Quanto tempo vai levar perfurar este poço? Como simulação e redes neurais ajudam a medir o risco no petróleo em águas profundas

Perfurar um poço de petróleo em águas profundas é uma das operações mais caras da engenharia. As sondas são alugadas por dia, e o tempo gasto em perfuração e completação responde por 70% a 80% do custo final do poço. Por isso, uma pergunta vale milhões: quanto tempo este poço vai levar, e qual a chance de levar muito mais do que o previsto?

Essa pergunta está no centro do artigo "Risk Assessment of Drilling and Completion Operations in Petroleum Wells Using a Monte Carlo and a Neural Network Approach", que tem como primeiro autor Dennis Kerr Coelho, CTO e fundador da Palmsoft, na época mestrando em Ciência da Computação na UFSC. Feito em parceria com o CENPES, o centro de pesquisas da Petrobras, o trabalho foi apresentado na Winter Simulation Conference 2005, um dos principais encontros internacionais da área de simulação, e publicado pelo IEEE.

Um poço é construído em fases. A sonda perfura a rocha, o poço é revestido e cimentado, e a perfuração avança em diâmetros cada vez menores até chegar ao reservatório. Depois vem a completação, a instalação das válvulas e da coluna de produção que permitem extrair o petróleo com segurança durante toda a vida útil do poço.

Se tudo corre bem, o tempo total é curto, mas a realidade raramente colabora. O conhecimento sobre a geologia é limitado, há dificuldades técnicas e o comportamento humano nem sempre é previsível. Um kick (uma bolsa de gás que invade o poço), a perda de circulação do fluido de perfuração ou o colapso das paredes podem gerar dias de atraso, aumentar custos, reduzir a produção ou até levar à perda do poço. É dessa constatação que nasce o ponto central dos autores: o tempo de um poço não deve ser previsto como um número único, e sim como uma distribuição de probabilidades. Para chegar a essa distribuição, a pesquisa testou dois caminhos.

A forma tradicional de decidir sob incerteza é a simulação de Monte Carlo, e a equipe desenvolveu para isso uma ferramenta própria, a E&P Risk. Nela, o analista busca no banco de dados corporativo o tempo histórico de cada operação, ajusta uma distribuição estatística para cada uma e deixa o simulador sortear milhares de cenários possíveis para o poço inteiro.

No caso estudado, com 2.000 repetições, o poço levaria em média 1.401 horas, cerca de 58 dias de sonda, com desvio-padrão de 91,3 horas. Nos extremos, os cenários foram de 1.131,7 a 1.701,3 horas. Em vez de um único número, o gestor recebe um histograma de exposição ao risco, com percentis como o P90, o tempo que tem 90% de chance de não ser ultrapassado.

O segundo caminho partiu dos poços já perfurados. A base da Petrobras usada na pesquisa tinha cerca de 3.100 registros, com 37 campos cada, sobre operações de perfuração e completação, e um dos maiores desafios foi descobrir o que de fato se relacionava com o tempo das operações. Depois de vários experimentos, ficaram oito campos. O tipo de operação distingue perfuração exploratória, perfuração de produção, completação ou manutenção, enquanto o fluido do poço (gás ou óleo) e o tipo de poço (produtor ou injetor) descrevem sua finalidade. O afastamento lateral do objetivo, a distância horizontal entre a sonda e o reservatório, aumenta o risco, e a lâmina d'água indica a profundidade do mar no local. Completam a lista o campo de petróleo, que revela o tipo, a dureza e a espessura das rochas, o tipo de sonda, ligado ao nível tecnológico exigido, e a profundidade final, que se relaciona ao número de fases do poço.

Com esses dados, a primeira tentativa foi treinar uma rede neural comum para prever o tempo total, separando os casos por tipo de operação. O desempenho foi muito limitado, e o motivo apareceu logo: havia uma variabilidade enorme no tempo, mesmo entre poços extremamente parecidos e até no mesmo poço. Essa variabilidade não era um defeito da base, e sim o próprio risco da operação. Uma rede neural convencional, que devolve só uma média, escondia do usuário o quanto aquela resposta era confiável.

Para que o risco aparecesse no resultado, a equipe criou uma arquitetura neural híbrida que trabalha em três etapas encadeadas. Primeiro, uma rede neural competitiva, de aprendizado não supervisionado, agrupa os poços com características semelhantes, o que também permite classificar um poço que a rede nunca viu. Em seguida, uma rede neural feedforward, treinada com backpropagation, recebe o grupo do poço e os demais parâmetros e estima o tempo total, o tempo médio do grupo e o seu desvio-padrão. Por fim, um neurônio probabilístico usa essa média e esse desvio para rodar uma simulação interna e desenhar a distribuição do tempo, mostrando o risco embutido naquele poço.

No teste com perfuração exploratória, a rede foi treinada com 171 casos e validada com outros 57, distribuídos em 15 grupos. Para poços semelhantes, ela apontou um tempo médio de cerca de 1.543 horas, com desvio-padrão de 370 horas.

Faltava ver se os dois métodos conversavam. A estimativa da rede neural foi então posicionada dentro da distribuição gerada pelo Monte Carlo, para responder a uma pergunta prática: qual o risco de o poço levar mais do que este tempo? O resultado foi animador, porque o tempo estimado pela rede ficou dentro do intervalo do Monte Carlo, muito próximo do percentil P90. Dois caminhos diferentes, um baseado no tempo de cada operação e outro no perfil geológico, tecnológico e geométrico do poço, chegaram a respostas coerentes.

Essa coerência traz duas lições. A primeira é que, em decisões de alto risco, a incerteza faz parte da resposta. Saber que um poço deve levar cerca de 1.400 horas é útil, mas saber também a chance de passar de 1.500 ou 1.700 horas é o que permite planejar o aluguel de sondas e o orçamento com segurança.

A segunda é sobre confiança. Os autores lembram que muita gente desconfia de resultados de simulação simplesmente porque não entende a técnica, e usar dois métodos independentes e mostrar que eles concordam é uma forma poderosa de validar os números e convencer quem precisa decidir. Ainda assim, os próprios pesquisadores destacam que a rede neural não substitui a simulação nem a análise qualitativa de riscos, e sim as complementa. Como próximos passos, eles apontaram testar a técnica em mais casos e medir a melhoria contínua do desempenho à medida que uma mesma equipe perfura novos poços do mesmo tipo.

Para acompanhar mais conteúdos sobre dados e inteligência artificial, siga a Palmsoft no Instagram: @palmsoft_.

Referências:

• COELHO, D. K.; ROISENBERG, M.; FREITAS FILHO, P. J.; JACINTO, C. M. C. Risk Assessment of Drilling and Completion Operations in Petroleum Wells Using a Monte Carlo and a Neural Network Approach.Proceedings of the 2005 Winter Simulation Conference, IEEE, 2005, p. 1892-1897. DOI 10.1109/WSC.2005.1574466