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 | Arruda, Lúcia Valéria Ramos de | - |
Autor(es): dc.contributor | Ofuchi, César Yutaka | - |
Autor(es): dc.contributor | Arruda, Lúcia Valéria Ramos de | - |
Autor(es): dc.contributor | Neves Junior, Flavio | - |
Autor(es): dc.contributor | Borba, Gustavo Benvenutti | - |
Autor(es): dc.creator | Lopes, Pedro Zeola | - |
Data de aceite: dc.date.accessioned | 2025-08-29T12:50:10Z | - |
Data de disponibilização: dc.date.available | 2025-08-29T12:50:10Z | - |
Data de envio: dc.date.issued | 2025-03-28 | - |
Data de envio: dc.date.issued | 2025-03-28 | - |
Data de envio: dc.date.issued | 2023-11-21 | - |
Fonte completa do material: dc.identifier | http://repositorio.utfpr.edu.br/jspui/handle/1/36260 | - |
Fonte: dc.identifier.uri | http://educapes.capes.gov.br/handle/capes/1102733 | - |
Descrição: dc.description | The need to meet growing energy demand drives the oil industry to explore new sources, notably exploration in deep sea environments. This study is dedicated to the development of a tool for preventing failures in installations intended for oil and gas extraction. The approach adopted consists of the analysis of real data sets, obtained through sensors distributed on multiple oil platforms, accessible in the public database called 3W. Several techniques were applied in data analysis, including: Extreme Gradient Boosting, Random Forest, Extra Trees Classifier, Light Gradient Boosting Machine, Decision Tree Classifier, Linear Discriminant Analysis, Ridge Classifier, Knearest Neighbors, Quadratic Discriminant Analysis, Ada Boost Classifier , Dummy classifier, Naive Bayes, Multi-Layer Perceptron Classifier, Logistic Regression, Support Vector Machine and a Long Short-Term Memory neural network. The results indicated that the Extreme Gradient Boosting model achieved the best performance, achieving an F1 score of 0.99. The project implementation was carried out using the Python language and the pycaret, tensorflow, tsfresh and scikit-learn libraries. The main objective of this model is to provide support to operators in decision-making, contributing to the prevention of failures and optimization of operational performance in oil and gas extraction activities. | - |
Descrição: dc.description | Agência Nacional do Petróleo (ANP) | - |
Descrição: dc.description | A necessidade de suprir a crescente demanda energética impulsiona a indústria petrolífera a prospectar novas fontes, notadamente a exploração em ambientes marítimos profundos. Este estudo se dedica ao desenvolvimento de uma ferramenta para a prevenção de falhas em instalações destinadas à extração de petróleo e gás. A abordagem adotada consiste na análise de conjuntos de dados reais, obtidos por meio de sensores distribuídos em múltiplas plataformas petrolíferas, acessíveis na base de dados pública denominada 3W. Diversas técnicas foram aplicadas na análise de dados, incluindo: Extreme Gradient Boosting, Random Forest, Extra Trees Classifier, Light Gradient Boosting Machine, Decision Tree Classifier, Linear Discriminant Analysis, Ridge Classifier, K-Nearest Neighbors, Quadratic Discriminant Analysis, Ada Boost Classifier, Dummy classifier, Naive Bayes, Multi-Layer Perceptron Classifier, Logistic Regression, Support Vector Machine e uma rede neural do tipo Long Short-Term Memory. Os resultados indicaram que o modelo Extreme Gradient Boosting obteve o melhor desempenho, alcançando um F1 score de 0.99. A implementação do projeto foi realizada com a linguagem python e as bibliotecas pycaret, tensorflow, tsfresh e scikit-learn. O principal objetivo desse modelo é fornecer suporte aos operadores na tomada de decisões, contribuindo para a prevenção de falhas e otimização do desempenho operacional nas atividades de extração de petróleo e gás. | - |
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 | Indústria petrolífera | - |
Palavras-chave: dc.subject | Aprendizado do computador | - |
Palavras-chave: dc.subject | Localização de falhas (Engenharia) | - |
Palavras-chave: dc.subject | Aprendizado profundo (Aprendizado do computador) | - |
Palavras-chave: dc.subject | Petroleum, Industry and trade | - |
Palavras-chave: dc.subject | Machine learning | - |
Palavras-chave: dc.subject | Fault location (Engineering) | - |
Palavras-chave: dc.subject | Deep learning (Machine learning) | - |
Palavras-chave: dc.subject | CNPQ::ENGENHARIAS::ENGENHARIA ELETRICA | - |
Título: dc.title | Modelos de apoio à prevenção de falhas em plantas de petróleo e gás baseados em técnicas de ciência de dados e aprendizado de máquina | - |
Título: dc.title | Models to support failure prevention in oil and gas plants based on data science and machine learning techniques | - |
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: