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.