Ferramenta de apoio a decisão baseada em redes neurais para a detecção de anomalias durante a fase de produção de petróleo

Registro completo de metadados
MetadadosDescriçãoIdioma
Autor(es): dc.contributorLima, Gilson Brito Alves-
Autor(es): dc.contributorLeta, Fabiana Rodrigues-
Autor(es): dc.contributorCastro, Antônio Orestes de Salvo-
Autor(es): dc.contributorGavião, Luiz Octávio-
Autor(es): dc.contributorhttp://lattes.cnpq.br/1826583658594833-
Autor(es): dc.creatorSantos, Ricardo de Araújo-
Data de aceite: dc.date.accessioned2024-07-11T18:26:04Z-
Data de disponibilização: dc.date.available2024-07-11T18:26:04Z-
Data de envio: dc.date.issued2023-09-18-
Data de envio: dc.date.issued2023-09-18-
Fonte completa do material: dc.identifierhttp://app.uff.br/riuff/handle/1/30405-
Fonte: dc.identifier.urihttp://educapes.capes.gov.br/handle/capes/770495-
Descrição: dc.descriptionA alta volatilidade do preço do petróleo exige que as empresas dessa indústria estejam sempre buscando formas de aumentar a eficiência de projetos, com o melhor aproveitamento dos dados coletados. Nesse contexto, diversos estudos no setor petrolífero têm procurado avaliar o uso de redes neurais e inteligência artificial para extrair informações dos dados e detectar eventos. Área importante do desenvolvimento de um campo, a produção de poços offshore apresenta problemas que muitas vezes o uso de técnicas convencionais como a simulação multifásica não é suficiente para evitar que ocorra a interrupção da produção para solucionar essas anomalias. O presente trabalho tem por objetivo identificar as melhores estruturas de redes neurais e como tais algoritmos podem ser utilizados para detectar eventos durante a produção de poços, podendo dessa forma maximizar as informações extraídas dos dados de produção e minimizar as perdas financeiras por interrupções da planta. Para realizar a modelagem, um banco de dados público com dados de 21 poços reais e 8 anomalias de produção foi utilizado como fonte de dados. Aumento abrupto do BSW, fechamento espúrio da válvula DHSV, slugging severo, instabilidade de fluxo, perda rápida de produção, restrição rápida da válvula choke, inscrustação na válvula choke e formação de hidratos na linha de produção são os oito problemas abordados nesse estudo. Para explorar e tratar os dados, adotou-se a técnica CRISP-DM. As estruturas de redes neurais identificadas durante a revisão de literatura inicial serviram como base para realizar a modelagem. O presente estudo fornece um comparativo da eficiência de diferentes técnicas de redes neurais testadas em diferentes cenários na identificação de anomalias de produção e os resultados obtidos evidenciam a grande capacidade das Redes LSTM e redes feedforward na detecção dos eventos estudados. Ambos tipos de redes apresentaram valores de F1 acima de 90 na maioria dos cenários avaliados.-
Descrição: dc.descriptionThe high volatility of the oil price demands that companies in this industry are always looking for ways to increase the efficiency of projects, with the maximization of the information extracted from the data collected. In this context, several studies in the oil sector have sought to evaluate the use of neural networks and artificial intelligence to extract information from data, detect events and improve the quality of models used in the industry. An important area in the development of a field, the production of offshore wells deal with problems that oftentimes the use of conventional techniques such as multiphase simulation is not enough to prevent the interruption of production to solve these anomalies. This work aims to identify the best neural network structures and how such algorithms can be used to detect events during well production, thus maximizing the information extracted from production data and minimizing financial losses due to plant interruptions. To carry out the modeling, a public database with data from 21 real wells and 8 production anomalies was used as a data source. Abrupt increase in BSW, spurious closure of the DHSV valve, severe slugging, flow instability, rapid loss of production, rapid restriction of the choke valve, scaling in the choke valve and hydrates formation in production line are the eight problems addressed in this study.To explore and treat the data, the CRISP-DM technique was adopted. The neural network structures identified during the initial literature review served as the basis for modeling the problem. The present study provides a comparison of the efficiency of different neural network techniques tested in different scenarios in identifying production anomalies and the results obtained show the great capacity of LSTM networks and feedforward networks in detecting the studied events. Both types of networks presented F1 values above 90 in most of the evaluated scenarios-
Descrição: dc.description140 p.-
Formato: dc.formatapplication/pdf-
Idioma: dc.languagept_BR-
Direitos: dc.rightsOpen Access-
Direitos: dc.rightsCC-BY-SA-
Palavras-chave: dc.subjectProdução de poços offshore-
Palavras-chave: dc.subjectPredição de anomalias-
Palavras-chave: dc.subjectInteligência artificial-
Palavras-chave: dc.subjectRedes neurais artificiais-
Palavras-chave: dc.subjectPoço de petróleo-
Palavras-chave: dc.subjectIndústria petrolífera offshore-
Palavras-chave: dc.subjectEficiência técnica-
Palavras-chave: dc.subjectOffshore oil production-
Palavras-chave: dc.subjectAnomaly prediction-
Palavras-chave: dc.subjectNeural networks-
Palavras-chave: dc.subjectArtificial intelligence-
Palavras-chave: dc.subjectArtificial neural networks-
Título: dc.titleFerramenta de apoio a decisão baseada em redes neurais para a detecção de anomalias durante a fase de produção de petróleo-
Título: dc.titleDecision support tool based on neural networks for detecting anomalies during the oil production phase-
Tipo de arquivo: dc.typeDissertação-
Aparece nas coleções:Repositório Institucional da Universidade Federal Fluminense - RiUFF

Não existem arquivos associados a este item.