FACULDADE DE ENGENHARIA MECÂNICA
Uso de Poços Inteligentes em Desenvolvimento
de Campos de Petróleo sob Incertezas
Autor: João Paulo Quinteiro Gonçalves da Silva Orientador: Prof. Dr. Denis José Schiozer
CAMPINAS 2009
UNIVERSIDADE ESTADUAL DE CAMPINAS
FACULDADE DE ENGENHARIA MECÂNICA
Uso de Poços Inteligentes em Desenvolvimento
de Campos de Petróleo sob Incertezas
Autor: João Paulo Quinteiro Gonçalves da Silva Orientador: Prof. Dr. Denis José Schiozer
Curso: Mestrado em Ciências e Engenharia de Petróleo
Dissertação de mestrado apresentada à Subcomissão de Pós-Graduação Interdisciplinar de Ciências e Engenharia de Petróleo (FEM), como requisito para a obtenção do título de Mestre em Ciências e Engenharia de Petróleo.
Campinas, 2009 SP - Brasil
FICHA CATALOGRÁFICA ELABORADA PELA
BIBLIOTECA DA ÁREA DE ENGENHARIA E ARQUITETURA BAE -UNICAMP
Si38u
Silva, João Paulo Quinteiro Gonçalves da Uso de poços inteligentes no desenvolvimento de campos de petróleo sob incertezas / João Paulo Quinteiro
Gonçalves da Silva. --Campinas, SP: [s.n.], 2008. Orientador: Denis José Schiozer.
Dissertação de Mestrado - Universidade Estadual de Campinas, Faculdade de Engenharia Mecânica e
Instituto de Geociências.
1. Poços Inteligentes. 2. Capacidade da Plataforma. 3. Incerteza. 4. Risco. 5. Processo decisório. I. Schiozer, Denis José. II. Universidade Estadual de Campinas. Faculdade de Engenharia Mecânica. III.
Instituto de Geociências. IV. Título.
Título em Inglês: Use of smart wells in petroleum field developments under uncertainties
Palavras-chave em Inglês: Smart Wells, Platform capacity, Uncertainties, Risk, Decision analysis
Área de concentração: Reservatórios e Gestão Titulação: Mestre em Ciências e Engenharia de Petróleo
Banca examinadora: Solange da Silva Guedes, Sergio Nascimento Bordalo Data da defesa: 17/12/2008
Dedicatória
Dedico este trabalho à minha avó Iracema, pelo seu exemplo de vida, e à minha mãe Valdete, pelo exemplo de força e determinação.
Agradecimentos
À Deus por todas as bênçãos...
À minha mãe, Valdete, meu pai, Dirceu, e meus irmãos, Pedro e Marcos, pelo constante incentivo e apoio.
Ao Prof. Dr. Denis José Schiozer, por acreditar neste trabalho, por sua fundamental e competente orientação e pela paciência e generosidade.
Aos colegas e amigos Mauro Ida, Pedro Nogueira, Fabio Gostaldon e Lincoln Nakajima, pelo auxílio direto no desenvolvimento desta pesquisa, especialmente nos momentos de dificuldades.
Aos professores e funcionários do Departamento de Engenharia de Petróleo pela ajuda direta ou indireta na realização deste trabalho.
Aos pesquisadores, colaboradores e funcionários do grupo UNISIM, pelo suporte e colaboração.
Àqueles que me proporcionaram um ambiente agradável, incluindo os que já foram citados, meus amigos: Odair, Beto, André, Diogo, Perin, Carlos, Guilherme, Fernando, Philipe, Rafael, Parker, Ivan e a todos aqueles com quem convivi durante o mestrado.
À FAPESP (Fundação de Amparo à Pesquisa do Estado de São Paulo), pela concessão de bolsa de estudo, ao Cepetro (Centro de Estudos de Petróleo) e à Petrobras pelo suporte financeiro.
A todos os meus amigos de Assis-SP por estarem sempre por perto me incentivando. Em especial, presto uma homenagem à memória de uma pessoa de caráter excepcional, Rev. Valmir Machado Ribeiro.
Resumo
SILVA, João Paulo Quinteiro Gonçalves da. Uso de Poços Inteligentes em
Desenvolvimento de Campos de Petróleo sob Incertezas, Campinas: Faculdade de
Engenharia Mecânica, Universidade Estadual de Campinas. 2008. 118 pp. Dissertação (Mestrado em Ciências e Engenharia de Petróleo) – Faculdade de Engenharia Mecânica e Instituto de Geociências, Universidade Estadual de Campinas – UNICAMP, 2008.
A escolha da estratégia de produção é uma das tarefas mais importantes para garantir o sucesso do desenvolvimento de campos de petróleo. Dentro deste contexto, destaca-se o recente uso de poços inteligentes, que são divididos em segmentos com dispositivos que, por sua vez, possibilitam o monitoramento e maior controle da produção, em tempo real. Embora o desempenho esperado desses poços seja superior aos convencionais, em termos de maximização de produção de óleo e minimização de produção de água, não há garantias de que essa vantagem represente um desempenho econômico superior, devido aos investimentos adicionais necessários.
Trabalhos recentes vêm sendo feitos para a comparação desses dois tipos de poços. Contudo, observa-se que, em muitas dessas comparações, as estratégias com poços inteligentes são otimizadas com maior cuidado e, conseqüentemente, apresentam melhores resultados. Isto pode implicar falta de confiabilidade do processo.
A presente pesquisa tem por objetivo criar uma metodologia de comparação justa entre poços inteligentes e convencionais. Foi desenvolvido um procedimento de otimização da estratégia de produção, aplicável aos dois tipos de poços, considerando inicialmente cenário determinístico. Esta metodologia conta também com a disponibilidade de plataformas com diferentes capacidades de produção. Foi ainda estudado o impacto de incertezas e heterogeneidades no processo. Ao final, realizou-se uma análise de decisão, considerando estratégias de poços convencionais e inteligentes, além da capacidade da plataforma, com o objetivo de direcionar a escolha do tomador de decisão.
Procurou-se mostrar que a metodologia de otimização da estratégia é eficaz, no sentido de promover uma comparação criteriosa de ambos os poços estudados. Para o exemplo determinístico, de baixa heterogeneidade, as estratégias otimizadas, de poços convencionais e inteligentes, apresentaram poucas diferenças. Com a adição de incertezas e aumento da heterogeneidade, especialmente pelos canais de alta permeabilidade, os poços inteligentes passaram a apresentar vantagens.
Foi mostrado ainda que as comparações entre esses dois tipos de poços resultam em diversas opções possíveis de serem aplicadas, com vantagens e desvantagens para os dois lados. A escolha depende de vários fatores; alguns desses fatores, principalmente características do caso e cenário econômico, podem ser considerados como parte do
problema e devem ser tratados estatisticamente para a decisão do emprego ou não de poços inteligentes. Outros fatores são específicos para a tomada de decisão, tais como: objetivos da empresa, interesses particulares de cada projeto e aversão ao risco do tomador de decisão. A influência destes fatores no processo de otimização afeta também a decisão de utilizar ou não poços inteligentes.
Palavras Chave: Poços Inteligentes, Capacidade da Plataforma, Incertezas, Risco, Análise de Decisão, Flexibilização, Simulação Numérica de Escoamento.
Abstract
SILVA, João Paulo Quinteiro Gonçalves da. Use of Smart Wells in Petroleum Field
Developments Under Uncertainties. Campinas: Faculdade de Engenharia Mecânica,
Universidade Estadual de Campinas, 2008. 118 pp. Dissertação (Mestrado em Ciências e Engenharia de Petróleo) – Faculdade de Engenharia Mecânica e Instituto de Geociências, Universidade Estadual de Campinas – UNICAMP, 2008.
The selection of a production strategy is one of the most important tasks to ensure success of petroleum fields development. In order to improve the performance of fields, the use of smart wells is becoming a common practice. In such wells, devices like valves and sensors are able to monitor and control the production in real time, adding flexibility to the operation. However, it is possible that the expected gain of these wells production does not pay off the required additional investments.
Recent works compare smart and conventional wells but, generally, the smart wells strategies are optimized heeder, so that they have shown best results; this could yield lack of reliability to the process.
The objective of this work is to develop a production optimization methodology allowing a fair comparison between smart and conventional wells. A methodology of production strategy optimization, which considers the availability of different production capacities, was developed and applied to both the conventional and smart wells. The methodology was applied to a slightly heterogeneous reservoir, considering a deterministic case. As a second step, the impact of uncertainties and heterogeneities on the optimized strategies was studied. Finally, a decision analysis was discussed, considering smart and conventional strategies and platform capacity.
The main objective of the developed methodology was to provide reliability in the optimization process. In the deterministic example with low heterogeneity, the results showed small differences between the two alternatives. However, with the addition of uncertainties and with the increase of the heterogeneity, smart wells presented some advantages.
It was shown, in the process to compare the two wells, that many possible strategies can be applied with advantages and disadvantages to both kind of wells. The differences are generally small and the choice depends on several factors. Some of this factor, especially the characteristic of the case and economic scenario, can be considered as a part of the problem and must be handling statistically. Other factors are specific of the decision-making process, such as: objectives of the company, particular interest of each project and risk aversion from the decision maker. The influence of these factors in the optimization process affects de decision to use or not smart wells.
Keywords: Smart Wells, Platform Capacity, Uncertainties, Risk, Decision Analysis, Flexibility, Reservoir Simulation.
Sumário
Dedicatória ... iv Agradecimentos ... v Resumo ... vi Abstract ... viii Sumário ... xLista de Figuras ... xiii
Lista de Tabelas ... xvi
Nomenclatura... xvii
1 Introdução ... 1
1.1 Estratégia de produção ... 3
1.2 Estratégia de operação de poços inteligentes ... 4
1.3 Poços inteligentes ... 6
1.4 Motivação ... 9
1.5 Objetivos ... 10
2 Fundamentação Teórica ... 11
2.1 Funcionamento de poços inteligentes... 11
2.2 Otimização da estratégia de produção ... 15
2.3 Função-objetivo ... 19
2.3.1 Funções-objetivo técnicas ... 19
Produção de óleo (NP) ... 19
Produção de água (WP) ... 20
Produção de gás (GP) ... 20
Injeção de água (Winj) ... 20
Razão gás-óleo (RGO) ... 20
Corte de água (WCUT) ... 21
2.3.2 Funções-objetivo econômicas ... 21
Valor Presente Líquido (VPL) ... 21
Taxa Interna de Retorno (TIR) ... 22
Retorno sobre Investimento (RSI ou ROI)... 23
Tempo de Retorno (Pay-Back) ... 23
2.3.3 Funções-objetivo considerando incertezas... 23
Risco ... 24 2.4 Incertezas e risco ... 25 2.4.1 Análise de sensibilidade ... 27 2.4.2 Árvore de derivação ... 28 2.4.3 Curva de risco ... 29 3 Revisão Bibliográfica ... 32 3.1 Mapa de qualidade ... 32
3.2 Simulação numérica de escoamento com poços inteligentes ... 33
3.2.1 Controle proativo ... 34 3.2.2 Controle reativo ... 36 3.3 Incertezas e risco ... 39 4 Metodologia ... 41 4.1 Introdução ... 41 4.2 Metodologia geral ... 41 4.3 Premissas ... 42
4.4 Metodologia de otimização da estratégia de produção ... 43
4.5 Análise de incertezas ... 46
Análise de sensibilidade ... 46
Análise de impacto das incertezas... 47
Análise de risco ... 47
5 Aplicação ... 49
5.1 Definição de parâmetros iniciais ... 49
5.1.1 Modelo de simulação ... 49
5.1.2 Parâmetros operacionais ... 52
5.1.3 Modelo econômico ... 53
5.2 Otimização da estratégia de produção ... 54
5.3 Análise de incertezas ... 55
5.3.1 Tipo de óleo ... 56
5.3.2 Canais de alta permeabilidade ... 57
5.3.3 Falhas selantes ... 57
5.3.4 Preço de óleo e custo de produção de água ... 58
5.3.5 TMA ... 59
6 Resultados e Discussão ... 60
6.1 Otimização da estratégia de produção ... 60
Plataforma P1 ... 63 Plataforma P2 ... 67 Plataforma P3 ... 69 Plataforma P4 ... 72 6.1.2 Poços inteligentes ... 74 Plataforma P1 ... 74 Plataforma P2 ... 76 Plataforma P3 ... 77 Plataforma P4 ... 79 6.1.3 Combinação geral ... 81
6.1.4 Comparação das melhores estratégias ... 85
6.2 Análise de incertezas ... 88
6.2.1 Análise de sensibilidade ... 88
Tipo de óleo ... 88
Canais de alta permeabilidade ... 89
Falhas selantes... 91
Preço do óleo e água ... 93
TMA ... 94
6.2.2 Análise do impacto das incertezas ... 94
Análise nas estratégias ótimas gerais – plataforma P3 ... 95
Análise nas estratégias das plataformas P2 e P4 ... 99
6.2.3 Análise de risco ... 103
Variação no preço de óleo e custo de produção de água ... 103
Variação na TMA ... 108 6.3 Discussão ... 110 7 Conclusões e Recomendações ... 111 7.1 Conclusões ... 111 7.2 Recomendações ... 114 8 Referências bibliográficas ... 116
Lista de Figuras
Figura 1.1 – Incremento na produção de óleo dos poços inteligentes comparados aos
convencionais. Fonte: Ajayi et al. (2006) ...7
Figura 2.1 – Esquema de poço inteligente. Adaptado de Konopczynski e Tolan (2007)...11
Figura 2.2 – Fases do processo de otimização. Adaptado de Mezzomo (2005)...17
Figura 2.3 – Exemplo de árvore de derivação ...28
Figura 2.4 – Exemplo de curva de risco. Adaptado de Xavier (2004) ...29
Figura 2.5 – Exemplos de curva de distribuição normal, equivalente à Figura 2.4. Adaptado de Xavier (2004) ...30
Figura 2.6 – Exemplo de curva de risco. Fonte: Xavier (2004)...30
Figura 2.7 – Exemplos de curva de distribuição normal, equivalente à Figura 2.6. Fonte: Xavier (2004) ...31
Figura 4.1 – Fluxograma da metodologia de otimização da estratégia de produção...44
Figura 5.1 – Mapa de permeabilidade de campo (em mD)...50
Figura 5.2 – Curvas de viscosidade e fator volume de formação do gás...51
Figura 5.3 – Curvas de viscosidade e fator volume de formação do óleo ...51
Figura 5.4 – Curva de razão de solubilidade ...52
Figura 5.5 – Curvas de viscosidade e fator volume de formação dos óleos leve e pesado...56
Figura 5.6 – Canais de alta permeabilidade...57
Figura 5.7 – Falhas utilizadas na análise de sensibilidade...58
Figura 6.1 – Mapa de topo do campo. Unidade: metro ...60
Figura 6.2 – Vistas do mapa de topo do campo. Unidade: metro...60
Figura 6.3 – Mapa de qualidade do reservatório...61
Figura 6.4 – Estratégias A e B ...62
Figura 6.5 – Estratégias C e D ...62
Figura 6.6 – Estratégia E...63
Figura 6.7 – VPL das estratégias desenvolvidas para o início do processo de otimização ..64
Figura 6.8 – Evolução do VPL no processo de otimização da plataforma P1...65
Figura 6.9 – Volume de óleo dos modelos no processo de otimização da plataforma P1....66
Figura 6.10 – Estratégia otimizada para poços convencionais e plataforma P1 (EC1) ...67
Figura 6.12 – Volume de óleo dos modelos no processo de otimização da plataforma P2..68
Figura 6.13 – Estratégia otimizada para poços convencionais e plataforma P2 (EC2) ...69
Figura 6.14 – Evolução do VPL no processo de otimização da plataforma P3...70
Figura 6.15 – Volume de óleo dos modelos no processo de otimização da plataforma P3..71
Figura 6.16 – Estratégia otimizada para poços convencionais e plataforma P3 (EC3) ...71
Figura 6.17 – Evolução do VPL no processo de otimização da plataforma P4...72
Figura 6.18 – Volume de óleo dos modelos no processo de otimização da plataforma P4..73
Figura 6.19 – Estratégia otimizada para poços convencionais e plataforma P4 (EC4) ...73
Figura 6.20 – Evolução do VPL na otimização dos poços inteligente para a plataforma P1 ...74
Figura 6.21 – Volume de óleo dos modelos no processo de otimização da plataforma P1..75
Figura 6.22 – Estratégia otimizada para poços inteligentes e plataforma P1 (EI1)...75
Figura 6.23 – Evolução do VPL na otimização dos poços inteligente para a plataforma P2 ...76
Figura 6.24 – Volume de óleo dos modelos no processo de otimização da plataforma P2..77
Figura 6.25 – Evolução do VPL na otimização dos poços inteligente para a plataforma P3 ...78
Figura 6.26 – Volume de óleo dos modelos no processo de otimização da plataforma P3..78
Figura 6.27 – Estratégia otimizada para poços inteligentes e plataforma P3 (EI3)...79
Figura 6.28 – Evolução do VPL na otimização dos poços inteligente para a plataforma P4 ...80
Figura 6.29 – Volume de óleo dos modelos no processo de otimização da plataforma P4..80
Figura 6.30 – Estratégia otimizada para poços inteligentes e plataforma P4 (EI4)...81
Figura 6.31 – Combinação de todas as estratégias otimizadas – poços convencionais...82
Figura 6.32 – Combinação de todas as estratégias otimizadas – poços inteligentes ...82
Figura 6.33 – Todos os modelos simulados no processo de otimização – VPL x Np...84
Figura 6.34 – Todos os modelos simulados no processo de otimização – VPL x Wp ...84
Figura 6.35 – Comparação das produções de óleo e água nos poços inteligentes e convencionais...86
Figura 6.36 – Atuação das válvulas dos poços inteligentes no modelo EI3 ...87
Figura 6.38 – Sensibilidade dos modelos com canais - VPL...89
Figura 6.39 – Sensibilidade dos modelos com canais - Np ...90
Figura 6.40 – Sensibilidade dos modelos com canais - Wp ...90
Figura 6.41 – Posições dos canais e dos poços...91
Figura 6.42 – Sensibilidade dos modelos com falhas - VPL ...92
Figura 6.43 – Sensibilidade dos modelos com falhas - Np...92
Figura 6.44 – Sensibilidade dos modelos com falhas - Wp...93
Figura 6.45 – Análise do impacto das incertezas nas estratégias otimizadas da plataforma P3 - VPL...96
Figura 6.46 – Análise do impacto das incertezas nas estratégias otimizadas da plataforma P3 – Np...97
Figura 6.47 – Análise do impacto das incertezas nas estratégias otimizadas da plataforma P3 – Wp...97
Figura 6.48 – produções de água e óleo dos poços convencionais e inteligentes no modelo 4 ...98
Figura 6.49 – Análise de incertezas nas plataformas P2, P3 e P4 – VPL x Np ...100
Figura 6.50 – VPL, VMEG, desvio-padrão e coeficiente de variação das estratégias ...101
Figura 6.51 – Análise de incertezas nas plataformas P2, P3 e P4 – VPL x Wp ...101
Figura 6.52 – Análise de incertezas nas plataformas P2, P3 e P4 – Wp...102
Figura 6.53 – Análise de incertezas nas plataformas P2, P3 e P4 – VPL x ROI...103
Figura 6.54 – Curvas de risco ...104
Figura 6.55 – VME das estratégias, desvios-padrão e coeficientes de variação dos dados105 Figura 6.56 – VME x coeficiente de variação ...105
Figura 6.57 – VMEGde cada estratégia, para os três cenários econômicos ...106
Figura 6.58 – Produção de água, desvio-padrão e CV nos modelos heterogêneos e base .108 Figura 6.59 – VMEGde cada estratégia, para os três valores de TMA ...109
Figura 6.60 – Diferenças entre VMEGdas estratégias com poços inteligentes e convencionais para diferentes TMA ...109
Lista de Tabelas
Tabela 3.1 – Resultado das otimizações na operação das válvulas. Fonte: Yeten (2003)....36
Tabela 3.2 – Resultados do estudo de Rodriguez e Schiozer (2006)...37
Tabela 3.3 – Comparação entre controle reativo e proativo. Fonte: Kraaijevanger et al. (2007) ...39
Tabela 5.1 – Características do modelo de simulação ...49
Tabela 5.2 – Propriedades PVT dos fluidos ...50
Tabela 5.4 – Condições operacionais dos poços produtores e injetores ...52
Tabela 5.5 – Dados econômicos definidos para o modelo...54
Tabela 5.6 – Plataformas utilizadas na pesquisa...54
Tabela 5.7 – Modelos utilizados no processo de otimizados...55
Tabela 5.8 – Modelos econômicos utilizados na análise de sensibilidade ...58
Tabela 6.1 – Principais alterações feitas no processo de otimização da plataforma P1 ...65
Tabela 6.2 – Resultados das simulações com óleo pesado ...88
Tabela 6.3 – Análise de sensibilidade dos modelos econômicos ...93
Tabela 6.4 – Análise de sensibilidade da TMA ...94
Tabela 6.5 – Nomenclatura utilizada nos gráficos da análise do impacto das incertezas...95 Tabela 6.6 – Média, desvio-padrão e coeficiente de variação dos modelos com incertezas 99 Tabela 6.7 – Resumo da análise de risco: VPL, desvio-padrão e coeficiente de variação .107
Nomenclatura
Letras Latinas
Bg Fator volume de formação do gás m³/m³
Bo Fator volume de formação do óleo m³/m³
Gp Volume acumulado de gás produzido m³
Np Volume acumulado de óleo produzido m³
Rs Razão de solubilidade m³/m³
WCUT Corte de água %
Winj Volume de água injetada m³
Wp Volume acumulado de água produzida m³
xi Resultado possível
Média dos resultados de uma amostra
Letras Gregas
σ Desvio-padrão
µ Viscosidade
Siglas
ANP Agência Nacional de Petróleo
BHP Bottom Hole Pressure(pressão de fundo de poço)
COFINS Contribuição para o Financiamento da Seguridade Social CS Contribuição Social Contribuição Social
CV Coeficiente de Variação
E&P Exploração e Produção na indústria do petróleo
FC Fluxo de Caixa FR Fator de Recuperação
IBP Instituto Brasileiro de Petróleo, Gás e Biocombustíveis IR Imposto de Renda
p Probabilidade
PE Participação Especial
PIS Programa de Integração Social
PVT Análise de óleo, Pressão-Volume-Temperatura RGO Razão Gás-Óleo
ROI Return Over Investiment RSI Retorno Sobre Investimento TIR Taxa Interna de Retorno VE Valor Esperado
VME Valor Monetário Esperado
VMEE Valor Monetário Esperado Econômico
VMEG Valor Monetário Esperado Geológico
VOIS Volume de óleo in situ em condições padrão VPL Valor Presente Líquido
1 Introdução
Um dos principais objetivos de um estudo de reservatório de petróleo é prever seu comportamento com base em parâmetros geológicos, fluidodinâmicos, técnicos e econômicos. Nesta etapa, são definidos parâmetros e equipamentos importantes, como de produção, escoamento e tratamento de fluidos, que perduram por todo o período produtivo do campo. Por isso, a necessidade de se estudar em detalhes as fases iniciais de desenvolvimento de um campo de petróleo, buscando-se sempre otimizar o projeto.
Nas últimas décadas, os avanços nas tecnologias e metodologias de estudo de reservatórios e computacionais vêm tornando o trabalho do engenheiro de reservatórios mais ágil e confiável. Porém, sempre haverá limitações nos projetos relacionadas à produção de petróleo devido às incertezas inerentes ao reservatório, seja nas fases iniciais de exploração ou mesmo em pleno o desenvolvimento do campo.
A prática de prever o desempenho da produção de fluidos está estritamente relacionada às técnicas de análise de risco e redução de incertezas. As incertezas e, conseqüentemente, o risco estão sempre presentes em todas as fases da vida produtiva de um campo devido ao volume insuficiente de informações disponíveis para a construção do modelo, especialmente informações geológicas, e devido a incertezas futuras quanto ao preço do óleo, tecnologia e as taxas governamentais.
Normalmente as incertezas geológicas diminuem ao longo do período de explotação, pois são adquiridas novas informações obtidas dos dados de produção. A minimização do impacto das incertezas é decorrente de informações adicionais, como monitoramento geofísico de reservatórios e sísmica 4D, ou da adição de flexibilidade operacional no gerenciamento de reservatórios (por exemplo, poços ou campos inteligentes1).
1 Os nomes poços e campos inteligentes não são amplamente aceitos, pois o termo “inteligente” pode se
referir a algo mais abrangente que a obtenção de dados de produção e operação remota, características de um poço segmentado completado com válvulas e sensores. Porém, estas são as nomenclaturas utilizadas neste trabalho por serem as mais empregadas por pesquisadores e empresas da área.
Os poços inteligentes têm o potencial de acrescentar valor à produção de um campo pela adição de flexibilidade operacional. Isto porque estes poços são divididos em segmentos que contêm válvulas e sensores capazes de controlar a produção e medir parâmetros como composição e fração dos fluidos produzidos, pressão e temperatura, em tempo real. Podem ser utilizados em projetos com objetivos variados, pois, além de terem o potencial de se adaptar às incertezas presentes no reservatório, possuem também a flexibilidade de serem aplicados em reservatórios com alta heterogeneidade. Seguem alguns exemplos de possíveis utilizações:
• Controle da produção de água ou gás: em casos de reservatórios heterogêneos pode-se isolar uma zona que está produzindo com alta razão água/óleo. Além disso, é possível minimizar efeitos da formação de cones de água ou de gás, através do controle da queda de pressão nos segmentos;
• Produção por diferentes zonas em reservatórios estratificados: é possível perfurar um poço em diferentes camadas isoladas entre si por camadas de baixa permeabilidade em um reservatório estratificado. Assim, pode-se controlar a produção em cada uma dessas camadas de forma independente. Por exemplo, em casos onde um fraco aqüífero não é capaz de manter a pressão adequadamente, é possível interromper temporariamente a produção em uma zona para que a pressão se restabeleça e ocorra um conseqüente aumento na produção;
• Produção de campos marginais: múltiplos reservatórios podem ser produzidos por um único poço ao invés de um poço para cada reservatório, visando reduzir os custos do projeto;
• Controle de injeção: pode-se controlar a distribuição da injeção de água ou gás nas diferentes camadas do reservatório. Esta aplicação se torna ainda mais interessante para poços especiais, como poços horizontais de grande extensão ou poços multilaterais.
Além dos benefícios esperados quanto à produção, os poços inteligentes têm a vantagem de não necessitarem de intervenções de fechamento de completação, muitas vezes necessárias em poços convencionais. Por outro lado, existe a possibilidade de
ocorrência de falhas nas válvulas devido às condições desfavoráveis de alta pressão e temperatura dos reservatórios. Porém, com o desenvolvimento de novas tecnologias, este problema tende a ser minimizado.
Mesmo com essas vantagens e grande variedade de possibilidades de aplicações, os poços inteligentes necessitam de um investimento adicional significativo, pois é provido de dispositivos de medição e controle de influxo. Estudos iniciais, como o de Rodriguez e Schiozer (2006), indicam que, em alguns casos, os benefícios financeiros atingidos são menores que o investimento adicional. Mostrou-se ainda que a diferença entre esses dois valores é, em geral, pequena; daí, a necessidade de se estudar cada caso em particular para que sejam identificadas as reais vantagens e possíveis desvantagens dessa nova tecnologia.
1.1 Estratégia de produção
A escolha de uma boa estratégia de produção é uma das atividades mais importantes para garantir o sucesso da produtividade em campos de petróleo. Esta é uma tarefa complexa por levar em consideração diferentes áreas da engenharia e também devido à grande diversidade de parâmetros possíveis de otimização. O processo todo inclui arranjo e parâmetros de operação dos poços, diâmetros de linhas e colunas, pressão de gas-lift e das bombas de injeção de água, seleção do método de recuperação suplementar, capacidade de produção de óleo e líquido da plataforma, pressão de separação e muitos outros dimensionamentos, que são interdependentes.
Além da grande quantidade de parâmetros para otimização, muitas vezes há também múltiplos objetivos a serem atingidos, como maximizar lucro, maximizar produção de óleo, minimizar exposição ao risco, minimizar produção de água, entre outros. Por isso, não existe uma única solução possível para o problema, mas várias soluções com desempenhos parecidos. Para o desenvolvimento de um campo, deve-se considerar também que as taxas e impostos que incidem sobre cada parte do projeto são diferenciados e até mesmo projetos adjacentes influenciam economicamente aqueles em desenvolvimento.
Este conjunto de possibilidades de parâmetros de otimização e as incertezas inerentes ao modelo impactam de forma expressiva toda a vida produtiva do campo. Por
isto, a definição da estratégia de produção deve ser feita com muito cuidado, buscando-se considerar todas as possibilidades técnicas, econômicas e geológicas para se chegar a uma boa estratégia.
Devido ao grande número de parâmetros envolvidos, o processo de otimização assistido vem ganhando destaque. Este processo consiste na divisão do problema em etapas, realizadas parte manualmente e parte de forma automatizada. A separação de tarefas de controle do sistema é feita pelos profissionais responsáveis pelo problema. Já as tarefas normalmente ligadas a uma otimização com objetivos definidos são feitas automaticamente.
Como exemplo de metodologia de otimização da estratégia, pode-se citar os trabalhos de Schiozer e Mezzomo (2003) e Mezzomo (2005) que propuseram um procedimento para seleção de projetos de desenvolvimento de campos de petróleo sob incertezas. Mais detalhes sobre estes trabalhos são abordados no Capítulo 2 deste texto, pois a metodologia de otimização da estratégia elaborada nesta pesquisa é baseada nos trabalhos citados.
1.2 Estratégia de operação de poços inteligentes
Nos últimos anos, diversos estudos têm sido realizados com o intuito de avaliar a importância do uso de poços inteligentes no cenário atual e futuro da indústria do petróleo. Acredita-se que sua aplicação torna-se bastante atrativa em modelos bastante heterogêneos e também em cenários envolvidos por alto grau de incertezas, pois esses poços têm a flexibilidade de se adaptar às mudanças que essas incertezas podem trazer ao modelo.
O simulador numérico de escoamento é de fundamental importância no estudo de reservatórios, pois é ferramenta necessária para o auxílio a tomadas de decisões, tanto na fase de definição da estratégia de produção quanto durante a explotação do campo. Na etapa de definição da estratégia de produção, utilizando a simulação numérica de escoamento, a estratégia de controle das válvulas dos poços inteligentes pode ser estudada de duas formas diferentes: controle reativo e controle proativo.
Na estratégia de controle reativo, a válvula é acionada após a ocorrência de algum evento na região do segmento que contém a válvula como, por exemplo, chegada de água ou gás. Dessa forma, é possível evitar a produção excessiva de fluidos indesejados em algumas válvulas, privilegiando a produção em outras que apresentam baixa razão água/óleo ou gás/óleo. Neste tipo de estratégia é feita a otimização das condições de operação das válvulas. Assim, faz-se uma busca do melhor valor desta condição (por exemplo, o corte de água) para que se obtenha melhora na função-objetivo escolhida.
Já na estratégia de controle proativo, procura-se agir de forma a evitar que o evento ocorra. A estratégia proativa também é chamada de defensiva, pois com seu uso é possível atrasar a produção de fluidos indesejados. Diferentemente do controle reativo, onde é otimizado o parâmetro de controle de operação das válvulas, no proativo otimiza-se a própria operação das válvulas. Para a busca da melhor configuração é necessário um algoritmo de otimização. Com este algoritmo, são feitas algumas rodadas de simulação para que, ao final de cada rodada, se realize uma análise comparativa e decida-se qual melhor abertura das válvulas.
Normalmente, para se executar o controle proativo, o tempo total de simulação é dividido em vários períodos, de tal maneira que, a cada período, as válvulas tenham a melhor configuração possível, visando sempre melhorar a recuperação do campo para todo o tempo de simulação, bem como a redução na produção de água. Dessa forma a configuração de abertura das válvulas muda com o tempo, ou seja, tem-se como resultado um cronograma fixo de abertura das válvulas.
Porém, para utilizar o controle proativo, é necessário que se tenha segurança no modelo geológico utilizado. Isto porque, como normalmente o modelo é cercado por um alto nível de incertezas, o trabalho despendido para se adotar uma estratégia proativa poderia não ser válido com mudanças nas características do modelo. Por isso, neste trabalho é utilizada a estratégia de controle reativa, por ser esta a forma de controle mais próxima à realidade.
1.3 Poços inteligentes
Os primeiros estudos a respeito de poços inteligentes foram iniciados no ano de 1994. Em 1997, em Saga Snorre TLP no Mar do Norte (Noruega), foi instalado o primeiro poço com completação inteligente. A partir de então, estudos e pesquisas a respeito dessa tecnologia vem ganhando força e destaque nos centros de pesquisas, universidade e na indústria. Atualmente, segundo o IBP2 (Instituto Brasileiro de Petróleo, Gás e Biocombustíveis), existem mais de 200 poços inteligentes em funcionamento no mundo. Dentre essas instalações, podem-se citar alguns exemplos, como os relacionados nos próximos parágrafos.
Em South Furius Field, na Malásia, quatro poços convencionais, já em produção, foram transformados em inteligentes. Três destes poços têm duas regiões de completação, com sensores que coletam e emitem dados à superfície a uma taxa de aproximadamente quatro dados por segundo. Os dados são processados por um algoritmo de controle, que é uma ferramenta de auxílio às tomadas de decisões. Assim, pode-se, por exemplo, abrir ou fechar alguma das válvulas ou ajustar a operação gas-lift através de operação remota.
Em Gullfaks South Statfjord, no Mar do Norte, verificou-se que, após a perfuração dos dois primeiros poços em 1999, a produção estava muito abaixo daquela esperada, cerca de quatro vezes menor. Com a perfuração do terceiro poço em 2001 ocorreu uma produção demasiada de gás. Haugen et al. (2006) explicam que a produção era limitada pela alta heterogeneidade do reservatório, baixa conectividade e produção precoce de gás. Optou-se então por utilizar uma combinação de poços inteligentes com multilaterais, gerando um aumento significativo na produção e no fator de recuperação.
Estudos realizados por Ajayi et al. (2006) provaram a eficiência do uso de poços inteligentes para um caso particular (um campo maduro do Mar do Norte). Litologicamente este reservatório é caracterizado por uma alternância entre estreitas camadas areníticas e camadas de baixa permeabilidade (argilitos). Como as camadas são pouco espessas, seria impraticável a perfuração de mais de um poço para atingir individualmente cada região.
Portanto, foram instaladas cinco válvulas em cada poço, tornando possível a operação não só da produção, mas também da injeção.
Como critério de operação das válvulas utilizou-se a taxa de produção de água. Concluiu-se que a tecnologia de poços inteligentes tem potencial para acelerar a produção, reduzindo custos de intervenção, e para estender o período de produção máxima pré-estabelecida. A partir da Figura 1.1, observa-se o ganho na produção de óleo com o uso de poços inteligentes, comparando-os aos convencionais. Os autores estimaram ainda um crescimento potencial do fator de recuperação de óleo variando de 0,48% a 6,10%.
Figura 1.1 – Incremento na produção de óleo dos poços inteligentes comparados aos convencionais. Fonte: Ajayi et al. (2006)
Em Champion West Field (Brunei) foram instalados, até abril de 2006, sete poços inteligentes com trajetória tortuosa (em forma de onda). Segundo Obendrauf et al. (2006) a experiência com a produção desses poços foi muito positiva, gerando um aumento significativo na produção.
O campo de Na Kika, no Golfo do México, é caracterizado pela existência de cinco pequenos corpos de reservatório e pela geologia carbonática, apresentando sérios problemas de material não consolidado na formação. Portanto, segundo o autor, o desenvolvimento deste campo não seria economicamente viável se não fosse pela
0,92 1,68 3,15 5,44 4,99 3,79 0,49 0,55 0,99 3,40 2,13 1,10 0 1 2 3 4 5 6 0 1 3 6 10 18 In cr e m e n to n a p ro d u çã o d e ó le o (m il h õ e s d e m ³)
Transcorrer do tempo após a água atingir o poço (ano) Análise do granho da produção de óleo
completação inteligente, já que os poços puderam ser completados em regiões de diferentes reservatórios. Stair et al. (2004) concluíram que o uso de poços inteligentes aumentou a produção e a recuperação do campo, além de evitar os problemas de parada da operação devido à produção excessiva de areia.
No Brasil, segundo Silva Jr. et al. (2006), a primeira instalação de um poço inteligente da Petrobras ocorreu em agosto de 2003, com um poço injetor submarino no campo de Marlim, a 1185 m de lâmina d’água. Este poço horizontal é equipado com duas válvulas de variação contínua e seus comandos são totalmente elétricos.
Após o poço em Marlim, foi instalado outro injetor no campo de Roncador, com válvulas de variação contínua. O poço está distante da plataforma em 14,5 km, além de estar localizado a uma lâmina d’água de 1890 m, o que tornou sua utilização desafiadora. Este poço possui comando elétrico, para o sistema de monitoração e controle, e força motriz hidráulica para acionamento das válvulas.
Posteriormente, realizou-se a instalação de um poço produtor no Campo de Bicudo, na Bacia de Campos, com a finalidade de prevenir a produção prematura de gás proveniente da zona superior. Este poço possui válvula hidráulica abre-fecha, trecho horizontal de 1150 m e sensor duplo de pressão e temperatura.
Atualmente, a Petrobras realiza um teste piloto com poços inteligentes no campo de Carmópolis (UN-SEAL), tendo como objetivo o estudo do conceito de campo inteligente. Este teste conta com sete poços, sendo seis produtores, cada um equipado com três válvulas abre-fecha, e um injetor, com três válvulas multiposição.
A aplicação real de poços inteligentes ainda é restrita a alguns casos particulares. Porém, com os estudos e análises realizados pela indústria e centros de pesquisa, além de seus benefícios esperados, como adição de flexibilidade operacional e prevenção de intervenção de altos custos muitas vezes necessária em poços convencionais, acredita-se que a aplicação desses poços se torne cada vez mais comum. Este trabalho tem como objetivo contribuir com este cenário de estudo, sobre a viabilidade do uso de poços inteligentes.
1.4 Motivação
Mesmo com a grande quantidade de benefícios que os poços inteligentes podem proporcionar a um projeto, algumas companhias ainda não sentem segurança em utilizar este tipo de tecnologia. A restrição está ligada principalmente aos altos custos de instalação do sistema e equipamentos, que são compostos por instrumentos de alta tecnologia e precisão, e também a incerteza relacionada à sua real eficiência.
Sabe-se que para dirimir essa insegurança por parte das empresas faz-se necessária uma consolidação das pesquisas sobre o assunto, buscando encontrar uma forma confiável e justa de medir as vantagens e desvantagens dos poços inteligentes, quando comparados aos convencionais. Assim, foi desenvolvida uma metodologia para verificar se os elevados custos desses poços podem ser compensados com o possível aumento de desempenho do sistema nas etapas produtivas.
Outro fator importante a ser considerado é que a diferença entre a completação inteligente e a convencional é, em geral, pequena, pois embora a melhora na produção de óleo e água possa atingir valores significativos, os investimentos são feitos no inicio do projeto e os ganhos se concentram do meio para o final da vida produtiva do campo
Acredita-se que poços inteligentes têm maior vantagem quando as características do reservatório não são bem conhecidas, pois eles acrescentam flexibilidade operacional, podendo adaptar-se a diferentes cenários geológicos. Entretanto, estes ganhos são difíceis de quantificar e as diferenças na produção podem ser pequenas, sendo, por isso, necessário estudar o problema com o máximo possível de detalhes.
Outra motivação importante para o presente trabalho é a possibilidade de comparação não justa entre a tecnologia convencional e inteligente devido a outras limitações ou restrições do sistema de produção. Isto pode ocorrer pois as capacidades de produção de óleo e água, de escoamento e de separação de fluidos escolhidas, assim como outras restrições operacionais, podem influenciar a seleção da opção. Até mesmo a função-objetivo do estudo pode ser determinante na escolha.
1.5 Objetivos
O objetivo principal deste trabalho é desenvolver uma metodologia para estudar a viabilidade do uso de poços inteligentes, possibilitando uma comparação justa entre o desempenho desses poços e os poços convencionais. Também, pretende-se compor um caso de estudo com incertezas para verificar o comportamento da produção para ambas as opções de poços.
2 Fundamentação Teórica
Neste capítulo, são abordados alguns conceitos importantes para o entendimento das etapas do trabalho. Conceitos sobre funcionamento dos poços inteligentes, função-objetivo, otimização da estratégia de produção e incertezas e risco.
2.1 Funcionamento de poços inteligentes
Uma das principais características de um poço inteligente é a flexibilidade operacional. Isto é possível devido à divisão desses poços em segmentos, que são providos de instrumentos (sensores, válvulas de controle de influxo, entre outros) possibilitando o acesso a informações de produção e realização de intervenções, como fechamento total ou parcial de válvulas, em tempo real. A Figura 2.1 ilustra um poço inteligente com seus principais componentes.
De acordo com Silva Jr. et al. (2006), são elementos de um poço inteligente: sensores permanentes, packers, válvulas, unidade de controle remoto, cabos, conectores, penetradores, clamps e sistema de supervisão. A explicação de cada componente de um poço inteligente, apresentada neste item, é baseada no trabalho de Silva Jr. et al. (2006).
Os sensores têm papel fundamental em um poço inteligente, pois fornecem os dados da produção em tempo real. Atualmente os sensores são a fibra ótica, sendo que os de maior relevância são:
• sensor de pressão e temperatura (P/T); • sensor de vazão monofásica e multifásica;
• sensores distribuídos e quase distribuídos de temperatura; • acelerômetro para sísmica de poço.
Na Figura 2.1, é indicado um PDG (permanent downhole gauge) - Sensor Permanente de Fundo - que é classificado como sensor pontual por possuir apenas um ponto de leitura da variável de processo escolhida para monitoração, normalmente a pressão. Além dos sensores pontuais, devem ser considerados ainda os sensores distribuídos e os quase distribuídos.
Quanto ao packer, sua principal função é isolar hidraulicamente cada zona produtora ou injetora do poço, de maneira que as zonas possam ser controladas independentemente. Especificamente para poços inteligentes, o packer superior da coluna de completação tem também a função de ancorar a coluna e de criar a primeira barreira de segurança para o anular. Além disso, os packers utilizados para completação inteligente diferenciam-se dos packers convencionais por apresentarem orifícios que possibilitam a passagem de linhas de controle, sejam elas linhas hidráulicas, elétricas ou ópticas.
As válvulas utilizadas em poços inteligentes podem ser classificadas em três categorias, de acordo com o tipo de controle de fluxo: abre-fecha, multiposição e variação contínua. Também, podem ser classificadas de acordo com seu modo de acionamento como: hidráulico, elétrico e multiplexado.
Válvulas de acionamento hidráulico são as mais comuns e mais utilizadas. O acionamento é feito por meio de duas linhas hidráulicas, uma responsável pela abertura e outra pelo fechamento da válvula. Já as elétricas têm seu deslocamento realizado pela atuação de motor elétrico. É necessária apenas uma linha de acionamento elétrica para conduzir um sinal que é decodificado pelas válvulas. Por fim, as válvulas de acionamento multiplexas têm seu comando feito eletricamente e seu acionamento hidraulicamente.
Quanto ao tipo de controle de fluxo as válvulas abre-fecha possuem apenas dois estágios: totalmente abertas ou totalmente fechadas. Normalmente, em um projeto de simulação, estipula-se um valor limite de corte de água no qual, a partir desse valor, a válvula será fechada para evitar a produção excessiva de água. É possível que haja verificações periódicas das condições do reservatório, como saturação de óleo na região do poço, para estudar a possibilidade de reabertura de alguma válvula.
As válvulas multiposição, como o próprio nome deixa claro, possuem diversos estágios de abertura. A cada acionamento da válvula, seu mecanismo controlador muda uma posição seqüencialmente, o que permite uma diminuição ou aumento seqüencial da área aberta ao fluxo. Já nas válvulas de variação contínua é possível conseguir um controle infinitesimal da área de abertura ao fluxo. Logo, seu controle é o mais flexível entre as três válvulas aqui apresentadas.
Para que seja possível o acionamento das válvulas hidráulicas, faz-se necessária a utilização de uma unidade de controle remoto, a unidade de potência hidráulica (hydraulic power unit – HPU). Esta unidade é responsável por pressurizar um fluido até um determinado valor (normalmente em torno de 5000 psi), utilizando uma bomba hidráulica. Com o fluido pressurizado é possível promover o acionamento das válvulas do poço por meio do controle da abertura e fechamento das linhas pressurizadas e das despressurizadas.
Os cabos utilizados no sistema de monitoração são componentes essenciais para garantir o sucesso das instalações. Portanto, eles devem ter proteção contra agentes químicos e mecânicos.
Para garantir que os cabos desçam com segurança à coluna de produção e lá permaneçam em condições aceitáveis de conservação é necessária a utilização de clamps -dispositivos que se prendem à coluna fixando o cabo a esta, protegendo-o de eventuais choques com o revestimento.
Com o objetivo de fazer a conexão dos sensores aos cabos são utilizados os conectores. Existem três tipos de conectores usados em poços de petróleo: secos, comuns e molhados.
Os conectores tipo seco são aqueles que estão na superfície no momento da conexão e da desconexão. Para o caso de condições menos severas de agressividade como, por exemplo, poços terrestres, podem ser utilizados conectores comuns (usados em comunicação) com uma proteção mecânica externa. Já para poços com completações inteligentes são necessários conectores secos, que são montados na superfície para interligar os sensores entre as zonas durante a descida da coluna.
Para completação submarina devem-se utilizar conectores molhados. Com estes dispositivos é possível realizar, por meio de uma barreira de pressão, a conexão e a desconexão em ambientes submerso sem expor os ferrolhos (peças responsáveis pelo contato) ao risco de exposição ao ambiente.
Para que o sinal possa atravessar o suspensor de coluna é necessário um penetrador, que tem a função de impedir a passagem de pressão. Um penetrador é um componente provido de conectores em ambos os lados, com um condutor (ou fibra óptica) passando através dele e com vedação, também em ambos os lados, para garantir sua estanqueidade.
Os elementos citados nos parágrafos anteriores são componentes de um poço inteligente; porém, sabe-se que estes poços disponibilizam um grande volume de informações, em tempo real. Com o objetivo de reunir estas informações de monitoração das completações e dos poços é necessário que se disponha de um sistema de supervisão. Este sistema tem como objetivo reunir e integrar uma equipe de trabalho multidisciplinar para que se tomem as melhores decisões possíveis, sempre considerando as limitações e contribuições das diversas áreas envolvidas no projeto.
A principal diferença entre poços inteligentes e convencionais está relacionada ao controle da produção e as informações relacionadas. Enquanto nos poços convencionais as informações coletadas e as intervenções são normalmente referentes ao poço como um todo, nos poços inteligentes essas informações e as intervenções são relativas a cada segmento do poço que contém as válvulas e sensores. Isto significa que é possível operar um poço inteligente com maior flexibilidade.
Exemplificando, quando a produção de água do poço atinge o limite econômico estabelecido, o poço convencional é completamente fechado. Já em um poço inteligente, as completações são fechadas de forma seqüencial à medida que os medidores de vazão de cada segmento atingem a condição limite pré-estabelecida.
Além disso, um poço inteligente é capaz separar fluidos indesejáveis in-situ e controlar a produção de areia em formações inconsolidadas. Devido a sua adaptabilidade operacional, pode-se transformar um poço convencional em inteligente mediante a instalação de equipamentos adequados, eliminando a necessidade da perfuração de novos poços. Também, é possível que, com o uso desses poços, evitem-se gastos de intervenção para fechamento de completações com elevada produção de água, atividade comum em poços convencionais. Esta pode ser uma vantagem dos poços inteligentes desde que suas válvulas operem com boa confiabilidade e não sejam necessárias intervenções futuras. Com o desenvolvimento de novas tecnologias, as chances de falhas em válvulas de poços inteligentes tendem a diminuir.
Reddick (2006), em sua pesquisa a respeito de um campo em particular, acredita que, em longo prazo, a tecnologia de poços inteligentes tem o potencial de aumentar em aproximadamente 5% recuperação do campo estudado. Unneland e Hauser (2005) afirmam que essa tecnologia permite otimização da produtividade, aumentando a recuperação do campo.
2.2 Otimização da estratégia de produção
A otimização da estratégia de produção (especificamente considerando a área de reservatório: posicionamento, número e cronograma de entrada de poços, cotas de produção
e injeção por intervalo, entre outros) pode ser aplicada para se alcançar diferentes objetivos. Um desses objetivos é o desenvolvimento de uma estratégia adequada para a aplicação em projeto de desenvolvimento de reservatórios, ou seja, definição da estratégia inicial. Pode-se também otimizar a estratégia de campos maduros, com o objetivo de melhorar a produção futura e conseqüentemente o lucro do projeto. Outro objetivo pode ser a utilização de um procedimento detalhado de otimização, para a obtenção de resultados o mais precisos possível, a fim de apoiar análises de decisões complexas.
Para a escolha da estratégia de produção, é fundamental a consideração de fatores que influenciam diretamente no resultado do processo e nas tomadas de decisão. Alguns desses fatores são:
• Características do reservatório: volume e tipo de hidrocarbonetos presentes, dimensões, forma e propriedades da rocha reservatório, conectividade hidráulica do meio poroso, produtividade/injetividade esperada dos poços, presença de aqüífero, incertezas geológicas etc.;
• Considerações técnicas: lâmina d’água, viscosidade do óleo, necessidade de recuperação suplementar etc.;
• Limitações tecnológicas: capacidades de produção e injeção dos poços, eficiência do sistema de elevação, capacidade de tratamento de líquidos na plataforma etc.; • Considerações econômicas: custos de poços e de instalações, disponibilidade de
caixa da empresa, metas de lucratividade, incertezas econômicas etc.
Além dos fatores citados acima, é necessário levar em consideração que o processo de escolha de uma boa estratégia de produção, a depender do caso, pode ser inviável ou conduzir a várias soluções equivalentes devido à complexidade do problema e à interdependência entre os fatores que definem o desempenho produtivo de um reservatório. Por isso, é importante o desenvolvimento de metodologias e processos de otimização que consigam abranger cenários com diferentes características, ou seja, métodos que levem em consideração todas as variações e limitações dos principais fatores que afetam a produção do campo e, conseqüentemente, o lucro do projeto.
Schiozer e Mezzomo (2003) e Mezzomo (2005) propuseram um procedimento de otimização da estratégia de produção. Este procedimento foi organizado em nove fases (Figura 2.2) que são executados para selecionar múltiplas soluções para cada fase até a etapa final do processo, que seleciona apenas uma estratégia, aquela que deve ser implantada.
Figura 2.2 – Fases do processo de otimização. Adaptado de Mezzomo (2005)
A seguir são apresentadas resumidamente as fases da metodologia, que na Figura 2.2 são representadas pelos números, enquanto as letras representam as estratégias disponíveis. Nota-se que a quantidade de estratégias vai se tornando menor conforme a seqüência das fases da metodologia, efeito representado pelo funil. A cada fase, a intenção não é escolher a melhor alternativa, mas sim eliminar os piores esquemas para que se dê seqüência à metodologia com boas alternativas. A metodologia prevê ainda flexibilidade para juntar fases ou realizar apenas parte do processo, dependendo dos objetivos do projeto.
A primeira fase consiste na definição do método de recuperação (injeção de água, gás, química ou térmica) e da geometria e trajetória dos poços (vertical, horizontal, direcional, multilateral). A segunda é a avaliação de esquemas de injeção e produção, onde é escolhido um número aproximado de produtores e injetores, quantidade melhorada na execução da Fase 3.
A quarta fase é utilizada para definir parâmetros observando as restrições operacionais dos poços que compõem cada alternativa disponível no projeto. Para a otimização desses parâmetros, leva-se em consideração as restrições técnicas, associadas especialmente aos investimentos e custos definidos para cada alternativa. O método de análise de risco (Fase 5) deve proporcionar uma quantificação adequada dos riscos considerados na elaboração do projeto, de forma a possibilitar a aplicação de uma metodologia de análise de decisão (Fase 6).
As últimas fases são para o refinamento de parâmetros (como comprimento dos poços, espaçamento entre completações, correções nos posicionamentos dos poços, corte de água etc.) do modelo escolhido na análise de decisão, objetivando sua melhora. Normalmente, nestas fases, é estudada e alterada somente uma alternativa, especialmente quando o campo já está em produção.
A metodologia apresentada serviu de base para o processo de elaboração da metodologia desta pesquisa, que é enfocada principalmente nas Fases 2 a 6. Os principais parâmetros estudados são a influência da capacidade da plataforma, arranjo dos poços, restrições operacionais e estudo de incertezas. Mais detalhes e considerações a este respeito são abordados no capítulo referente à metodologia do trabalho.
Quanto à automatização de processos, a otimização de estratégia de produção pode ser dividida em três categorias: manual, automatizado e assistido. O processo manual requer uma metodologia bem definida. A alteração de alguns parâmetros, como a busca do número e posicionamento de poços, é baseada em índices técnicos e econômicos do reservatório e, em alguns casos, o processo é feito basicamente por tentativa e erro. Por isso, é importante que a otimização manual seja executada por profissionais experientes.
O processo automatizado é totalmente feito por programas computacionais. Somente carregam-se os dados necessários no programa de otimização e estabelecem-se alguns limites e restrições técnicas e operacionais para que se chegue à estratégia final.
Por fim, no processo chamado de assistido parte da otimização é feita manualmente e parte é automatizada. Neste tipo de otimização, pode-se, por exemplo, utilizar um programa para a busca aproximada do número e posicionamento dos poços e, em seguida, fazer um ajuste manual mais refinado, baseado na experiência do profissional que está realizando a otimização.
No presente trabalho a otimização é realizada manualmente, seguindo uma metodologia de trabalho bem definida e criteriosa, para não privilegiar nem poços convencionais nem inteligentes, mas sim realizar uma comparação justa entre as opções.
2.3 Função-objetivo
Para a realização de estudos como seleção de estratégia de produção e análise de sensibilidade e incertezas é necessário que se disponha de, ao menos, uma função-objetivo. A função-objetivo é um indicador de produção e/ou econômico que tem seu comportamento observado durante o estudo em questão, a fim de auxiliar as tomadas de decisão. Podem-se dividir as funções-objetivo em três classes: técnicas, econômicas e considerando incertezas. A seguir são apresentadas algumas funções-objetivo de cada classe.
2.3.1 Funções-objetivo técnicas Produção de óleo (NP)
Representa o volume acumulado de óleo produzido, em condições de superfície de pressão e temperatura. A produção de óleo é um dos principais indicadores observados em um projeto de desenvolvimento de campos de petróleo, já que se deseja, sempre que possível, recuperar o máximo de óleo do reservatório.
Produção de água (WP)
É a produção acumulada de água medida em condições de superfície. A água produzida pode ter origem de aqüíferos (que podem estar adjacentes às formações portadoras de hidrocarbonetos) ou pode ser proveniente do processo de injeção. Especialmente por questões ambientais e pelas dificuldades em se tratar a água nas plataformas, recentemente tem-se dado importância significativa a este indicador, buscando-se formas de reduzir a produção de água.
Produção de gás (GP)
É o volume acumulado de gás produzido, em condições de superfície de pressão e temperatura. O gás produzido pode ser proveniente de capa de gás, de processo de injeção, especialmente em reservatórios de óleo pesado, além do próprio gás dissolvido no óleo, que pode se formar ainda dentro do reservatório, quando sua pressão fica abaixo da pressão de bolha.
Injeção de água (Winj)
A injeção de água tem o objetivo de deslocar o óleo existente no reservatório em direção aos poços produtores. Este é um método de recuperação secundária, empregado quando a pressão do reservatório torna-se insuficiente para produzir o óleo naturalmente. Além da injeção da água existem outros tipos de fluidos que podem ser injetados, tais como polímeros, espumas, tensoativos, gás etc. Deseja-se sempre encontrar uma boa estratégia e um valor de vazão ótimo de injeção para que não se incorra em gastos desnecessários.
Razão gás-óleo (RGO)
Este indicador representa a razão entre a produção de gás e a produção de óleo, ambas medidas em condições de superfície. Devem-se buscar meios de evitar o aumento da RGO, pois a produção excessiva de gás pode prejudicar a produção de óleo.
Corte de água (WCUT)
É a relação entre a produção de água e produção total de líquidos, medidos em condições de superfície. Encontrar seu valor ótimo é importante para melhorar o desempenho da produção de óleo. Isto porque a produção de água prejudica a de óleo, já que normalmente a mobilidade da água é maior.
2.3.2 Funções-objetivo econômicas Valor Presente Líquido (VPL)
O valor presente líquido (VPL) é considerado uma das principais funções-objetivo em projetos de desenvolvimento de campos de petróleo, pois leva em consideração todas as despesas e receitas oriundas da produção, além de custos fixos, impostos e depreciação dos bens do projeto. É calculado pela soma dos valores do fluxo de caixa trazidos ao instante zero pelo uso de uma taxa de desconto. Basicamente é o cálculo de quanto estariam valendo atualmente as futuras receitas somadas aos custos iniciais e futuros. Logo, o VPL pode ser representado pela seguinte equação:
(
)
∑
= + = n j j j i FC VPL 1 1 (2.1) onde,FCj= fluxo de caixa do projeto no período j considerado; i= taxa de desconto;
j= período considerado;
n= período final (número total de períodos).
Para a construção do fluxo de caixa devem ser consideradas as seguintes receitas e custos: receitas da venda de óleo e gás; custos de produção das fases do fluido; custos de injeção; investimentos no campo nas etapas da exploração e avaliação, custo de descomissionamento e pode ser considerada também a depreciação dos bens do projeto. Além disso, ocorre a incidência dos seguintes impostos, tributos e contribuições:
• Impostos incidentes sobre o lucro: Imposto de renda (IR); Contribuição social (CS); • Impostos incidentes sobre a produção:
Royalties;
Programa de integração social (PIS);
Contribuição para o financiamento da seguridade social (COFINS).
Existe ainda a Participação Especial (PE) que, segundo o Art. 21 do Decreto nº 2.705 (1998) da ANP, “constitui compensação financeira extraordinária devida pelos concessionários de exploração e produção de petróleo ou gás natural, nos casos de grande volume de produção ou de grande rentabilidade”.
A taxa de desconto a ser considerada no cálculo do VPL é a taxa mínima de atratividade (TMA). Esta depende de vários parâmetros financeiros, como por exemplo, o próprio perfil da carteira de projetos e a origem do capital a ser investido (se próprio ou captado no mercado).
O VPL é indicado para comparar alternativas para as quais estejam definidos custos e receitas diferenciadas. Para o caso de otimização da estratégia de produção, a maximização do VPL depende do cenário econômico que influenciará o planejamento da estratégia. Se o preço do óleo está alto, pode-se conseguir um bom VPL com o aumento da recuperação do óleo, mesmo que demande maiores investimentos e custos. Por outro lado, com um preço de óleo baixo pode ser necessária a diminuição de custos através da redução de produção, injeção de água ou número de poços, mesmo que resulte em uma menor produção de óleo.
Taxa Interna de Retorno (TIR)
A Taxa Interna de Retorno (TIR) é a taxa de juros aplicada para descontar o fluxo de caixa para o tempo inicial de tal forma que o VPL resultante seja nulo. A TIR pode ser utilizada como indicador da atratividade de um projeto, a partir de sua comparação com as
TIR de outros projetos ou com uma taxa mínima de atratividade. Este índice representa a rentabilidade do projeto, pois quanto maior a TIR, maior o lucro.
Retorno sobre Investimento (RSI ou ROI3)
O ROI pode ser definido como a razão entre o VPL final e o VPI (Valor Presente de Investimento) de um projeto. Normalmente, valores de ROI em torno de 0,5 são considerados aceitáveis pela indústria, porém quanto maior o ROI melhor o projeto. Seu valor pode resultar abaixo da unidade, pois no VPL já são considerados os investimentos. Assim como a TIR, este índice também representa a rentabilidade do projeto.
Tempo de Retorno (Pay-Back)
É o tempo necessário para se recuperar o investimento inicial realizado. Este índice representa a liquidez do projeto, ou seja, se o lucro virá cedo ou não. Em um gráfico de VPL, o tempo de retorno é atingido quando a curva intercepta o eixo da abscissa.
2.3.3 Funções-objetivo considerando incertezas
Quando em um estudo de reservatório são consideradas incertezas, tem-se não somente um modelo determinístico, mas um conjunto de cenários possíveis. A cada cenário é associada uma probabilidade de ocorrência, obtida em decorrência do nível de incerteza daquele modelo. É necessário que esses possíveis cenários sejam considerados nas funções-objetivo do estudo, como é o caso dos cálculos do VME e do Risco, explicados a seguir.
Valor Monetário Esperado (VME)
Para entender o conceito de valor monetário esperado (VME) é necessário antes conhecer o que é o valor esperado (VE). O produto da probabilidade de ocorrência de um resultado pelo valor condicional desse resultado (expresso normalmente por valor presente, VP) é denominado valor esperado. Porém, quando o VE é expresso em termos de VPL, o VE é chamado de Valor Monetário Esperado. Logo, o VME de um projeto é definido como
o somatório dos VPL dos cenários considerados ponderados pelas suas respectivas probabilidades de ocorrência:
∑
= ⋅ = n i i i VPL p VME 1 (2.2) onde,p= probabilidade de ocorrência do cenário possível i, VPL= valor presente líquido de cenário possível i, n = número de cenários possíveis e
∑
= = n i i p 1 1.O VME pode ser utilizado como função-objetivo em projetos de otimização da estratégia de produção de modelos contendo incertezas. Neste caso, busca-se a estratégia de produção com o maior VME, o que representa a melhor estratégia, segundo este critério, considerando todos os cenários disponíveis no estudo. Para o cálculo deste indicador, é necessária a construção da árvore de derivação, explicada nas próximas seções deste capítulo.
Neste trabalho, o VME é chamado de formas diferentes, a depender do objetivo da análise que está sendo feita e dos cenários econômicos e geológicos considerados. Isto é explicado no Capítulo 4.
Risco
Existem diversas formas de se calcular o risco de um projeto. Para isto, é necessário utilizar as medidas de dispersão das curvas de distribuição de probabilidades (ou de freqüências). Estas curvas são montadas com os dados de VPL e probabilidade de ocorrência de cada modelo. Dentre as formas de cálculo do risco existentes destacam-se as seguintes: cálculo da amplitude, amplitude entre determinados percentis, desvio médio, desvio-padrão, coeficiente de variação, entre outros. Neste texto é utilizado o desvio-padrão e o coeficiente de variação.
O desvio-padrão (σ) é uma medida de dispersão dos resultados de uma amostra que é calculado pela seguinte expressão:
= − × (2.3) onde, xi= resultado possível i
= média de todos os resultados possíveis fi= freqüência de um resultado possível n= número de resultados possíveis i= índice que varia de 1 a n.
Já o coeficiente de variação, segundo Hayashi (2006), é uma medida de dispersão relativa. É útil quando são comparados dois conjuntos de dados cujas médias são muito diferentes ou para comparar conjuntos de unidades distintas. O coeficiente de variação é a razão entre o desvio-padrão e a média da amostra, conforme equação abaixo.
= (2.4)
2.4 Incertezas e risco
Um projeto de exploração e produção de petróleo (E&P) é cercado por uma grande quantidade de incertezas que invariavelmente afetam as decisões e o orçamento do projeto. Estas incertezas são oriundas principalmente das premissas econômicas, do modelo geológico e de fluido e das limitações tecnológicas.
O cenário econômico está sujeito a constantes variações, seja por impactos de cunho político, financeiros ou econômicos da empresa, do país e do mercado internacional. Nunca se sabe qual será, por exemplo, a variação do preço do óleo durante a vida útil de um projeto. Logo, o preço do óleo é uma incerteza econômica, bem como a taxa mínima de atratividade (TMA). Estas variáveis devem sempre ser atualizadas no projeto.
Já as incertezas geológicas estão presentes em projetos de exploração e produção pela impossibilidade de se adquirir conhecimento total das características do reservatório. Na fase de exploração e avaliação de um campo, são obtidos poucos e esparsos dados diretos e muitos dados indiretos. Com isso, alguns parâmetros do reservatório não podem ser determinados com precisão, como volume de óleo in situ, continuidade, extensão e atuação das falhas, anisotropias etc. As incertezas geológicas são passíveis de se tornarem pouco influentes com a aquisição de grande quantidade de informações, o que se torna inviável devido aos altos investimentos. Logo, existe a necessidade de se considerar essas incertezas no projeto e tratá-las de forma apropriada para que se façam previsões o mais confiáveis possível.
As incertezas tecnológicas diminuem conforme a melhora das ferramentas de modelagem e simulação de reservatórios, a evolução técnica de tratamento de dados e o desenvolvimento de equipamentos mais confiáveis. Essas incertezas estão relacionadas, por exemplo, a falhas nos equipamentos ligados à produção como sensores de poços, válvulas de poços inteligentes etc.
Certamente, a grande possibilidade de ocorrência de incertezas implica risco ao projeto. Conseqüentemente, o processo de tomada de decisão deve ser um procedimento probabilístico e não determinístico. A análise do risco nas previsões de produção permite uma melhor valoração e classificação de uma carteira de projetos de produção, dimensionamento dos equipamentos de produção, otimização dos planos de desenvolvimento, gerenciamento de um campo já desenvolvido e a estimativa probabilística de reservas.
Existem diversas maneiras de quantificar o risco de um projeto, conforme explicado na seção anterior. Nesse processo de quantificação é necessário combinar cenários
