Atenção:
O eduCAPES é um repositório de objetos educacionais, não sendo responsável por materiais de terceiros submetidos na plataforma. O usuário assume ampla e total responsabilidade quanto à originalidade, à titularidade e ao conteúdo, citações de obras consultadas, referências e outros elementos que fazem parte do material que deseja submeter. Recomendamos que se reporte diretamente ao(s) autor(es), indicando qual parte do material foi considerada imprópria (cite página e parágrafo) e justificando sua denúncia.
Caso seja o autor original de algum material publicado indevidamente ou sem autorização, será necessário que se identifique informando nome completo, CPF e data de nascimento. Caso possua uma decisão judicial para retirada do material, solicitamos que informe o link de acesso ao documento, bem como quaisquer dados necessários ao acesso, no campo abaixo.
Todas as denúncias são sigilosas e sua identidade será preservada. Os campos nome e e-mail são de preenchimento opcional. Porém, ao deixar de informar seu e-mail, um possível retorno será inviabilizado e/ou sua denúncia poderá ser desconsiderada no caso de necessitar de informações complementares.
Metadados | Descrição | Idioma |
---|---|---|
Autor(es): dc.contributor | PETROBRAS Research Center | - |
Autor(es): dc.contributor | Federal Fluminense University | - |
Autor(es): dc.contributor | Universidade Estadual Paulista (UNESP) | - |
Autor(es): dc.contributor | University Wolverhampton | - |
Autor(es): dc.creator | Colombo, Danilo | - |
Autor(es): dc.creator | Lima, Gilson Brito Alves | - |
Autor(es): dc.creator | Papa, João Paulo | - |
Autor(es): dc.creator | Passos, Leandro Aparecido | - |
Autor(es): dc.creator | Santana, Marcos Cleison Silva | - |
Data de aceite: dc.date.accessioned | 2025-08-21T17:57:34Z | - |
Data de disponibilização: dc.date.available | 2025-08-21T17:57:34Z | - |
Data de envio: dc.date.issued | 2025-04-29 | - |
Data de envio: dc.date.issued | 2021-12-31 | - |
Fonte completa do material: dc.identifier | http://dx.doi.org/10.3850/978-981-18-5183-4_S01-04-420-cd | - |
Fonte completa do material: dc.identifier | https://hdl.handle.net/11449/308923 | - |
Fonte: dc.identifier.uri | http://educapes.capes.gov.br/handle/11449/308923 | - |
Descrição: dc.description | Well safety barriers are critical elements for the integrity and safety of operations in oil and gas wells. This paper introduces a novel approach to characterize the reliability performance of safety barriers in offshore oil wells under different operational and environmental conditions. Traditional statistical methods have been applied to this class of problem; however, these methods assume specific distributions and parameters to model the time to failure. Furthermore, they usually require specialists to evaluate if the data fits into the model's hypothesis. A combination of statistical and machine learning approaches can overcome these limitations and capture complex behavior and non-linearities. A greedy algorithm composed of two machine learning regression models and a nonparametric reliability estimator can handle the problem nicely. A modification in the loss function is proposed to consider the censored data. The proposed approach was tested and validated in simulated data and for reliability estimation of downhole safety valves, one of the most important and must-have well barrier components. The results show that the proposed model is competitive and outperforms classical approaches, besides being more generic and customizable. We can either use the model to forecast the reliability of new valves, identify the most appropriate valve according to the well features, improve the valve performance, and others. | - |
Descrição: dc.description | Federal Fluminense University PETROBRAS Research Center | - |
Descrição: dc.description | School of Engineering Production Department Federal Fluminense University | - |
Descrição: dc.description | Department of Computing São Paulo State University (Unesp) Campus Bauru | - |
Descrição: dc.description | CMI Lab School of Engineering and Informatics University Wolverhampton | - |
Descrição: dc.description | Department of Computing São Paulo State University (Unesp) Campus Bauru | - |
Formato: dc.format | 1767-1774 | - |
Idioma: dc.language | en | - |
Relação: dc.relation | Proceedings of the 32nd European Safety and Reliability Conference, ESREL 2022 - Understanding and Managing Risk and Reliability for a Sustainable Future | - |
???dc.source???: dc.source | Scopus | - |
Palavras-chave: dc.subject | Accelerated Life Test | - |
Palavras-chave: dc.subject | Machine Learning | - |
Palavras-chave: dc.subject | Reliability Prediction | - |
Palavras-chave: dc.subject | Survival Analysis | - |
Palavras-chave: dc.subject | Well Barriers | - |
Título: dc.title | A Novel Approach to Well Barrier Survival Analysis using Machine Learning | - |
Tipo de arquivo: dc.type | aula digital | - |
Aparece nas coleções: | Repositório Institucional - Unesp |
O Portal eduCAPES é oferecido ao usuário, condicionado à aceitação dos termos, condições e avisos contidos aqui e sem modificações. A CAPES poderá modificar o conteúdo ou formato deste site ou acabar com a sua operação ou suas ferramentas a seu critério único e sem aviso prévio. Ao acessar este portal, você, usuário pessoa física ou jurídica, se declara compreender e aceitar as condições aqui estabelecidas, da seguinte forma: