Detecção de problemas de garantia de escoamento a partir da utilização de ferramentas de aprendizado de máquina

Registro completo de metadados
MetadadosDescriçãoIdioma
Autor(es): dc.contributorLeta, Fabiana Rodrigues-
Autor(es): dc.contributorFonseca, Maria da Penha Cindra-
Autor(es): dc.contributorGavião, Luiz Octávio-
Autor(es): dc.contributorLima, Gilson Brito Alves-
Autor(es): dc.contributorhttp://lattes.cnpq.br/6788109338572692-
Autor(es): dc.contributorhttp://lattes.cnpq.br/5364548256245450-
Autor(es): dc.contributorhttp://lattes.cnpq.br/3704231514428206-
Autor(es): dc.contributorhttp://lattes.cnpq.br/6602808435828190-
Autor(es): dc.contributorhttp://lattes.cnpq.br/2248567464602970-
Autor(es): dc.creatorSantos, Mayara de Jesus Rocha-
Data de aceite: dc.date.accessioned2024-07-11T18:19:35Z-
Data de disponibilização: dc.date.available2024-07-11T18:19:35Z-
Data de envio: dc.date.issued2021-07-15-
Data de envio: dc.date.issued2021-07-15-
Data de envio: dc.date.issued2019-
Fonte completa do material: dc.identifierhttps://app.uff.br/riuff/handle/1/22623-
Fonte completa do material: dc.identifierhttp://dx.doi.org/10.22409/PGMEC.2020.m.14116171778-
Fonte: dc.identifier.urihttp://educapes.capes.gov.br/handle/capes/768326-
Descrição: dc.descriptionNa produção de poços offshore podem ocorrer os denominados problemas de garantia de escoamento. Esses problemas podem afetar tubulações e equipamentos e, em casos mais severos, interromper a produção de óleo e gás. Alguns exemplos são formação de hidratos em linhas de produção, incrustação em válvulas, slugging e instabilidade de fluxo. No intuito de detectar a ocorrência dessas anomalias durante a produção de petróleo e estabelecer meios que permitam diferenciar anomalias com impactos similares na produção, este trabalho propõe combinar o estudo do comportamento dos sensores de pressão e temperatura localizados no sistema de produção com a aplicação de ferramentas de aprendizado de máquina como; adaboost, árvore de decisão, modelos de misturas gaussianas, random forest e naive Bayes. Esses algoritmos de classificação foram aplicados para identificar diferentes classes presentes em um banco de dados público contendo dados reais de produção de diversos poços de petróleo. Por meio dos experimentos realizados nesta pesquisa, também verificou-se a possibilidade de utilizar modelos classificadores de anomalias para mais poços além do usado para treinar o modelo. Todavia, apenas modelos de classificação de formação de hidrato apresentaram resultados positivos quando usados em poços diferentes. Os algoritmos de aprendizado de máquina mostraram bons resultados na classificação dos poços em regimes normais, transientes e anormais, onde a falha já está instalada, obtendo F1-score entre 97 e 100%. Resultados positivos também foram obtidos na classificação de dados de slugging e instabilidade de fluxo, os modelos foram capazes de diferenciar esses dois problemas com F1-score 99 a 100%-
Descrição: dc.descriptionCoordenação de Aperfeiçoamento de Pessoal de Nível Superior.-
Descrição: dc.descriptionIn offshore fields a main concern is flow assurance issues. Flow assurance can impact equipment, production flow and, in severe cases, shut down the production of oil and gas. Hydrate formation, scaling, slugging and flow instability are some of flow assurance problems that occurs in petroleum production. In order to identify the occurrence of such problems, classify well production status and distinguish similar anomalies, the present work proposes a detailed analysis of pressure and temperature sensors combined with machine learning techniques like adaboost, decision tree, random forest, naïve Bayes and gaussian mixture models. Thus, these classifiers were applied for detecting different classes such as “normal”, “transient” and “abnormal” in a public dataset with real data about undesirable anomalies during oil production. Also, this work has runned experiments designed to check the possibility of using models based on one well to classify different others wells, and only for hydrate formation positive results were achieved in this matter. Nevertheless, the machine learning classifiers showed high F1- scores for well status classification scoring between 97-100%. Likewise, for slugging and flow instability classification the algorithms presented F1-score up to 99%, reaching 100% in most cases-
Descrição: dc.description118 f.-
Formato: dc.formatapplication/pdf-
Idioma: dc.languagept_BR-
Publicador: dc.publisherNiterói-
Direitos: dc.rightsOpen Access-
Direitos: dc.rightsCC-BY-SA-
Palavras-chave: dc.subjectGarantia de escoamento-
Palavras-chave: dc.subjectAlgoritmos de classificação-
Palavras-chave: dc.subjectPoços offshore-
Palavras-chave: dc.subjectEscoamento de fluidos-
Palavras-chave: dc.subjectPoço de petróleo-
Palavras-chave: dc.subjectAprendizado de máquina-
Palavras-chave: dc.subjectFlow assurance-
Palavras-chave: dc.subjectClassifying algorithm-
Palavras-chave: dc.subjectOffshore wells-
Título: dc.titleDetecção de problemas de garantia de escoamento a partir da utilização de ferramentas de aprendizado de máquina-
Tipo de arquivo: dc.typeDissertação-
Aparece nas coleções:Repositório Institucional da Universidade Federal Fluminense - RiUFF

Não existem arquivos associados a este item.