Métodos de inversão usando inferência Bayesiana em modelos de reservatório em subsuperfície.
Escoamento bifásico, MCMC, Levenberg-Marquardt, Volumes finitos multiescala, Expansão Karhunen-Loève, Meios poroelásticos.
Em muitas situações, a incerteza sobre as propriedades de um reservatório devido à falta de dados requer ferramentas de estudos que envolvam a análise de parâmetros por meio de variáveis ou funções aleatórias. Neste texto, foram empregados os métodos estocásticos em problemas inversos para meios porosos heterogêneos para obter os campos de porosidade e permeabilidade. Investiga-se sistematicamente duas situações diferentes: um modelo composto por equações acopladas de pressão e saturação combinado a Cadeia de Markov Monte Carlo (MCMC) com o algoritmo de mínimo local chamado método de Levenberg-Marquardt (LM) para resolver um problema inverso nas equações de movimento de um sistema de fluxo de Darcy. Em outra abordagem, foi proposto o estudo de um modelo poroelástico com a formulação acoplada da equação de equilíbrio de forças e da equação de massa em variações espaciais, incluindo medidas do comportamento geomecânico, como deslocamento, tensões e deformações, para calibrar o modelo. Dentro de um algoritmo de acoplamento, técnicas inferências Bayesianas são incorporadas ao problema de poroelasticidade inversa, tratando porosidade, permeabilidade e módulo de Young como campos aleatórios estacionários obtidos pelo método de média móvel (MA). O algoritmo Random Walk (RW) foi utilizado para buscar os parâmetros geomecânicos com menor erro. Simulações numéricas relacionadas a problemas de injeção e retirada de fluidos foram realizadas para comparar o desempenho de cada metodologia. Algumas conclusões foram feitas através de observações sobre experimentos numéricos.