (Grau de Bacharel
em Engenharia de Petróleo) - Universidade Federal Fluminense, [S. l.], 2010.
NASCIMENTO, Dinah Freire Ciríaco do. ANÁLISE DE RISCOS PARA INDÚSTRIA DO
PETRÓLEO. 2016. MONOGRAFIA DE GRADUAÇÃO EM ENGENHARIA DE
SEGURANÇA DO TRABALHO (Grau de Bacharel em Engenharia de Segurança do Trabalho)
- Universidade Potiguar, [S. l.], 2016.
PRATA, Matheus Chaves; FERREIRA, Guilherme Augusto Rigueira; SILVINO, Pedro Felipe
Gadelha; OSORIO, Renan Galvão. Análise econômica baseada na simulação de reservatório
não convencional. In: CONGRESSO NACIONAL DE ENGENHARIA DE PETRÓLEO, GÁS
NATURAL E BIOCOMBUSTÍVEIS (CONEPETRO), II; WORKSHOP DE ENGENHARIA
DE PETRÓLEO (WEPETRO), IV., 10, 11 e 12 ago. 2016, Natal – RN. Anais [...], Natal – RN.,
2016.
RISSO, Fernanda Vaz Alvez. Aplicação da Técnica do Hipercubo Latino no Treinamento de
Redes Neurais na Análise de Risco de Campos de Petróleo. UNISIM ON-LINE, Campina - SP,
ano 5, v. 8, n. 53, p. 1-2, 2 set. 2010. Disponível em:

71
https://www.unisim.cepetro.unicamp.br/index.php/publicacoes/unisim-on-line. Acesso em: 14
de setembro de 2023.
RISSO, Valmir Francisco; RISSO, Fernanda Vaz Alves; SCHIOZER, Denis José. AJUSTE DE
HISTÓRICO DE CAMPOS DE PETRÓLEO UTILIZANDO A METODOLOGIA DO
PLANEJAMENTO ESTATÍSTICO. Departamento de Engenharia de Petróleo, Universidade
Estadual de Campinas, [s. l.], 2006.
SOUSA, João Tadeu Vidal de. Tomada de Decisão Envolvendo Risco e Incerteza: Aplicações
na Indústria do Petróleo. 2016. Monografia de Final de Curso (Especialização em Business
Intelligence de Engenharia Elétrica) - PUC/Rio, [S. l.], 2016.
Nakajima, L., & Schiozer, D. J. (2003). Automated Methodology for Field Performance
Optimization Developed with Horizontal Wells. Paper presented at the SPE Latin American
and Caribbean Petroleum Engineering Conference, Port-of-Spain, Trinidad and Tobago, April
2003.
Carvalho, R., Moraes, F., & Freitas, U. (2018). AVO Analysis Using an Alternative
Formulation for Estimation of Seismic Properties of Hydrocarbon Fluids: A Study on Gas
Condensate. Paper presented at the 2018 SEG International Exposition and Annual Meeting,
Anaheim, California, USA, October 2018.
Risso, F. V. A., Risso, V. F., & Schiozer, D. J. (2008). Risk Assessment of Oil Fields Using
Proxy Models: A Case Study. Journal of Canadian Petroleum Technology, 47, 9-14, January
2008.
Ligero, E. L., Risso, F. V. A., & Schiozer, D. J. (2007). Comparison of Methodologies to
Evaluate the Risk of Petroleum Fields. Paper presented at the SPE Latin American & Caribbean
Petroleum Engineering Conference, 15-18 April, Buenos Aires, Argentina, 2007.
Ma, S. M., Al-Hajari, A. A., Kersey, D. G., Funk, J. J., Holmes, K., & Potter, G. (2006).
Enhanced Petrophysics: Integration of Core and Log Data for Improved Reservoir Saturation
Monitoring. Paper presented at the SPE Technical Symposium of Saudi Arabia Section,
Dhahran, Saudi Arabia, May 2006.
Risso, Valmir Francisco. SIMULAÇÃO NUMÉRICA DE FLUXO EM REGIÕES DE
RESERVATÓRIOS DE PETRÓLEO COM REFINAMENTO LOCAL E FRONTEIRAS
ABERTAS. Dissertação de Mestrado, Universidade Estadual de Campinas, Faculdade de
Engenharia Mecânica, Ciências e Engenharia de Petróleo, 2002.

72
 10. ANEXOS
2 ATRIBUTOS FO
Sorteios AREA DGOC Prob. AREA Prob. DGOC Probabilidade Prob. Acumulda Fro 2
Simulação 6 -1 -1 33,33% 28% 9,33% 4,67% 45,42%
Simulação 5 0 0 33,33% 44% 14,67% 19,33% 39%
Simulação 8 1 -1 33,33% 28% 9,33% 28,67% 36,07%
Simulação 7 -1 1 33,33% 28% 9,33% 38,00% 35,55%
Simulação 1 -1 0 33,33% 44% 14,67% 52,67% 30,88%
Simulação 2 1 0 33,33% 44% 14,67% 67,33% 27,99%
Simulação 3 0 -1 33,33% 28% 9,33% 76,67% 9,21%
Simulação 4 0 1 33,33% 28% 9,33% 86,00% 7,56%
Simulação 9 1 1 33,33% 28% 9,33% 95,33% 6,01%
100%
3 ATRIBUTOS FO
Sorteios AREA DGOC DWOC Prob. AREA Prob. DGOC Prob. DWOC Probabilidade Prob. Acumulda Fro 3
Simulação 9 -1 -1 0 33,33% 28% 44% 4,11% 2,05% 45,42%
Simulação 15 -1 1 1 33,33% 28% 28% 2,61% 4,67% 39,46%
Simulação 7 0 0 0 33,33% 44% 44% 6,45% 11,12% 39,24%
Simulação 27 1 1 1 33,33% 28% 28% 2,61% 13,73% 38,23%
Simulação 19 0 1 1 33,33% 28% 28% 2,61% 16,35% 37,98%
Simulação 21 1 -1 0 33,33% 28% 44% 4,11% 20,45% 36,07%
Simulação 12 -1 0 1 33,33% 44% 28% 4,11% 24,56% 35,80%
Simulação 13 -1 1 -1 33,33% 28% 28% 2,61% 27,17% 35,71%
Simulação 25 1 1 -1 33,33% 28% 28% 2,61% 29,78% 35,61%
Simulação 14 -1 1 0 33,33% 28% 44% 4,11% 33,89% 35,55%
Simulação 18 0 1 -1 33,33% 28% 28% 2,61% 36,50% 35,47%
Simulação 24 1 0 1 33,33% 44% 28% 4,11% 40,61% 34,83%
Simulação 5 0 0 1 33,33% 44% 28% 4,11% 44,72% 32,20%
Simulação 1 -1 0 0 33,33% 44% 44% 6,45% 51,17% 30,88%
Simulação 11 -1 0 -1 33,33% 44% 28% 4,11% 55,27% 30%
Simulação 23 1 0 -1 33,33% 44% 28% 4,11% 59,38% 29,38%
Simulação 2 1 0 0 33,33% 44% 44% 6,45% 65,83% 27,99%
Simulação 6 0 0 -1 33,33% 44% 28% 4,11% 69,94% 27,37%
Simulação 10 -1 -1 1 33,33% 28% 28% 2,61% 72,55% 14,76%
Simulação 22 1 -1 1 33,33% 28% 28% 2,61% 75,17% 14,30%
Simulação 17 0 -1 1 33,33% 28% 28% 2,61% 77,78% 13,84%
Simulação 3 0 -1 0 33,33% 28% 44% 4,11% 81,89% 9,21%
Simulação 8 -1 -1 -1 33,33% 28% 28% 2,61% 84,50% 7,59%
Simulação 4 0 1 0 33,33% 28% 44% 4,11% 88,60% 7,56%
Simulação 20 1 -1 -1 33,33% 28% 28% 2,61% 91,22% 7,28%
Simulação 16 0 -1 -1 33,33% 28% 28% 2,61% 93,83% 6,82%
Simulação 26 1 1 0 33,33% 28% 44% 4,11% 98% 6,01%
100,0%
Tabela 10: Tabela da simulação para 2 e 3 atributos da FO Fro.
Fonte: Autor

73
 2 ATRIBUTOS FO
Sorteios AREA DGOC Prob. AREA Prob. DGOC Probabilidade Prob. Acumulda Wp 2
Simulação 3 0 -1 33,33% 28% 9,33% 5% 329903491,9
Simulação 8 1 -1 33,33% 28% 9,33% 14% 328180271,2
Simulação 5 0 0 33,33% 44% 14,67% 29% 326130367,1
Simulação 2 1 0 33,33% 44% 14,67% 43% 324367095,3
Simulação 9 1 1 33,33% 28% 9,33% 53% 304681867,1
Simulação 4 0 1 33,33% 28% 9,33% 62% 299381665,7
Simulação 6 -1 -1 33,33% 28% 9,33% 71% 289386565,4
Simulação 1 -1 0 33,33% 44% 14,67% 86% 281012398,4
Simulação 7 -1 1 33,33% 28% 9,33% 95% 265277640,7
100%
3 ATRIBUTOS FO
Sorteios AREA DGOC DWOC Prob. AREA Prob. DGOC Prob. DWOC Probabilidade Prob. Acumulda Wp 3
Simulação 6 0 0 -1 33,33% 44% 28% 4,11% 2,05% 358021749,9
Simulação 23 1 0 -1 33,33% 44% 28% 4,11% 6,16% 356086478,3
Simulação 25 1 1 -1 33,33% 28% 28% 2,61% 8,77% 352088452,5
Simulação 16 0 -1 -1 33,33% 28% 28% 2,61% 11,39% 349978899,9
Simulação 20 1 -1 -1 33,33% 28% 28% 2,61% 14,00% 348578172,9
Simulação 18 0 1 -1 33,33% 28% 28% 2,61% 16,61% 345652570,4
Simulação 3 0 -1 0 33,33% 28% 44% 4,11% 20,72% 329903491,9
Simulação 21 1 -1 0 33,33% 28% 44% 4,11% 24,82% 328180271,2
Simulação 7 0 0 0 33,33% 44% 44% 6,45% 31,28% 326130367,1
Simulação 2 1 0 0 33,33% 44% 44% 6,45% 37,73% 324367095,3
Simulação 11 -1 0 -1 33,33% 44% 28% 4,11% 41,84% 311644551,7
Simulação 8 -1 -1 -1 33,33% 28% 28% 2,61% 44,45% 307214139
Simulação 26 1 1 0 33,33% 28% 44% 4,11% 48,56% 304681867,1
Simulação 13 -1 1 -1 33,33% 28% 28% 2,61% 51,17% 303.968.571,01
Simulação 17 0 -1 1 33,33% 28% 28% 2,61% 53,78% 302294331
Simulação 22 1 -1 1 33,33% 28% 28% 2,61% 56,39% 299394097,9
Simulação 4 0 1 0 33,33% 28% 44% 4,11% 60,50% 299381665,7
Simulação 9 -1 -1 0 33,33% 28% 44% 4,11% 64,61% 289386565,4
Simulação 5 0 0 1 33,33% 44% 28% 4,11% 68,71% 288837851,7
Simulação 24 1 0 1 33,33% 44% 28% 4,11% 72,82% 282334057,8
Simulação 1 -1 0 0 33,33% 44% 44% 6,45% 79,27% 281012398,4
Simulação 14 -1 1 0 33,33% 28% 44% 4,11% 83,38% 265277640,7
Simulação 10 -1 -1 1 33,33% 28% 28% 2,61% 85,99% 263219378,8
Simulação 27 1 1 1 33,33% 28% 28% 2,61% 88,60% 260917662,2
Simulação 19 0 1 1 33,33% 28% 28% 2,61% 91,22% 254495495,5
Simulação 12 -1 0 1 33,33% 44% 28% 4,11% 95,32% 248973201,4
Simulação 15 -1 1 1 33,33% 28% 28% 2,61% 98% 230320510
100%
Tabela 11: Tabela da simulação para 2 e 3 atributos da FO Wp.
Fonte: Autor

74
 2 ATRIBUTOS FO
Sorteios AREA DGOC Prob. AREA Prob. DGOC Probabilidade Prob. Acumulda Gp 2
Simulação 8 1 -1 33,33% 28% 9,33% 4,67% 32341662384
Simulação 6 -1 -1 33,33% 28% 9,33% 14,00% 25770973857
Simulação 5 0 0 33,33% 44% 14,67% 28,67% 18398584962
Simulação 2 1 0 33,33% 44% 14,67% 43,33% 17515178265
Simulação 1 -1 0 33,33% 44% 14,67% 58,00% 13784830129
Simulação 9 1 1 33,33% 28% 9,33% 67,33% 12573613003
Simulação 4 0 1 33,33% 28% 9,33% 76,67% 12284818867
Simulação 7 -1 1 33,33% 28% 9,33% 86,00% 9999313257
Simulação 3 0 -1 33,33% 28% 9,33% 95,33% 0
100%
3 ATRIBUTOS FO
Sorteios AREA DGOC DWOC Prob. AREA Prob. DGOC Prob. DWOC Probabilidade Prob. Acumulda Gp 3
Simulação 22 1 -1 1 33,33% 28% 28% 2,61% 1,31% 34912362089
Simulação 17 0 -1 1 33,33% 28% 28% 2,61% 3,92% 34650858968
Simulação 21 1 -1 0 33,33% 28% 44% 4,11% 8,03% 32341662384
Simulação 20 1 -1 -1 33,33% 28% 28% 2,61% 10,64% 29166062942
Simulação 16 0 -1 -1 33,33% 28% 28% 2,61% 13,25% 28987389868
Simulação 10 -1 -1 1 33,33% 28% 28% 2,61% 15,87% 27700321156
Simulação 9 -1 -1 0 33,33% 28% 44% 4,11% 19,97% 25770973857
Simulação 8 -1 -1 -1 33,33% 28% 28% 2,61% 22,58% 23219611865
Simulação 5 0 0 1 33,33% 44% 28% 4,11% 26,69% 20889095007
Simulação 24 1 0 1 33,33% 44% 28% 4,11% 30,80% 19099735504
Simulação 7 0 0 0 33,33% 44% 44% 6,45% 37,25% 18398584962
Simulação 2 1 0 0 33,33% 44% 44% 6,45% 43,70% 17515178265
Simulação 6 0 0 -1 33,33% 44% 28% 4,11% 47,81% 16782167654
Simulação 23 1 0 -1 33,33% 44% 28% 4,11% 51,91% 16231404540
Simulação 12 -1 0 1 33,33% 44% 28% 4,11% 56,02% 15438901592
Simulação 27 1 1 1 33,33% 28% 28% 2,61% 58,63% 14084941836
Simulação 1 -1 0 0 33,33% 44% 44% 6,45% 65,09% 13784830129
Simulação 19 0 1 1 33,33% 28% 28% 2,61% 67,70% 13760927128
Simulação 11 -1 0 -1 33,33% 44% 28% 4,11% 71,81% 12837367813
Simulação 26 1 1 0 33,33% 28% 44% 4,11% 75,91% 12573613003
Simulação 4 0 1 0 33,33% 28% 44% 4,11% 80,02% 12284818867
Simulação 25 1 1 -1 33,33% 28% 28% 2,61% 82,63% 11361461046
Simulação 15 -1 1 1 33,33% 28% 28% 2,61% 85,24% 11337283640
Simulação 18 0 1 -1 33,33% 28% 28% 2,61% 87,86% 11127994029
Simulação 14 -1 1 0 33,33% 28% 44% 4,11% 91,96% 9999313257
Simulação 13 -1 1 -1 33,33% 28% 28% 2,61% 94,58% 8989273841
Simulação 3 0 -1 0 33,33% 28% 44% 4,11% 99% 0
100%

Tabela 12: Tabela da simulação para 2 e 3 atributos da FO Gp.

Fonte: Autor

75
 Sorteios AREA DGOC Prob. AREA Prob. DGOC Probabilidade Prob. Acumulda Winj 2
Simulação 3 0 -1 33,33% 28% 9,33% 4,67% 435346294,9
Simulação 8 1 -1 33,33% 28% 9,33% 14,00% 435322873
Simulação 5 0 0 33,33% 44% 14,67% 28,67% 424425009,4
Simulação 2 1 0 33,33% 44% 14,67% 43,33% 424289667
Simulação 9 1 1 33,33% 28% 9,33% 52,67% 399255511,1
Simulação 4 0 1 33,33% 28% 9,33% 62,00% 391773533,3
Simulação 6 -1 -1 33,33% 28% 9,33% 71,33% 374993685,1
Simulação 1 -1 0 33,33% 44% 14,67% 86,00% 360571956,3
Simulação 7 -1 1 33,33% 28% 9,33% 95,33% 340981258,7
100%
3 ATRIBUTOS FO
Sorteios AREA DGOC DWOC Prob. AREA Prob. DGOC Prob. DWOC Probabilidade Prob. Acumulda Winj 3
Simulação 20 1 -1 -1 33,33% 28% 28% 2,61% 1,31% 440449605,1
Simulação 16 0 -1 -1 33,33% 28% 28% 2,61% 3,92% 440230191,3
Simulação 6 0 0 -1 33,33% 44% 28% 4,11% 8,03% 438187810,3
Simulação 23 1 0 -1 33,33% 44% 28% 4,11% 12,13% 437707145,2
Simulação 3 0 -1 0 33,33% 28% 44% 4,11% 16,24% 435346294,9
Simulação 21 1 -1 0 33,33% 28% 44% 4,11% 20,34% 435322873
Simulação 25 1 1 -1 33,33% 28% 28% 2,61% 22,96% 428315993,7
Simulação 17 0 -1 1 33,33% 28% 28% 2,61% 25,57% 425338921,1
Simulação 22 1 -1 1 33,33% 28% 28% 2,61% 28,18% 424993095,2
Simulação 7 0 0 0 33,33% 44% 44% 6,45% 34,64% 424425009,4
Simulação 2 1 0 0 33,33% 44% 44% 6,45% 41,09% 424289667
Simulação 18 0 1 -1 33,33% 28% 28% 2,61% 43,70% 420028335,7
Simulação 5 0 0 1 33,33% 44% 28% 4,11% 47,81% 409205921,8
Simulação 24 1 0 1 33,33% 44% 28% 4,11% 51,91% 405127867,9
Simulação 26 1 1 0 33,33% 28% 44% 4,11% 56,02% 399255511,1
Simulação 4 0 1 0 33,33% 28% 44% 4,11% 60,13% 391773533,3
Simulação 8 -1 -1 -1 33,33% 28% 28% 2,61% 62,74% 380650262,4
Simulação 27 1 1 1 33,33% 28% 28% 2,61% 65,35% 377108456,1
Simulação 11 -1 0 -1 33,33% 44% 28% 4,11% 69,46% 376617278,4
Simulação 9 -1 -1 0 33,33% 28% 44% 4,11% 73,57% 374993685,1
Simulação 19 0 1 1 33,33% 28% 28% 2,61% 76,18% 368044763,8
Simulação 13 -1 1 -1 33,33% 28% 28% 2,61% 78,79% 364464560,5
Simulação 10 -1 -1 1 33,33% 28% 28% 2,61% 81,41% 363230525,9
Simulação 1 -1 0 0 33,33% 44% 44% 6,45% 87,86% 360571956,3
Simulação 12 -1 0 1 33,33% 44% 28% 4,11% 91,96% 347538459,2
Simulação 14 -1 1 0 33,33% 28% 44% 4,11% 96,07% 340981258,7
Simulação 15 -1 1 1 33,33% 28% 28% 2,61% 99% 324115774,9
100%

Tabela 13: Tabela da simulação para 2 e 3 atributos da FO Winj.

Fonte: Autor

76
 Atributos FO COEFICIENTES
C
Rodadas B
A (AREA) (DWO C Fro Pred (MM X Y
(DGO C) 3 3
) Fro Sim (MM m ) m)
Simulação 1 -1 -1 0 0,45 0,29 a.a 0,00380
Simulação 2 -1 1 0 0,36 0,43 b.b - 0,086200
Simulação 3 1 -1 0 0,36 0,29 c.c - 0,068700
Simulação 4 1 1 0 0,06 0,22 a - 0,051300
Simulação 5 -1 0 -1 0,30 0,35 b 0,016200
Simulação 6 -1 0 1 0,36 0,40 c 0,027500
Simulação 7 1 0 -1 0,29 0,25 a.b - 0,052500
Simulação 8 1 0 1 0,35 0,30 a.c -
Simulação 9 0 -1 -1 0,07 0,18 b.c - 0,010000
Simulação 10 0 -1 1 0,14 0,26 CTE 0,390000
Simulação 11 0 1 -1 0,35 0,23
Simulação 12 0 1 1 0,38 0,27
Simulação 13 0 0 0 0,39 0,39

MATRIZ A VETOR B

Termo
Termos Quadráticos Termos Lineares Termos Iteração Indep. FO
a.a b.b c.c a b c a.b a.c b.c CTE Fro
1 1 0 -1 -1 0 1 0 0 1 0,45
1 1 0 -1 1 0 -1 0 0 1 0,36
1 1 0 1 -1 0 -1 0 0 1 0,36
1 1 0 1 1 0 1 0 0 1 0,06
1 0 1 -1 0 -1 0 1 0 1 0,30
1 0 1 -1 0 1 0 -1 0 1 0,36
1 0 1 1 0 -1 0 -1 0 1 0,29
1 0 1 1 0 1 0 1 0 1 0,35
0 1 1 0 -1 -1 0 0 1 1 0,07
0 1 1 0 -1 1 0 0 -1 1 0,14
0 1 1 0 1 -1 0 0 -1 1 0,35
0 1 1 0 1 1 0 0 1 1 0,38
0 0 0 0 0 0 0 0 0 1 0,39
Tabela 14: Tabela de Box-Behnken para 13 SIMULAÇÕES DE Fro.
Fonte: Autor

77
 Atributos FO COEFICIENTES
C
Rodadas B
A (AREA) (DWO C Wp Pred (MM X Y
(DGO C)
) Wp Sim (MM m3 ) m3 )
Simulação 1 -1 -1 0 289.386.565,39 290.000.000,00 a.a - 21.300.000,00000
Simulação 2 -1 1 0 265.277.640,70 264.760.000,00 b.b - 7.950.000,000000
Simulação 3 1 -1 0 328.180.271,19 328.700.000,00 c.c - 5.070.000,000000
Simulação 4 1 1 0 304.681.867,09 304.060.000,00 a 19.500.000,000000
Simulação 5 -1 0 -1 311.644.551,70 311.900.000,00 b - 12.470.000,000000
Simulação 6 -1 0 1 248.973.201,35 248.620.000,00 c - 34.410.000,000000
Simulação 7 1 0 -1 356.086.478,28 356.440.000,00 a.b 150.000,000000
Simulação 8 1 0 1 282.334.057,85 282.080.000,00 a.c - 2.770.000,000000
Simulação 9 0 -1 -1 349.978.899,92 349.120.000,00 b.c - 10.870.000,000000
Simulação 10 0 -1 1 302.294.330,99 302.040.000,00 CTE 326.130.000,000000
Simulação 11 0 1 -1 345.652.570,44 345.920.000,00
Simulação 12 0 1 1 254.495.495,51 255.360.000,00
Simulação 13 0 0 0 326.130.367,11 326.130.000,00
MATRIZ A VETOR B

Termo
Termos Quadráticos Termos Lineares Termos Iteração Indep. FO
a.a b.b c.c a b c a.b a.c b.c CTE Wp
1 1 0 -1 -1 0 1 0 0 1 289386565,387408
1 1 0 -1 1 0 -1 0 0 1 265277640,695284
1 1 0 1 -1 0 -1 0 0 1 328180271,193471
1 1 0 1 1 0 1 0 0 1 304681867,094343
1 0 1 -1 0 -1 0 1 0 1 311644551,696557
1 0 1 -1 0 1 0 -1 0 1 248973201,350397
1 0 1 1 0 -1 0 -1 0 1 356086478,282169
1 0 1 1 0 1 0 1 0 1 282334057,849052
0 1 1 0 -1 -1 0 0 1 1 349978899,916743
0 1 1 0 -1 1 0 0 -1 1 302294330,993414
0 1 1 0 1 -1 0 0 -1 1 345652570,438664
0 1 1 0 1 1 0 0 1 1 254495495,514028
0 0 0 0 0 0 0 0 0 1 326130367,107848
Tabela 15: Tabela de Box-Behnken para 13 SIMULAÇÕES DE Wp.
Fonte: Autor

78
 Atributos FO COEFICIENTES
C
Rodadas B
A (AREA) (DWO C Gp Pred (MM X Y
(DGO C)
) Gp Sim (MM m3 ) m3 )
Simulação 1 -1 -1 0 25.770.973.857,26 26.433.000.000,00 a.a - 2.229.000.000,00
Simulação 2 -1 1 0 9.999.313.257,34 9.859.000.000,00 b.b 4.001.000.000,00
Simulação 3 1 -1 0 32.341.662.384,35 32.481.000.000,00 c.c - 268.000.000,00
Simulação 4 1 1 0 12.573.613.002,93 11.911.000.000,00 a 2.025.000.000,00
Simulação 5 -1 0 -1 12.837.367.812,81 12.223.000.000,00 b - 9.286.000.000,00
Simulação 6 -1 0 1 15.438.901.592,08 15.531.000.000,00 c 1.721.000.000,00
Simulação 7 1 0 -1 16.231.404.540,11 16.139.000.000,00 a.b - 999.000.000,00
Simulação 8 1 0 1 19.099.735.504,22 19.715.000.000,00 a.c 67.000.000,00
Simulação 9 0 -1 -1 28.987.389.868,08 28.939.000.000,00 b.c - 758.000.000,00
Simulação 10 0 -1 1 34.650.858.967,97 33.897.000.000,00 CTE 18.399.000.000,00
Simulação 11 0 1 -1 11.127.994.029,30 11.883.000.000,00
Simulação 12 0 1 1 13.760.927.128,15 13.809.000.000,00
Simulação 13 0 0 0 18.398.584.961,72 18.399.000.000,00

MATRIZ A VETOR B

Termo
Termos Quadráticos Termos Lineares Termos Iteração Indep. FO
a.a b.b c.c a b c a.b a.c b.c CTE Gp
1 1 0 -1 -1 0 1 0 0 1 25770973857,259200
1 1 0 -1 1 0 -1 0 0 1 9999313257,342880
1 1 0 1 -1 0 -1 0 0 1 32341662384,347100
1 1 0 1 1 0 1 0 0 1 12573613002,930400
1 0 1 -1 0 -1 0 1 0 1 12837367812,807300
1 0 1 -1 0 1 0 -1 0 1 15438901592,077700
1 0 1 1 0 -1 0 -1 0 1 16231404540,113600
1 0 1 1 0 1 0 1 0 1 19099735504,216900
0 1 1 0 -1 -1 0 0 1 1 28987389868,076500
0 1 1 0 -1 1 0 0 -1 1 34650858967,966200
0 1 1 0 1 -1 0 0 -1 1 11127994029,298200
0 1 1 0 1 1 0 0 1 1 13760927128,152800
0 0 0 0 0 0 0 0 0 1 18398584961,715000
Tabela 16: Tabela de Box-Behnken para 13 SIMULAÇÕES DE Gp.
Fonte: Autor

79
 Atributos FO COEFICIENTES
Rodadas B C Winj Sim (MM Winj Pred (MM
A (AREA) 3 3 X Y
(DGO C) (DWO C m) m)
Simulação 1 -1 -1 0 376617278,4 378720000 a.a - 27.290.000
Simulação 2 -1 1 0 347538459,2 347080000 b.b - 6.550.000
Simulação 3 1 -1 0 435346294,9 435780000 c.c - 1.430.000
Simulação 4 1 1 0 405127867,9 403020000 a 28.250.000
Simulação 5 -1 0 -1 377108456,1 378280000 b - 16.100.000
Simulação 6 -1 0 1 360571956,3 357760000 c - 13.370.000
Simulação 7 1 0 -1 438187810,3 441000000 a.b - 280.000
Simulação 8 1 0 1 409205921,8 408040000 a.c - 3.110.000
Simulação 9 0 -1 -1 440449605,1 437190000 b.c - 9.290.000
Simulação 10 0 -1 1 428315993,7 429030000 CTE 424.990.000
Simulação 11 0 1 -1 424289667 423570000
Simulação 12 0 1 1 374993685,1 378250000
Simulação 13 0 0 0 424993095,2 424990000

MATRIZ A VETOR B

Termo
Termos Quadráticos Termos Lineares Termos Iteração Indep. FO
a.a b.b c.c a b c a.b a.c b.c CTE Winj
1 1 0 -1 -1 0 1 0 0 1 376.617.278,37
1 1 0 -1 1 0 -1 0 0 1 347.538.459,19
1 1 0 1 -1 0 -1 0 0 1 435.346.294,87
1 1 0 1 1 0 1 0 0 1 405.127.867,85
1 0 1 -1 0 -1 0 1 0 1 377.108.456,07
1 0 1 -1 0 1 0 -1 0 1 360.571.956,28
1 0 1 1 0 -1 0 -1 0 1 438.187.810,26
1 0 1 1 0 1 0 1 0 1 409.205.921,76
0 1 1 0 -1 -1 0 0 1 1 440.449.605,09
0 1 1 0 -1 1 0 0 -1 1 428.315.993,72
0 1 1 0 1 -1 0 0 -1 1 424.289.666,96
0 1 1 0 1 1 0 0 1 1 374.993.685,07
0 0 0 0 0 0 0 0 0 1 424.993.095,22
Tabela 17: Tabela de Box-Behnken para 13 SIMULAÇÕES DE Winj.
Fonte: Autor

80