
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 | Barbosa, Bruno Henrique Groenner | - |
| Autor(es): dc.contributor | Barbosa, Bruno Henrique Groenner | - |
| Autor(es): dc.contributor | Pereira, Daniel Augusto | - |
| Autor(es): dc.contributor | Ferreira, Dantos Diego | - |
| Autor(es): dc.contributor | Vitor, Giovani Bernardes | - |
| Autor(es): dc.creator | Cunha, Bruna | - |
| Data de aceite: dc.date.accessioned | 2026-02-09T11:24:15Z | - |
| Data de disponibilização: dc.date.available | 2026-02-09T11:24:15Z | - |
| Data de envio: dc.date.issued | 2024-02-08 | - |
| Data de envio: dc.date.issued | 2024-02-08 | - |
| Data de envio: dc.date.issued | 2023-02-08 | - |
| Data de envio: dc.date.issued | 2023-10-30 | - |
| Fonte completa do material: dc.identifier | https://repositorio.ufla.br/handle/1/58898 | - |
| Fonte: dc.identifier.uri | http://educapes.capes.gov.br/handle/capes/1140120 | - |
| Descrição: dc.description | Artificial intelligence techniques applied in real contexts such as prediction of process variables, detection of anomalies or changes in production lines can result in reduced maintenance costs, actions to prevent accidents and failures, decision-making support, avoid losses of production and financial aspects and identify points for process improvement. The text presents a proposal for the application of a soft sensor, using an evolutionary algorithm, to identify future behavior of a temperature sensor during the operation of oil wells. The approach involves multiple executions of the multi-gene genetic programming algorithm (MGGP) to identify hyperparameter values contributing to the best results. After analyzing and determining the parameters for MGGP, the soft sensor, based on a polynomial NARX model, is implemented on a real public dataset called 3W. This dataset contains sensor measurements from oil wells between the periods of 2017 and 2018. The performance of the soft sensor is evaluated using the Mean Absolute Percentage Error (MAPE), which indicates the model's adequacy through the relative error between real data and model output expressed as a percentage. The model is trained and validated on data from two available wells, showing satisfactory results in representing the normal operation dynamics of each oil well. However, during periods of measurement transitioning to an anomalous state, the model is unable to explain such behavior. As it evolves through the transitional period, the error tends to increase. This outcome suggests the model's potential use in the context of anomaly detection in oil wells, functioning as a one-class classifier. | - |
| Descrição: dc.description | Técnicas de inteligência artificial aplicadas em contextos reais como predição de variáveis de processo, detecção de anomalia ou mudança em linhas de produção podem implicar em redução de custo de manutenção, ações de prevenção de acidentes e falhas, auxílio em tomada de decisão, evitar perdas de produção e financeira e identificar pontos para melhoria do processo. Este trabalho apresenta uma proposta de aplicação de um soft sensor, utilizando um algoritmo evolutivo, para identificação de comportamento futuros de um sensor de temperatura durante a operação de poços surgentes de petróleo. Para isso, primeiramente, são realizadas diversas execuções do algoritmo de programação genética multigênica (MGGP) a fim de identificar quais valores de hiper-parâmetros contribuem para um melhor resultado. Após essa análise e determinação dos parâmetros para o MGGP, o soft sensor, baseado em modelo NARX polinomial, é implementado sobre uma base de dados real pública, denominada 3W, com medições de sensores presentes em poços surgentes de petróleo, entre os períodos de 2017 e 2018. O desempenho do soft sensor é avaliado por meio do MAPE (Mean Absolute Percentage Error) que fornece a informação de adequação do modelo por meio do erro relativo entre os dados reais e a saída do modelo expresso em percentual. É realizado o treinamento do modelo e validação dos resultados que se mostram satisfatórios sobre os dados de dois poços disponíveis, resultando em uma função capaz de representar a dinâmica de operação de cada um dos poços surgentes de petróleo em operação normal. Já sobre os períodos de medição que possuem a transição ao estado de anomalia, o modelo não é capaz de explicar tal comportamento e, à medida que evolui no período transitório, o erro apresenta uma tendência de aumento. Este resultado possibilita seu uso no contexto de detecção de anomalias em poços de petróleo, como um classificador one class. | - |
| Formato: dc.format | application/pdf | - |
| Idioma: dc.language | pt_BR | - |
| Publicador: dc.publisher | Universidade Federal de Lavras | - |
| Publicador: dc.publisher | Programa de Pós-graduação em Engenharia de Sistemas e Automação | - |
| Publicador: dc.publisher | UFLA | - |
| Publicador: dc.publisher | brasil | - |
| Publicador: dc.publisher | Departamento de Ciência da Computação | - |
| Direitos: dc.rights | Attribution-ShareAlike 4.0 International | - |
| Direitos: dc.rights | Attribution-ShareAlike 4.0 International | - |
| Direitos: dc.rights | acesso aberto | - |
| Direitos: dc.rights | http://creativecommons.org/licenses/by-sa/4.0/ | - |
| Direitos: dc.rights | http://creativecommons.org/licenses/by-sa/4.0/ | - |
| Palavras-chave: dc.subject | Soft-sensor | - |
| Palavras-chave: dc.subject | Modelos NARX | - |
| Palavras-chave: dc.subject | Poços surgentes de petróleo | - |
| Palavras-chave: dc.subject | Programação genética | - |
| Palavras-chave: dc.subject | NARX models | - |
| Palavras-chave: dc.subject | Offshore oil wells | - |
| Palavras-chave: dc.subject | Genetic programming | - |
| Palavras-chave: dc.subject | Nonlinear Autoregressive with eXogenous inputs (NARX) | - |
| Palavras-chave: dc.subject | Computabilidade e Modelos de Computação | - |
| Título: dc.title | Identificação de modelos Narx para poços surgentes de petróleo usando programação genética multi-gênica | - |
| Tipo de arquivo: dc.type | dissertação | - |
| Aparece nas coleções: | Repositório Institucional da Universidade Federal de Lavras (RIUFLA) | |
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: