ANÁLISE MULTIVARIADA E INTELIGÊNCIA ARTIFICIAL APLICADAS AO PROCESSO DE ACIDIFICAÇÃO DE CARBONATOS

Este projeto aborda o desenvolvimento de modelos baseados em inteligência artificial (IA) aplicados ao processo de acidificação de carbonatos. A acidificação é uma técnica de estimulação amplamente empregada na exploração de poços de petróleo, cuja eficiência depende da determinação das condições ótimas de injeção, geralmente avaliadas em laboratório por meio do parâmetro pore volume to breakthrough (PVBT). A determinação do PVBT é influenciada por diversas variáveis operacionais, incluindo parâmetros petrofísicos, dimensionais e químicos, tornando sua análise um problema não-linear de elevada complexidade. Nesse contexto, ferramentas de IA podem contribuir significativamente para a modelagem e predição dos resultados de acidificação, permitindo maior celeridade no desenvolvimento de pesquisas e na avaliação de cenários operacionais. Entretanto, devido ao grande número de variáveis envolvidas, modelos construídos com múltiplas entradas podem apresentar alta demanda computacional. Assim, torna-se relevante investigar estratégias de redução da dimensionalidade dos dados, visando a obtenção de modelos mais simples e eficientes, sem comprometer a acurácia das predições. Entre as técnicas de IA disponíveis, as Redes Neurais Artificiais (ANN) destacam-se pela capacidade de modelar relações não-lineares complexas, simulando mecanismos de aprendizado inspirados no sistema neurológico humano. Aplicadas à estimulação da produção de petróleo, as ANN podem auxiliar na construção de modelos preditivos robustos para o cálculo do PVBT, ampliando a aplicabilidade dos resultados em processos industriais. Dessa forma, este projeto propõe o desenvolvimento de modelos de ANN para predição do PVBT, com posterior avaliação estatística por meio da comparação entre os valores preditos e resultados experimentais obtidos em laboratório. A metodologia envolve: (i) a atualização e análise estatística de um banco de dados composto por sete variáveis de entrada (permeabilidade, porosidade, diâmetro, comprimento, concentração do ácido, temperatura e vazão de injeção) e uma variável de saída (PVBT); (ii) a Análise de Componentes Principais (PCA), visando avaliar a possibilidade de redução da dimensionalidade dos dados; (iii) o desenvolvimento de modelos de redes neurais utilizando tanto as variáveis originais (modelo completo) quanto as componentes principais (modelo reduzido); (iv) a realização de estudos experimentais de PVBT, incluindo a caracterização dos materiais rochosos, para geração de novos dados de teste; e (v) a avaliação estatística do desempenho dos modelos desenvolvidos. Espera-se que os resultados obtidos contribuam para o avanço das pesquisas em estimulação da produção de petróleo, além de favorecer a aplicação de técnicas de inteligência artificial em problemas complexos da engenharia de reservatórios, promover a capacitação de recursos humanos na área e fortalecer a integração multicampi por meio do envolvimento de uma equipe multidisciplinar.