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 | Santos, Eduardo Nunes dos | - |
Autor(es): dc.contributor | Lazzaretti, André Eugênio | - |
Autor(es): dc.contributor | Santos, Eduardo Nunes dos | - |
Autor(es): dc.contributor | Lazzaretti, André Eugênio | - |
Autor(es): dc.contributor | Borba, Gustavo Benvenutti | - |
Autor(es): dc.contributor | Pipa, Daniel Rodrigues | - |
Autor(es): dc.creator | Priotto, Felipe Messias | - |
Autor(es): dc.creator | Teixeira, Raphael Marinho | - |
Data de aceite: dc.date.accessioned | 2025-08-29T12:35:21Z | - |
Data de disponibilização: dc.date.available | 2025-08-29T12:35:21Z | - |
Data de envio: dc.date.issued | 2025-02-10 | - |
Data de envio: dc.date.issued | 2025-02-10 | - |
Data de envio: dc.date.issued | 2023-06-19 | - |
Fonte completa do material: dc.identifier | http://repositorio.utfpr.edu.br/jspui/handle/1/35929 | - |
Fonte: dc.identifier.uri | http://educapes.capes.gov.br/handle/capes/1098183 | - |
Descrição: dc.description | This work consists of an extensive exploratory data analysis (EDA) and the development of a machine learning model through Deep Learning aimed at optimizing and reducing costs in deepwater oil and gas extraction. The predictive model’s function is to anticipate events that could be costly for the exploration company. To achieve this, data science methods were applied to the 3W dataset created by Petrobras, which contains both real and simulated data from the company’s extraction fields. During the research, transformer and LSTM models were tested, with a comparison between the two, resulting in the selection of the transformer model due to its parallelization capabilities during training. The model evaluation metrics were satisfactory, achieving over 98% accuracy in the final model. Furthermore, interpretability of the model was successfully conducted using the Class Activation Map (CAM) technique, confirming the assessments intuitively and drawing parallels with the physical behavior of the sensors. | - |
Descrição: dc.description | Este trabalho consiste em uma extensa análise exploratória de dados (EDA) e na criação de um modelo de aprendizado de máquina por meio de Deep Learning voltado para a otimização e redução de custos na extração de petróleo e gás em águas profundas. O modelo preditivo tem como função prever antecipadamente eventos que poderiam ser custosos para a empresa desenvolvedora da exploração. Para isso, foram utilizados métodos de ciência de dados no dataset 3W criado pela Petrobras, que contém dados reais e simulados de campos de extração da empresa. Durante a pesquisa, foram testados modelos transformer e LSTM, com uma comparação entre os dois, resultando na escolha do modelo transformer devido à sua capacidade de paralelização no treinamento. As métricas de avaliação do modelo foram satisfatórias, alcançando mais de 98% de acurácia no modelo final. Além disso, foi realizada interpretação do modelo usando a técnica CAM (Class Activation Map), que confirmou as avaliações visualmente, estabelecendo um paralelo com o comportamento físico dos sensores. | - |
Formato: dc.format | application/pdf | - |
Idioma: dc.language | pt_BR | - |
Publicador: dc.publisher | Universidade Tecnológica Federal do Paraná | - |
Publicador: dc.publisher | Curitiba | - |
Publicador: dc.publisher | Brasil | - |
Publicador: dc.publisher | Engenharia Eletrônica | - |
Publicador: dc.publisher | UTFPR | - |
Direitos: dc.rights | openAccess | - |
Direitos: dc.rights | http://creativecommons.org/licenses/by/4.0/ | - |
Palavras-chave: dc.subject | Aprendizado profundo (Aprendizado do computador) | - |
Palavras-chave: dc.subject | Aprendizado do computador | - |
Palavras-chave: dc.subject | Análise multivariada | - |
Palavras-chave: dc.subject | Petróleo - Prospecção | - |
Palavras-chave: dc.subject | Detectores | - |
Palavras-chave: dc.subject | Deep learning (Machine learning) | - |
Palavras-chave: dc.subject | Machine learning | - |
Palavras-chave: dc.subject | Multivariate analysis | - |
Palavras-chave: dc.subject | Petroleum - Prospecting | - |
Palavras-chave: dc.subject | Detectors | - |
Palavras-chave: dc.subject | CNPQ::ENGENHARIAS | - |
Título: dc.title | Análise exploratória preditiva de anomalias em poços de extração de petróleo e gás | - |
Título: dc.title | Predictive exploratory analysis of anomalies in oil and gas extraction wells | - |
Tipo de arquivo: dc.type | livro digital | - |
Aparece nas coleções: | Repositorio Institucional da UTFPR - RIUT |
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: