ControlBid

Inovação: desafios abertos › 3473

Desafio de inovação 3473 · Exploração e Produção de Petróleo e Gás Natural - Onshore e Offshore

Desenvolvimento de métodos avançados de assimilação de dados e análise de sensibilidade para modelos de reservatórios

Recebendo propostas

Prazo de envio
25/11/2026, 00:00
Tema
Recuperação Avançada de Petróleo
Subtema
Caracterização e Engenharia de Reservatórios
TRL pretendido
TRL7-9
Desenvolvimento
até 60 meses

Objetivo

Investigar, desenvolver e implementar métodos avançados de assimilação de dados e análise de sensibilidade, visando à evolução do software BR-Kalman e à ampliação de suas funcionalidades, robustez e eficiência computacional.

O BR-Kalman é uma ferramenta desenvolvida pela Petrobras para assimilação de dados em modelos de reservatórios, com execução integrada aos simuladores da CMG em ambiente Linux. Está em fase final de desenvolvimento uma nova versão do BR-Kalman cuja arquitetura combina componentes desenvolvidos em Python e C++, organizados em dois módulos principais:

(1) brk-manager: desenvolvido em Python, responsável pelo gerenciamento dos processos de assimilação, incluindo a interface de programação (API) para submissão, acompanhamento e gerenciamento das simulações executadas em clusters computacionais.

(2) brk-inversion: desenvolvido em C++ com arquitetura híbrida MPI+OpenMP, responsável pelos cálculos numéricos de atualização dos modelos, com implementação orientada ao alto desempenho computacional, à redução do consumo de memória e ao aproveitamento de múltiplos processadores.

Os objetivos específicos do projeto são:

(1) Desenvolver um protótipo computacional do método EnIF, adaptado aos problemas de assimilação de dados em modelos de reservatórios.

(2) Investigar as vantagens, limitações e condições de aplicabilidade do EnIF em comparação com o ES-MDA.

(3) Desenvolver e implementar versões computacionalmente eficientes de métodos de localização baseados em correlações estatísticas.

(4) Investigar e implementar métodos de análise de sensibilidade que complementem e ampliem as funcionalidades atualmente disponíveis no BR-Kalman.

(5) Avaliar a escalabilidade e o desempenho computacional dos algoritmos desenvolvidos, considerando problemas de diferentes dimensões e ambientes de processamento paralelo.

Desafio

A assimilação de dados em modelos de reservatórios de petróleo constitui um problema computacional de grande complexidade, caracterizado pelo elevado número de parâmetros dos modelos, pela natureza não linear dos processos físicos envolvidos e pela necessidade de integrar diferentes fontes de informação, incluindo dados de produção, pressão e sísmica 4D [1].

Os métodos de assimilação de dados baseados em conjuntos (ensemble-based methods), particularmente o Ensemble Smoother with Multiple Data Assimilation (ES-MDA), têm demonstrado grande potencial para a atualização de modelos geológicos e a quantificação de incertezas [1, 2]. Entretanto, sua aplicação a modelos de reservatórios de grande porte ainda apresenta desafios relacionados à precisão estatística das atualizações, ao tratamento de correlações espúrias e ao custo computacional.

Nesse contexto, destacam-se quatro desafios tecnológicos:

(1) Investigação de novas formulações de assimilação de dados, especialmente o Ensemble Information Filter (EnIF), que utiliza representações estruturadas e esparsas da matriz de precisão (inversa da covariância) como alternativa às formulações tradicionais baseadas em covariâncias amostrais [3].

(2) Avaliação comparativa de métodos de assimilação, considerando qualidade do ajuste aos dados, preservação das incertezas, capacidade preditiva e desempenho computacional em problemas representativos da engenharia de reservatórios.

(3) Desenvolvimento de algoritmos eficientes de localização de covariâncias, com destaque para métodos baseados em correlações estatísticas (correlation-based localization), capazes de reduzir os efeitos dos erros de amostragem sem depender exclusivamente da distância espacial entre parâmetros e observações [5-8].

(4) Desenvolvimento de métodos avançados de análise de sensibilidade, permitindo identificar e quantificar a influência de parâmetros dos modelos sobre respostas dos simuladores, considerando efeitos não lineares e interações entre parâmetros [9-12].

Um desafio transversal consiste em transformar os avanços metodológicos em soluções computacionais escaláveis, compatíveis com ambientes de computação de alto desempenho (HPC), preservando a eficiência no uso de memória e no processamento paralelo.

Referencias:

[1] EMERICK, A. A. Ensemble Data Assimilation Applied to Geological Reservoir Models. Petrobras, 2025. ISBN 978-65-88763-29-2.

[2] EMERICK, A. A.; REYNOLDS, A. C. Ensemble smoother with multiple data assimilation. Comput. Geosci. 55, 3-15 (2013).

[3] LUNDE, B. Å. S. An Ensemble Information Filter: Learning and Encoding Sparse Structures in Ensemble Kalman Methods. arXiv:2501.09016 (2025).

[4] GASPARI, G.; COHN, S. E. Construction of correlation functions in two and three dimensions. Q. J. R. Meteorol. Soc. 125, 723-757 (1999).

[5] FURRER, R.; BENGTSSON, T. Estimation of high-dimensional prior and posterior covariance matrices in Kalman filter variants. J. Multivar. Anal. 98, 227-255 (2007).

[6] LUO, X.; BHAKTA, T.; NÆVDAL, G. Correlation-Based Adaptive Localization With Applications to Ensemble-Based 4D-Seismic History Matching. SPE J. 23, 396-427 (2018).

[7] LUO, X.; BHAKTA, T. Automatic and adaptive localization for ensemble-based history matching. J. Pet. Sci. Eng. 184, 106559 (2020).

[8] EMERICK, A. A.; SILVA, V. L. S. Statistical Tapers for Correlation-Based Localization in Ensemble Data Assimilation. arXiv:2605.29922 (2026).

[9] MORRIS, M. D. Factorial sampling plans for preliminary computational experiments. Technometrics 33, 161-174 (1991).

[10] CAMPOLONGO, F. et al. An effective screening design for sensitivity analysis of large models. Environ. Model. Softw. 22, 1509-1518 (2007).

[11] SOBOL, I. M. Global sensitivity indices for nonlinear mathematical models and their Monte Carlo estimates. Math. Comput. Simul. 55, 271-280 (2001).

[12] SALTELLI, A. et al. Global Sensitivity Analysis: The Primer. Wiley (2008).

Solução esperada

Sistema

A solução contempla quatro frentes de P&D, com integração ao BR-Kalman e avaliação de desempenho computacional.

(1) Protótipo baseado no Ensemble Information Filter (EnIF)

Investigar o EnIF [3], baseado em matrizes de precisão esparsas e dependências condicionais, e desenvolver um protótipo para assimilação de dados em reservatórios. As atividades incluem estudar sua aplicação ao ajuste de histórico; avaliar técnicas de estimação de matrizes de precisão; desenvolver algoritmos de atualização de conjuntos, inclusive em múltiplas etapas; e implementar e testar o protótipo com dados de simulação. Serão avaliados precisão, consumo de memória e tempo de execução, considerando a arquitetura do BR-Kalman.

(2) Estudo comparativo entre EnIF e ES-MDA

Comparar EnIF [3] e ES-MDA [2] em casos com diferentes complexidades geológicas, dimensões, não linearidades, tamanhos de conjunto e tipos de observação. Serão avaliados ajuste aos dados, preservação de incertezas, capacidade preditiva, robustez, influência da regularização e das dependências estatísticas, tempo de execução, memória e escalabilidade. Métricas quantitativas subsidiarão a avaliação da eventual incorporação do EnIF ao BR-Kalman.

(3) Correlation-based localization em ambiente HPC

Desenvolver métodos de localização baseados em correlações estatísticas [6-8], como alternativa às abordagens por distância espacial [4, 5], visando reduzir correlações espúrias em conjuntos limitados. As atividades incluem implementar funções de atenuação (tapers) de potência e logística e estratégias adaptativas [8]; evitar o armazenamento de grandes matrizes densas; explorar paralelização e processamento em blocos; integrar os algoritmos à atualização de modelos; e avaliar seus efeitos na assimilação e no desempenho. A implementação utilizará o módulo C++ brk-inversion, priorizando baixo consumo de memória e múltiplos processadores para modelos com milhões de parâmetros e grandes conjuntos de observações.

(4) Métodos de análise de sensibilidade

Investigar e implementar métodos para quantificar a influência dos parâmetros nas respostas dos simuladores, considerando não linearidades, interações e custo computacional. Serão avaliadas extensões do One-at-a-Time (OAT), com perturbações bilaterais e diferentes referências; método de Morris [9, 10]; regressão e correlação; e índices globais de Sobol [11, 12]. A seleção considerará robustez, informação obtida e número de simulações. O brk-manager deverá apoiar geração de experimentos, execução no cluster, processamento dos resultados e apresentação de rankings, gráficos de tornado e indicadores de interação.

Requisitos gerais de implementação e validação

As soluções deverão ser compatíveis com Linux e a arquitetura Python/C++ do BR-Kalman, integrar-se aos simuladores CMG e ao ambiente HPC, e priorizar modularidade, paralelismo e eficiência de memória. As entregas incluirão código-fonte, documentação, exemplos, testes de verificação e avaliações de escalabilidade.

A gest

Acompanhe os desafios de inovação da Petrobras

O ControlBid organiza os desafios abertos, prazos e a sua participação.

Perguntas sobre este desafio

Qual o prazo para enviar proposta ao desafio 3473?

Até 25/11/2026, 00:00, horário de Brasília.

Que tipo de solução o desafio 3473 espera?

Sistema, com maturidade TRL7-9 e até 60 meses de desenvolvimento.