IEEE LATIN AMERICA TRANSACTIONS, VOL. 4, NO. 5, SEPTEMBER 2006
Programa de Análise Inteligente Aplicado em
Perfis de Produção dos Poços da Indústria de
Petróleo e Gás Natural
Paulo Alexandre Souza da Silva, Carlos Augusto Tavares da Costa Jr & José Augusto Lima Barreiros
Abstract--Basic Production Logging can be interpreted in
intermittent wells using the intelligent analysis program presents
in this work, called PAINTWELL, which permits to use of same
string configuration than a conventional Production Logging.
This program can be performed in layered reservoir,
determining the flowrate and type of the fluid for each
production zone. The use of Artificial Neural Network as
integrated part of this analysis program, provides a powerful tool
to describe how downhole logging and advances in computer
processing & interpretation data could spearhead the
transformation that can take place in production logging with
use of this new technique. This methodology should aid the
production and reservoir engineering to solve recovery problems
during the well life. The results of the production log using the
PAINTWELL method is very similar to measurements using test
separator in production facilities for each single perforated
interval. This program was applied successfully for a typical
intermittent well, which produces oil with high water cut using a
gas-lift completion system.
Index Terms—Well Log, Production Logging, Neural Networks
I. INTRODUÇÃO
H
istoricamente, a técnica de perfilagem de produção de
poços de petróleo tem sido utilizada em poços estáveis
para a determinação do tipo e do comportamento do fluido
produzido ou injetado nas formações completadas. A
instabilidade na produção de um poço é caracterizada pela
ocorrência das chamadas “golfadas” que podem gerar
inconsistências nas medidas efetuadas com as ferramentas da
perfilagem de produção convencional e, conseqüentemente,
dificultando a sua interpretação. A solução para que o poço
apresente estabilidade compatível com a técnica convencional
da perfilagem de produção raramente é encontrada,
principalmente, nas completações multizonas, onde há
produção de hidrocarbonetos de diferentes reservatórios. Um
poço com potencial comercial após ser perfurado é perfilado
e, se houver indícios da presença de acumulação de óleo ou
gás, é testado em uma ou mais zonas de interesse, para
This work was supported by CNPq/FINEP/CT-PETRO, CAPES and
Brazilian Petroleum National Agency (ANP) under PRH program.
P. Alexandre S. S. is with Brazilian Petroleum National Agency - ANP,
URCA – 22290-140, Rio de Janeiro/RJ, Brazil (email: [email protected]).
C. A. Tavares-da-Costa Jr. and J. A. L. Barreiros are with the Federal
University of Pará (UFPA), Campus Universitário do Guamá, 66000-000 ,
Belém, Pará, Brazil (e-mails: [email protected] and [email protected]).
subsidiar a tomada de decisão sobre a sua completação e
entrada em produção. O poço começa produzindo, geralmente,
de forma natural (poços surgentes) e estável por um tempo
considerável, onde as perfilagens com as ferramentas PLT
(Production Logging Tool) podem ser utilizadas para o
acompanhamento do perfil de produção [9]. Em uma segunda
etapa, começam a aparecer alguns problemas: diminuição da
pressão do reservatório, produção de água ou de gás em
detrimento da produção de óleo, entupimento de canhoneios,
aparecimento de parafinas no interior da coluna, corrosão no
revestimento e na coluna de completação e fluxo cruzado
entre os reservatórios [4]. As soluções para esses problemas
nem sempre são conseguidas em operações simples, muitas
vezes são trabalhos bastante complexos e dispendiosos;
inclusive podendo ser necessária uma intervenção (workover)
ou um novo método de elevação artificial, que introduzirá
equipamentos novos à completação original, tais como:
bomba de fundo, mandril de gás-lift com válvulas ou orifícios,
hastes mecânicas e injetores de vapor [6].
Os métodos de elevação artificiais são os grandes
responsáveis pela maioria das intermitências causadas nos
poços de petróleo. O correto funcionamento de um método de
elevação artificial torna-se muito importante na recuperação
do poço, e além dos problemas mecânicos e hidráulicos
inerentes ao próprio método, também está passível de ser
afetado pela mudança do perfil de produção dos reservatórios
produtores [8][10]. O método de elevação artificial não
contínuo, usando um mandril de gás-lift, é um exemplo de
poço intermitente e está baseado no conceito da elevação de
pacotes de fluídos dos intervalos produtores por meio de
injeções de determinados volumes de gás no interior da
coluna de produção, através de válvulas de comunicação entre
a coluna e o anular em diferentes profundidades. Portanto, a
pressão no interior da coluna estará sendo periodicamente
afetada pelas injeções de gás durante a produção dos pacotes
de fluído do reservatório [4][6].
A dificuldade de se conseguir a estabilização das medidas
(pressão, temperatura, vazão, densidade e constante
dieléctrica), colabora para a falha na delineação do perfil de
produção, em perfilagens que foram executadas seguindo os
procedimentos convencionais para os perfis PLT (diferentes
velocidades da ferramenta PLT em frente das zonas de
interesse), em períodos de fluxo e de estática. As variações
das medidas dificultam a determinação das contribuições
353
354
IEEE LATIN AMERICA TRANSACTIONS, VOL. 4, NO. 5, SEPTEMBER 2006
individuais dos intervalos produtores, uma vez que o regime
de fluxo do poço não é constante; não sendo possível neste
caso, a interpretação do perfil. Estas variações são inerentes
aos poços intermitentes; daí então, a necessidade do
desenvolvimento de um novo programa de análises [14] para
este tipo de poço, freqüentemente encontrado nos campos
petrolíferos maduros [15].
O programa PAINTWELL considera o mecanismo de
produção do poço para estabelecer procedimentos
operacionais e computacionais para a perfilagem de produção.
A inovação deste programa está tanto na observação
estacionária dos sensores comuns à ferramenta PLT, como
também, na utilização de técnicas de inteligência
computacional [2], via Rede Neural Artificial (RNA), para a
determinação do valor do corte de água.
II. METODOLOGIA
O programa PAINTWELL pode ser usado para auxiliar na
interpretação da perfilagem de produção em poços com fluxos
intermitentes, começando com a determinação da
periodicidade com que ocorrem as mudanças das medidas
obtidas com os sensores da ferramenta PLT. Uma vez
verificada a periodicidade, posiciona-se a ferramenta PLT, nas
profundidades desejadas, definidas de acordo com as zonas de
interesse do poço. A aquisição dos dados começa abaixo do
intervalo de interesse. As próximas medições serão realizadas
acima de cada intervalo completado. Logo, a última medição
será realizada na profundidade acima do topo da zona de
interesse do reservatório superior do poço. Todos os dados
dos sensores são analisados individualmente utilizando a
superposição das curvas obtidas em um ciclo de produção. A
RNA é utilizada como ferramenta computacional capaz de
generalizar[5] as variações da razão água-óleo (RAO ou
BSW) da produção em cada intervalo do poço intermitente à
partir dos dados obtidos pelos sensores de pressão, de
temperatura e de densidade, que serão treinados e comparados
com os dados da célula PVT (Tabela de relação entre PressãoVolume-Temperatura), quando disponíveis, obtidos a partir
da amostra dos fluidos dos reservatórios produtores, obtidos
em laboratório a partir de amostra de fluido do reservatório ou
de poços de correlação.
A análise PVT, através da liberação diferencial, realiza um
estudo da depleção do fluido na temperatura de reservatório,
com o decréscimo da pressão e retirada de toda a capa de gás
formada em cada estágio até a condição de pressão
atmosférica. Deste experimento, são determinados os valores
do fator volume de formação do óleo (Bo); fator de volume de
formação do gás (Bg); razão de solubilidade (Rs); massa
específica da fase óleo (po); densidade, peso molecular e
composição molar da amostra. O mesmo experimento é
realizado para várias temperaturas, obtendo-se assim a relação
entre a pressão, temperatura e densidade.
A interpretação da perfilagem de produção em poços
intermitentes, onde as medidas adquiridas pelos sensores
sofrem variações em profundidade e no tempo, não pode ser
encontrada por meio de uma metodologia convencional. A
alteração nos procedimentos dos perfis de produção em poços
ditos intermitentes, agora realizados também por estações que
levem em consideração o modo de produção do reservatório,
fez com que houvesse a necessidade do desenvolvimento de
uma solução computacional para o cálculo instantâneo da área
ocupada pelas fases na seção transversal da tubulação,
conhecido como holdup, uma vez que para poços não
intermitentes o holdup das fases é constante em profundidade.
O holdup em um sistema bifásico é representada por Yh para a
fase pesada e por Yl para a fase leve, assim como para um
sistema trifásico ele é representado por Yo, Yg e Yw para
óleo, gás e água, respectivamente. A solução apresentada
neste trabalho utiliza técnicas de inteligência computacional,
por meio de redes de neurônios artificiais, para calcular as
relações entre as fases da mistura efluente dos reservatórios a
partir da relação PVT. A Figura-1 exemplifica um poço com
completação multicamadas sendo perfilado por ferramenta
PLT. A cor laranja identifica rochas reservatórios e a cor
marrom identifica as rochas impermeáveis, as quais isolam
hidraulicamente as acumulações petrolíferas.
Fig. 1. Exemplo de perfilagem de produção em completação multicamadas
O programa de análises PAINTWELL finaliza o estudo da
perfilagem de produção do poço, formulando sugestões para a
melhoria do potencional do mesmo; tais como:
x Recanhoneio ou ampliação dos intervalos;
x Operações para estimulação dos intervalos de
interesse (Exemplo: Acidificação)
x Isolamento hidráulico de zonas produtoras;
x Recuperação de casing ou tubing;
x Substituição de obturadores (packers); e
x Fechamento do poço.
III. RESULTADOS
Um poço do campo Lagunillas, localizado no Lago
Maracaibo, Venezuela, foi escolhido para aplicarmos o
PAINTWELL, com o objetivo de determinar o perfil de
produção dos intervalos completados e interpretar o referido
perfil para a recuperação do potencial deste poço. Antes da
realização da perfilagem de produção, este poço encontrava-
SOUZA DA SILVA et al.: INTELLIGENT ANALYSIS
se produzindo aproximadamente 480 barris brutos por dia com
70% de água, com o método de elevação por gás-lift.
Considerando que o poço encontrava-se com as válvulas de
gás-lift calibradas, elevando com eficiência o fluido
produzido, podemos afirmar que o mesmo estava em condição
adequada para a obtenção do perfil de produção usando o
PAINTWELL. Observamos pela carta de produção da Fig. 2.,
que tanto a pressão no revestimento, correspondente a pressão
de injeção do gás-lift, quanto a pressão na cabeça do poço são
intermitentes. Entretanto é possível verificar periodicidade dos
eventos. O tempo de duração do ciclo mostrada na carta de
produção é de aproximadamente 20 (vinte) minutos.
355
Pressão (Psi)
750
700
650
600
550
E1
E2
E3
E4
E5
E6
E7
500
450
0
Pressão no revestimento
5
10
15
20
Tempo (min)
25
30
35
40
Fig. 3. Superposição das medidas de pressão por estação
Temperatura (ºF)
187
186.8
186.6
186.4
186.2
Pressão na cabeça do poço
186
185.8
E1
E2
E3
E4
E5
E6
E7
185.6
185.4
Fig. 2. Carta de Produção do poço estudado
185.2
A ferramenta utilizada para realizar a perfilagem de
produção fez medições estacionárias de Pressão (Psi),
Temperatura (°F), Densidade (g/cc), Dielétrico (UD) e
Medidor de fluxo em rotações por segundo (rps ou RPS), as
quais são apresentadas superpostas nas Fig. 3 a Fig. 7. A
TABELA I mostra as profundidades escolhidas para a
aquisição das medidas estacionárias dos sensores da
ferramenta de PLT.
TABELA I
PROFUNDIDADE DAS MEDIÇÕES ESTACIONÁRIAS
185
0
5
10
15
20
25
Tempo (min)
30
35
40
Fig. 4. Superposição das medidas de temperatura por estação
Densidade (g/cc)
1
0.98
0.96
Profundidade das Estações
E1 – Estação 1 a
X652 metros
E2 – Estação 2 a
X687 metros
Código de Cores
0.94
0.92
E1
E2
E3
E4
E5
E6
E7
0.9
E3 – Estação 3 a
X697 metros
E4 – Estação 4 a
X706 metros
E5 – Estação 5 a
X727 metros
E6 – Estação 6 a
X744 metros
E7 – Estação 7 a
X764 metros
0.88
0.86
0
5
10
15
20
25
Tempo (min)
30
Fig. 5. Superposição das medidas de densidade por estação
35
40
356
IEEE LATIN AMERICA TRANSACTIONS, VOL. 4, NO. 5, SEPTEMBER 2006
aprendizado variável [3][5][7][11].
As entradas da rede neural mostrada na Fig. 8 são as
Pressões (P), Temperaturas (T) e Densidades (D), e a saída da
RNA é a WATER HOLDUP – Yw. Para evitar problemas
numéricos, os valores das variáveis de entrada são
normalizados. Assim, os valores de pressão são divididos por
1000 e a temperatura é apresentada em uma escala entre 0 e 1
utilizando-se a seguinte relação:
T T ( F ) 185 2
(1)
Dielétrico (UD)
80
79
78
77
76
75
74
E1
E2
E3
E4
E5
E6
E7
73
72
71
f1
f2
f1
f2
f1
f2
f3
70
0
5
10
15
20
Tempo (min)
25
30
35
40
Fig. 6. Superposição das medidas de dielétrico por estação
Medidor de Fluxo (RPS)
1.4
Fig. 8. Topologia da Rede Neural Artificial (RNA) usada
1.2
O treinamento da RNA foi realizado apresentando os
padrões de entrada/saída da tabela PVT em lote (batch
training), utilizando o algoritmo de retropropagação do erro
com fator de momento ( D 0,9 ) e taxa de aprendizado
1
0.8
0.6
0.4
E1
E2
E3
E4
E5
E6
E7
0.2
0
10
12
14
16
18
20
22
Tempo (min)
24
26
28
variável. A RNA foi treinada durante 350.000 épocas e a
somatória do erro quadrático obtido ao final do treinamento da
rede foi de 1.657 x 103, com o erro quadrático médio por
padrão sendo igual a 8.3705 x 106. A Figura 9 apresenta o
gráfico que mostra a evolução da somatória do erro quadrático
e da taxa de aprendizado ao longo do processo de treinamento.
30
10
0
ERR
Fig. 7. Superposição das medidas de fluxo por estação
Verificá-se que o poço estudado apresenta variações nas
medidas dos sensores de PLT em tempo e profundidade, bem
como confirma a produção bifásica (óleo e água) medida na
superfície pelo operador, a partir dos níveis das medidas dos
sensores de pressão, temperatura, densidade e dielétrico da
ferramenta de perfilagem. Isto demonstra a necessidade de
conhecer bem as relações entre pressão, volume e temperatura
dos fluidos produzidos. A análise dos fluídos produzidos por
um poço petrolífero é realizada em laboratório, obtendo-se
assim a tabela PVT. Na ausência de valores encontrados em
laboratório, diversos programas computacionais aproximam
razoavelmente estes valores a partir dos intervalos prédeterminados de pressão, temperatura e densidade dos fluidos
produzidos[1] [4][6].
No poço analisado, utilizou-se uma RNA direta, escolhida
empiricamente para minimizar erro em 350.000 épocas, com 2
camadas ocultas, utilizando funções de ativação sigmóide para
todas as camadas, momento, retropropagação do erro e taxa de
10
10
10
-1
-2
-3
0
0 .5
1
1 .5
2
2 .5
3
3 .5
x 10
5
0 .1
0 .0 8
0 .0 6
0 .0 4
0 .0 2
0
0
0 .5
1
1 .5
2
2 .5
3
3 .5
x 10
5
Fig. 9. Erro Médio Quadrático e Taxa de Aprendizagem da RNA
Todos os padrões de treinamento disponíveis (80% dos
valores obtidos na Célula PVT) foram utilizados para treinar
a RNA. Para fazer a validação da RNA após o processo de
treinamento, comparou-se a saída da rede com a saída
desejada (Todos os valores da Célula PVT), observando-se,
SOUZA DA SILVA et al.: INTELLIGENT ANALYSIS
357
também, o comportamento do erro quadrático de cada padrão
de entrada da rede [12] [13], o que é mostrado na Fig.10.
1
0.5
Assim, sabendo que o revestimento é de 7 polegadas com
peso de 26 #/pé, pode-se calcular a vazão de óleo (Qo) e a
vazão de água (Qw) para cada intervalo multiplicando as
velocidades das fases pela área interna do revestimento. A
distribuição percentual do corte de água (Water Cut) entre as
estações pode ser observada na Fig. 12.
0
Yrede
Ydesejada
-0.5
1
(3)
e como por definição Vo = Vs +Vw, então temos :
Vw = Vmed – [Vs x (1-Yw)]
(4)
1.5
-1
Vmed = [Yw x Vw + (1-Yw) x Vo]
0
20
x 10
40
60
80
100
120
140
160
180
-4
0.8
Water Cut (%)
0.6
100
WC1
WC2
WC3
WC4
WC5
WC6
0.4
90
0.2
0
80
0
20
40
60
80
100
120
140
160
180
70
Fig. 10. Comparação entre as saídas da RNA x Desejada e o Erro Quadrático
A diferença entre as velocidades das fases, chamada de
“SLIPPAGE VELOCITY – Vs”, pode agora ser calculada
sem problemas se aplicarmos a calibração do medidor de
fluxo para obtermos velocidades das fases a partir dos valores
em RPS, uma vez que a “WATER HOLDUP – Yw” é
calculada pela RNA, cuja a saída Yw está mostrada na Fig. 11.
60
50
40
30
20
10
Water Holdup (x100 %)
1
0
12
14
16
18
0.9
20
22
Tempo (min)
24
26
28
30
Fig. 12. Corte de água para cada estação durante o ciclo
0.8
0.7
Finalmente, a Fig. 13 mostra a produção de cada intervalo
produtor do poço, encontrada através da técnica descrita ao
longo deste trabalho.
0.6
0.5
Produção (BPD)
0.4
600
E1
E2
E3
E4
E5
E6
E7
0.3
0.2
0.1
0
12
14
16
18
20
22
Tempo (min)
24
26
28
Água (Bwpd)
Óleo (Bopd)
Qtotal
500
400
30
300
Fig. 11. Yw para cada estação durante o ciclo de produção
200
A equação que calcula as diferenças de velocidades entre
as fases, Vs em pés/min, é função da densidade do óleo no
fundo do poço (Uo), da densidade da água no fundo do poço
(Uw) e da WATER HOLDUP – Yw. Esta equação é mostrada
abaixo [9]:
(2)
Vs= 39,414 x (Uw-Uo)0,25 x e -0,788 x Ln[1,85/(Uw- Uo)] x (1-Yw)
100
A partir do cálculo de Vs, pode-se calcular as velocidades
da fase água (Vw) e a da fase óleo (Vo), uma vez que a
velocidade média da mistura (Vmed) é calculada pelo medidor
de fluxo. A equação que relaciona Vmed, Vw e Vo [9] é
mostrada a seguir:
0
-100
0
12
23
34
45
Intervalo Produtor entre Estações
56
67
Fig. 13. Produção (barris/d) das fases por intervalo produtor
Os resultados da Fig. 13 sugerem as seguintes melhorias no
potencial de produção: isolar hidraulicamente os intervalos de
alto valor de RAO ou BSW, ampliar os intervalos de baixo
valor de RAO ou BSW ou ainda, recanhonear os intervalos
com baixa produção.
358
IEEE LATIN AMERICA TRANSACTIONS, VOL. 4, NO. 5, SEPTEMBER 2006
Technical Reports:
IV. CONCLUSÃO
A interpretação dos dados obtidos utilizando a técnica
PAINTWELL, apresentada neste trabalho, está baseada na
análise em profundidade e no tempo das medidas obtidas
pelos sensores da ferramenta PLT. Os cálculos são realizados
para todos os dados adquiridos durante um ciclo de produção
do poço, por meio da superposição das medições estacionárias
e da utilização de técnicas de inteligência computacional.
Comparando-se os resultados obtidos pelo método
PAINTWELL e os valores previamente disponibilizados pela
gerência de produção responsável pelo poço estudado, tem-se
praticamente o mesmo valor bruto de produção, mas um valor
menor para o corte de água . Isto ocorre devido o poço ter sido
fechado para a realização da verificação mecânica das
condições do poço antes da perfilagem. O fechamento do poço
restaura a pressão e o contacto oléo/água do reservatório,
diminuindo assim a produção de água das zonas produtoras
por um período proporcional ao tempo de fechamento do
poço. Assim, recomenda-se que durante a operação PLT o
poço esteja alinhado para medição.
A arquitetura da rede neural proposta neste trabalho poderá
ser utilizada em todas as perfilagens em poços intermitentes,
sendo que o intérprete ou engenherio de petróleo deverá
realizar um novo treinamento da RNA com os dados obtidos
da análise PVT dos fluidos efluentes para cada um dos poços.
A técnica apresentada pode auxiliar na perfilagem e na
interpretação das vazões produzidas em poços intermitentes,
constituindo-se um avanço tecnológico na interpretação dos
perfis de produção em poços com vários intervalos
produzindo simultaneamente.
V. AGRADECIMENTOS
Os autores agradecem ao convênio CNPq/FINEP/CT-PETRO, CAPES e ao
programa ANP/PRH pelo suporte finaceiro para a realização da pesquisa.
VI. REFERÊNCIAS BIBLIOGRÁFICAS
Periodicals:
[1]
[2]
C.Wang, K.U.Klatt, G.Dunnebier, S.Engel and F. Hanish, "Neural
network-based identification of SMB chromatographic processes,"
Control Engineering Practice, vol. 11, pp. 949-959, Aug. 2003.
J.Miartens and N.Weymare, "An equalized error backpropagation
algorithm for the on-linetraining of multiplayer perceptrons," IEEE
Trans. On Neural Networks, vol.13, pp 532-541, May. 2002.
Books:
[3]
D. E. Rumerlhart and J. L. McClelland (eds.). 1986. Parallel
Distributed Processing: explorations in the microstructure of
cognition, Vol. 1. Cambridge, MA, MIT Press.
[4] E. O. Earlougher Jr, 1997. Advances in Welltest Analysis, 1977.
Schlumberger. 2.ed., p. 264.
[5] F.M. Azevedo; L.M. Brasil and R.C. Oliveira L., 2000. Redes
Neurais com aplicações em Controle e em Sistemas
Especialistas . 2000. 2d., Visual Books.
[6] J.Aitken and V.G.Racht, Reservoir and Production Fundamentals,
1982. Schlumberger. 2.ed., p.205.
[7] S. Haykin 2001. Redes neurais – princípios e prática. 2.ed., Porto
Alegre, Bookman.
[8] S.J. Pirson 1977.Geologic Well Log Analysis.2. ed.,Houston, Gulf.
[9] Schlumberger, Production Log Interpretation. 1973. ed., p. 92.
[10] Schlumberger, Well Services. 1989. Principios y Aplicaciones de
la Interpretación de Registros. Mexico. p.198.
[11] M. Moreira and E. Fiesler, 1995. Neural Networks with Adaptive
Learning Rate and Momentum Terms. 1985. IDIAP Technical
report.
Papers from Conference Proceedings (Published):
[12] A. I. Fichetti and A. J. N. Andrade, 1999. Automatic first breack
picking in seismic traces by neural network. In: Congresso
Internacional da Sociedade Brasileira de Geofísica, 6., Rio de
Janeiro, 1999. Anais..., Rio de Janeiro, SBGf. CD-ROM.
[13] A. J. N. Andrade and S. M. Luthi, S. M. 1997. Correlação
estratigráfica de perfis de poço através de rede neural direta
multicamadas. In: CONGRESSO INTERNACIONAL DA
SOCIEDADE BRASILEIRA DE GEOFÍSICA, 5., São Paulo, 1997.
Anais..., São Paulo, SBGf, v.1, pp. 369-372
[14] P.Alexandre S.S. and A.J.N. Andrade J, A. 2001. Perfilagem de
Produção em Poços Intermitentes. In: CONGRESSO
INTERNACIONAL
DA
SOCIEDADE
BRASILEIRA
DE
GEOFÍSICA, 7., Salvador, 2001. Anais..., Salvador, SBGf, v.2, pp.
1503-1506.
Dissertations:
[15]
P. Alexandre S.S., "Perfilagem de Produção em Poços
Intermitentes" MSc. dissertation, Dept. Geofísica. PPGGf, , UFPA,
2002.
VII. BIOGRAFIAS
Paulo Alexandre Souza da Silva was born in
Belém, Brazil, on September 4, 1965. He received
his B.E. in electrical engineering from the Federal
University of Pará (UFPA), Brazil, in 1987. In
2002, he received his M.Sc. degree in geophysics
from the Federal University of Pará (UFPA). His
employment experience included General Field
Engineer with Schlumberger Ltda. (14 years),
associate professor at the Technology Department
in UEPA, Petroleum Consultant in EPF project for
Petrobras and geophysical analyst in CPRM/ANP/BDEP – Petroleum
Exploration and Production Databank. He is a regulation specialist in
Brazilian Petroleum National Agency – ANP since 2005 and his research
interests are well logs, multiphase flow measurements and neuro-fuzzy
systems applied in Testing & Production petroleum services.
Carlos Tavares-da-Costa Jr. was born in Belém,
Brazil, on July 29, 1966. He received his B.E. in
electrical engineering from the Federal University of
Pará (UFPA), Brazil, in 1987. In 1991, he received
his M.Sc. degree in electrical engineering from the
Federal University of Rio de Janeiro (UFRJ). He
also has a DEA (1996) and Docteur (1999) degrees
in “Automatique et Productique” from Grenoble
Polytechnic National Institute, France. He is an
associate professor at the Electrical and Computer
Engineering Department in UFPA since 1997 and his research interests are
fuzzy and adaptive systems applied in power system control.
José Augusto Lima Barreiros was born in Belém,
Brazil on July, 4, 1951. He received his B.E. degree
in electronic engineering from Federal University of
Pará (UFPA), Brazil, in 1974. He also received his
M.Sc. degree in Electrical Engineering from UMIST
(The Institute of Science and Technology of The
University of Manchester), UK, in 1989, and his
degree of Doctor in electrical engineering from
Federal University of Santa Catarina (UFSC),
Brazil, in 1995. He is with UFPA since 1976, where
he has presently the rank of Titular Professor, and is the Vice-Director of the
Technological Center. His main areas of research are control systems and
applications of control in power systems.