Detecção rápida de Kick na perfuração de poços de petróleo utilizando Autoencoders Convolucionais

Registro completo de metadados
MetadadosDescriçãoIdioma
Autor(es): dc.contributorCopetti, Alessandro-
Autor(es): dc.contributorBertini, Luciano-
Autor(es): dc.contributorSouza, Charlton Okama-
Autor(es): dc.contributorNarcizo, Ramon Baptista-
Autor(es): dc.contributorCardoso, Rodolfo-
Autor(es): dc.creatorLima, Felipe de Azevedo-
Data de aceite: dc.date.accessioned2025-08-21T20:11:11Z-
Data de disponibilização: dc.date.available2025-08-21T20:11:11Z-
Data de envio: dc.date.issued2025-08-01-
Data de envio: dc.date.issued2025-08-01-
Fonte completa do material: dc.identifierhttps://app.uff.br/riuff/handle/1/39651-
Fonte: dc.identifier.urihttp://educapes.capes.gov.br/handle/capes/1056187-
Descrição: dc.descriptionEsta pesquisa aborda um dos desafios mais críticos da perfuração de poços de petróleo: a detecção rápida de eventos de kicks. O kick é um influxo indesejado de fluidos das rochas em subsuperfície que pode levar a sérios problemas de segurança, tornando sua identificação e gerenciamento fundamentais para continuidade operacional e bem estar de todos os envolvidos. Utilizando técnicas de deep learning, em especial os modelos de autoencoders, o estudo visa não apenas melhorar a precisão e rapidez na identificação dos kicks, mas também reduzir significativamente os falsos alertas. A metodologia aplicada para alcançar esses objetivos foi baseada no padrão CRISP-DM (Cross-Industry standard Process for Data Mining), um modelo para desenvolvimento de soluções em ciência de dados. Após análise dos eventos de kick em poços marítimos localizados em campos de petróleo no Brasil, os dados reais dos parâmetros dessas perfurações e outras correlatas foram utilizados para treinamento de diferentes modelos de aprendizado de máquina. Este trabalho concluiu que as estruturas de autoencoders baseadas em camadas de redes convolucionais temporais (TCN-AE) possuem performance superior na detecção de kicks em perfurações de poços offshore, em comparação a outras redes não supervisionadas consagradas na literatura como a CNN-AE, LSTM-AE, LSTM-VAE e IF. Além de obter 100% de sucesso na detecção dos kicks, a rede TCN-AE não apresentou indicação de falsos alertas e obteve resultados promissores para capacidade preditiva, sinalizando a existência do kick antes do início de ganho de volume de fluido nos tanques. Para este estudo foram obtidos os históricos dos dados operacionais do monitoramento em tempo real de 19 perfurações em poços marítimos offshore de 2 campos de petróleo diferentes onde ocorreram 4 kicks reais e 6 falsos alertas de kick. Com base nos testes realizados, a rede neural TCN-AE demonstrou-se como solução preditiva robusta para detecção de kicks nas perfurações de poços de petróleo offshore-
Descrição: dc.descriptionThis research addresses one of the most critical challenges in oil well drilling: the rapid detection of kick events. A kick is an unwanted influx of fluids from subsurface rocks that can lead to serious safety issues, making its identification and management essential for operational continuity and the well-being of all involved. Using deep learning techniques, especially autoencoder models, the study aims not only to improve the accuracy and speed of kick identification, but also to significantly reduce false alerts. The methodology applied to achieve these objectives was based on the CRISP-DM (Cross-Industry Standard Process for Data Mining) standard, a model for developing data science solutions. After analyzing kick events in offshore wells located in oil fields in Brazil, real data on the parameters of these drillings and other related drillings were used to train different machine learning models. This work concluded that autoencoder structures based on temporal convolutional network layers (TCN-AE) have superior performance in detecting kicks in offshore well drillings, compared to other unsupervised networks established in the literature such as CNN-AE, LSTM-AE, LSTM-VAE and IF. In addition to obtaining 100% success in detecting kicks, the TCN-AE network did not show any false alerts and obtained promising results for predictive capacity, signaling the existence of the kick before the beginning of fluid volume gain in the tanks. For this study, historical operational data from real-time monitoring of 19 drillings in offshore wells of 2 different oil fields were obtained, where 4 real kicks and 6 false kick alerts occurred. Based on the tests carried out, the TCN-AE neural network proved to be a robust predictive solution for detecting kicks in offshore oil well drilling.-
Descrição: dc.description197 p.-
Formato: dc.formatapplication/pdf-
Idioma: dc.languagept_BR-
Direitos: dc.rightsOpen Access-
Direitos: dc.rightsCC-BY-SA-
Palavras-chave: dc.subjectDetecção-
Palavras-chave: dc.subjectKick-
Palavras-chave: dc.subjectPoços-
Palavras-chave: dc.subjectPetróleo-
Palavras-chave: dc.subjectPerfuração-
Palavras-chave: dc.subjectSegurança-
Palavras-chave: dc.subjectIntegridade-
Palavras-chave: dc.subjectControle de poço-
Palavras-chave: dc.subjectDeep learning-
Palavras-chave: dc.subjectMachine learning-
Palavras-chave: dc.subjectInteligência Artificial-
Palavras-chave: dc.subjectAutoencoders-
Palavras-chave: dc.subjectConvolucionais-
Palavras-chave: dc.subjectTCN-AE-
Palavras-chave: dc.subjectCNN-AE-
Palavras-chave: dc.subjectLSTM-AE-
Palavras-chave: dc.subjectSéries temporais-
Palavras-chave: dc.subjectCRISPDM-
Palavras-chave: dc.subjectPerfuração de poço-
Palavras-chave: dc.subjectDetection-
Palavras-chave: dc.subjectKick-
Palavras-chave: dc.subjectWells-
Palavras-chave: dc.subjectOil-
Palavras-chave: dc.subjectDrilling-
Palavras-chave: dc.subjectSafety-
Palavras-chave: dc.subjectIntegrity-
Palavras-chave: dc.subjectWell control-
Palavras-chave: dc.subjectDeep learning-
Palavras-chave: dc.subjectMachine learning-
Palavras-chave: dc.subjectArtificial Intelligence-
Palavras-chave: dc.subjectAutoencoders-
Palavras-chave: dc.subjectConvolutional-
Palavras-chave: dc.subjectTCN-AE-
Palavras-chave: dc.subjectCNN-AE-
Palavras-chave: dc.subjectLSTM-AE-
Palavras-chave: dc.subjectTime Series-
Palavras-chave: dc.subjectCRISPDM-
Título: dc.titleDetecção rápida de Kick na perfuração de poços de petróleo utilizando Autoencoders Convolucionais-
Tipo de arquivo: dc.typeDissertação-
Aparece nas coleções:Repositório Institucional da Universidade Federal Fluminense - RiUFF

Não existem arquivos associados a este item.