| Summary: | Submitted by Israel Vieira Neto (israel.vieiraneto@ufpe.br) on 2015-03-05T17:50:57Z
No. of bitstreams: 2
Dissertação Júlio Hoffimann Mendes.pdf: 10096156 bytes, checksum: 5b0587f24e368bb11970a042409dfda8 (MD5)
license_rdf: 1232 bytes, checksum: 66e71c371cc565284e70f40736c94386 (MD5) === Made available in DSpace on 2015-03-05T17:50:57Z (GMT). No. of bitstreams: 2
Dissertação Júlio Hoffimann Mendes.pdf: 10096156 bytes, checksum: 5b0587f24e368bb11970a042409dfda8 (MD5)
license_rdf: 1232 bytes, checksum: 66e71c371cc565284e70f40736c94386 (MD5)
Previous issue date: 2014-05-28 === PETROBRAS === Em Engenharia de Petróleo e outras áreas da ciência, Mitigação de Incertezas baseada
em Histórico (MIH) é o termo moderno usado por especialistas ao se referirem
a ajustes contínuos de um modelo matemático dadas observações. Tais ajustes
tem maior valor quando acompanhados de diagnósticos que incluem intervalos
de confiança, momentos estatísticos, e idealmente caracterização completa das distribuições
de probabilidade associadas.
Neste trabalho, o bastante conhecido problema de ajuste ao histórico em campos
de petróleo é revisado sob uma perspectiva Bayesiana que leva em consideração
toda possível fonte de incerteza teórica ou experimental. É uma aplicação direta
da metodologia geral desenvolvida por Albert Tarantola no seu livro intitulado
‘’Inverse Problem Theory and Methods for Model Parameter Estimation”.
Nosso objetivo é fornecer a pesquisadores da área de Óleo & Gás um software
escrito em uma linguagem de programação moderna (i. e. Python) que possa ser
facilmente modificado para outras aplicações; realizar a inversão probabilística
com dezenas de milhares de células como uma prova de conceito; e desenvolver
casos de estudo reproduzíveis para que outros interessados neste tema possam
realizar “benchmarks” e sugerir melhoramentos.
Diferentemente de outros métodos de sucesso para MIH como Ensemble Kalman
Filters (EnKF), o método proposto, denomidado Ensemble MCMC (EnMCMC),
não assume distribuições a priori Gaussianas. Pode ser entendido como uma cadeia
de Markov de ensembles e teoricamente é capaz de lidar com qualquer distribuição
de probabilidade multimodal.
Dois casos de estudo sintéticos são implementados em um cluster de computação
de alto desempenho usando o modelo MPI de execução paralela para distribuir as
diversas simulações de reservatório em diferentes nós computacionais. Resultados
mostram que a implementação falha em amostrar a distribuição a posteriori, mas
que ainda pode ser utilizada na obtenção de estimativas maximum a posteriori
(MAP) sem fortes hipóteses a respeito dos dados (e. g. a priori Gaussianas).
|
|---|
