Modelo preditivo de perda de circulação baseado em parâmetros de perfuração com rede neural PSO-BP

Por que é importante manter o fluido de perfuração no poço

Quando empresas perfuram profundamente em busca de petróleo e gás, dependem de lama densa para manter o poço sob controle. Se essa lama desaparecer subitamente em fendas da rocha, as operações precisam ser interrompidas, os custos disparam e eventos perigosos, como blowouts, tornam‑se mais prováveis. Este artigo descreve uma nova forma de identificar essas perdas cedo, usando um modelo computacional inteligente que aprende com dados reais de perfuração e pode alertar os engenheiros antes que pequenos problemas se tornem acidentes graves.

O que significa quando o poço começa a ‘‘beber’’

Durante a perfuração, bombas enviam lama pela coluna de perfuração e ela retorna pelo espaço entre a coluna e a formação, transportando cortes e equilibrando as pressões subterrâneas. A perda de circulação ocorre quando essa lama escapa para a rocha circundante em vez de retornar à superfície. Pode infiltrar‑se por fraturas e poros naturais, ou abrir novas fraturas se a lama for muito pesada. De qualquer modo, a equipe de superfície observa menos lama retornando, e o poço pode rapidamente ficar instável, levando a colapso do poço, travamento da coluna ou um kick, quando fluidos da formação invadem o poço.

Lendo os sinais vitais da lama

No campo, muitas medições são registradas a cada poucos segundos: quanto de lama há nos tanques de superfície, a vazão de entrada e saída do poço, a pressão necessária para empurrá‑la para o fundo, a velocidade de perfuração e a carga na coluna. Os autores mostram que nenhuma leitura isolada é suficiente para detectar problemas com confiabilidade; em vez disso, padrões em vários sinais são decisivos. Combinando estatística e conhecimento especializado de perfuradores, eles reduzem uma longa lista de parâmetros a um conjunto pequeno que melhor reflete eventos de perda: volume total do reservatório de lama, pressão na linha do standpipe, diferença entre vazão de entrada e saída, carga no top drive (ou gancho), taxa de penetração, densidade da lama e direção do poço. Juntos, esses parâmetros funcionam como sinais vitais da saúde do poço.

Ensinando um enxame digital a detectar problemas

A equipe constrói seu sistema de alerta em torno de um tipo de rede neural artificial, um modelo flexível que pode aprender relações complexas ocultas nos dados. Por si só, porém, esse tipo de rede pode aprender lentamente e ficar presa em soluções subótimas. Para superar isso, os pesquisadores aparam com otimização por enxame de partículas, um algoritmo inspirado em bandos de pássaros em busca de alimento. Cada “partícula” no enxame representa um conjunto possível de parâmetros da rede neural. Comparando quão bem cada conjunto prevê eventos de perda passados, o enxame move‑se coletivamente em direção a soluções melhores. Desse modo, a otimização por enxame de partículas é usada para ajustar as conexões internas da rede antes do treinamento final, tornando‑a mais rápida e estável.

De dados de campo ruidosos a alertas precoces

Dados reais de perfuração são desordenados, com valores ausentes, ruído de sensores e leituras ocasionalmente ruins. Os autores primeiro limpam seu conjunto de dados de vários poços no oeste da China, removem outliers, codificam entradas descritivas e escalam todos os números a uma faixa comum para que nenhuma variável domine. Em seguida, analisam o grau de correlação de cada parâmetro com incidentes de perda e mantêm apenas os que acrescentam informação distinta. Depois de treinar o modelo híbrido em dezenas de intervalos registrados com perda de lama e intervalos normais, testam‑no em trechos novos de poços. O modelo não apenas acompanha a elevação e a queda dos parâmetros-chave, mas também transforma esses padrões em uma previsão clara sobre a probabilidade de ocorrência de perda.

Como o observador inteligente se sai

Para avaliar se essa nova abordagem vale ser usada no campo, os autores a comparam com várias alternativas: uma rede neural simples e versões ajustadas por duas outras técnicas de otimização. Eles usam medidas padrão de erro e mostram que a rede ajustada por enxame de partículas prevê perda de circulação com mais precisão do que as demais, batendo as observações reais de campo com discrepâncias muito menores. Em poços de teste, o modelo identifica corretamente zonas onde a lama será perdida e estima a extensão do problema, fornecendo um aviso útil enquanto a perfuração ainda está em andamento.

O que isso significa para perfurações mais seguras e baratas

Em termos simples, o estudo mostra que combinar conhecimento prático de perfuração com ferramentas avançadas de reconhecimento de padrões pode criar um sistema de alerta precoce confiável para quando o poço começa a “vazar” lama para a rocha. Monitorando um punhado de sinais cuidadosamente escolhidos e deixando um enxame digital afinar o motor de predição, o método alcança alta precisão e evita alarmes perdidos. Se integrado a sistemas de monitoramento em tempo real, essa abordagem pode ajudar os perfuradores a reagir mais cedo — ajustando as propriedades da lama ou as condições de operação antes que ocorram perdas severas — reduzindo riscos, economizando tempo e dinheiro e servindo de modelo para ferramentas similares de segurança em outros projetos subterrâneos e de engenharia estrutural.

Citação: Wang, Z., Yang, M., Du, P. et al. Prediction model of lost circulation based on drilling parameters with PSO-BP neural network. Sci Rep 16, 13976 (2026). https://doi.org/10.1038/s41598-026-44613-2

Palavras-chave: perda de circulação, segurança na perfuração, rede neural, otimização por enxame de partículas, alerta precoce