Substituímos o simulador dentro do loop de assimilação ES-MDA por um operador neural de Fourier (FNO) que aprende a física do escoamento — não os dados históricos. O resultado: iterações em segundos, com precisão testada fora do laboratório sintético.
Cada campo recalibrado é um novo gargalo entre o dado de produção e a decisão de desenvolvimento.
Cada iteração exige simulação completa — semanas por campo, com decisões de alto valor tomadas com modelos parcialmente calibrados.
Ferramentas como Petrel/Eclipse e CMOST AI têm custo alto, limitando o número de cenários testados por ciclo.
E se o simulador dentro do loop de ES-MDA fosse substituído por um operador neural de Fourier (FNO), mantendo a física?
Malha, propriedades de rocha e histórico de produção.
Preparação dos dados de entrada para o FNO.
FNO atua como substituto do simulador, preservando a física do escoamento.
Curvas P10/P50/P90 e relatório de ajuste por poço.
O FNO aprende o operador diferencial das equações de fluxo — não interpola dados históricos. A física é preservada dentro do loop de assimilação, permitindo iterações em segundos em vez de horas.
Comparação direta com OPM Flow em casos sintéticos controlados — valida a arquitetura FNO antes de expor a dados reais.
| Dimensão | Speedup medido |
|---|---|
| 2D (sintético) | ~2.066× |
| 3D (sintético) | ~212× |
Speedup medido em benchmark sintético — não representa o caso real do Norne Field. O experimento do Norne, a seguir, não mediu velocidade; mediu precisão.
Dados históricos reais do Norne Field, Mar do Norte. Foco em precisão, não em velocidade.
| Poço | MAPE (óleo) |
|---|---|
| C-1H | ~8% |
| C-2H | ~11% |
| C-3H* | ~34% |
Variabilidade operacional (workovers, mudanças de choke) não capturada por um modelo de permeabilidade estática. Diagnóstico de causa-raiz, não falha genérica.
Implementação determinística hoje. Evolução planejada: formulação bayesiana para quantificar incerteza no próximo ciclo.
“Times de PD&I confiam mais em quem mostra onde o modelo erra do que em quem apresenta apenas números perfeitos.”— Symlink Digital, nota de engenharia do ProxyMatch
Os resultados do caso real (Norne) foram reproduzidos de forma independente em duas execuções separadas.
Pipeline de upscaling, treino do FNO e loop ES-MDA rodado de ponta a ponta.
Sem re-treino, sem ajuste de hiperparâmetros entre execuções. Resultado: idêntico.
Poucas startups em estágio pré-comercial apresentam esse nível de rastreabilidade experimental — é uma prova de rigor de engenharia, não apenas de performance.
Mudança de geologia (base genérica → SPE10) com volume relativamente baixo de dados adicionais.
Este é o argumento central para por que o ProxyMatch funcionaria em um campo real da Petrobras: o modelo se especializa rapidamente sem precisar ser treinado do zero.
Experimento SPE10 com log de treino documentado — 400 amostras de treino / 100 de validação.
Coerente com o estágio de uma startup tecnicamente madura, pré-comercial. Transparência intencional para evitar expectativa errada na entrada.
Não uma proposta comercial. Um convite para avaliar compatibilidade com um ativo real — sem compromisso nesta fase.