Atenção: Todas as denúncias são sigilosas e sua identidade será preservada.
Os campos nome e e-mail são de preenchimento opcional
Metadados | Descrição | Idioma |
---|---|---|
Autor(es): dc.contributor | Ahón, Victor Rolando Ruiz | - |
Autor(es): dc.contributor | Vallejos Carrasco, Alfredo Moisés | - |
Autor(es): dc.contributor | Queiroz Neto, João Crisósthomo de | - |
Autor(es): dc.contributor | Pinho, Luciana Loureiro de | - |
Autor(es): dc.creator | Oliveira, Bruno Maldonado de | - |
Data de aceite: dc.date.accessioned | 2024-07-11T18:39:27Z | - |
Data de disponibilização: dc.date.available | 2024-07-11T18:39:27Z | - |
Data de envio: dc.date.issued | 2021-01-03 | - |
Data de envio: dc.date.issued | 2021-01-03 | - |
Data de envio: dc.date.issued | 2019 | - |
Fonte completa do material: dc.identifier | https://app.uff.br/riuff/handle/1/16609 | - |
Fonte: dc.identifier.uri | http://educapes.capes.gov.br/handle/capes/774850 | - |
Descrição: dc.description | A importância das medições de propriedades físico-químicas do petróleo é imensurável. Suas aplicabilidades são encontradas em segurança do trabalho, transporte, estocagem e, principalmente em etapas de exploração, estimulação e recuperação dos óleos. Devido às dificuldades de alto custo e demanda de trabalho nos laboratórios de análise, modelos de correlações empíricas em função da composição, pressão e temperatura dos fluidos vêm sendo desenvolvidas. Para este estudo foram obtidos, no laboratório LATCA da UFRJ, 130 dados experimentais das propriedades físico-químicas de 17 amostras de óleos de 16 campos Offshore diferentes, dentre elas: Massa específica do óleo, Massa específica do gás, Teor de água, Composição molar do óleo, Composição molar do gás e Viscosidade dos óleos em função da pressão e temperatura de cada amostra. Um dos objetivos deste trabalho é o uso de regressão simbólica por otimização pelo método de programação genética para a organização, classificação, otimização e validação destes dados experimentais, assim como o desenvolvimento de uma correlação, sem a necessidade de iterações ou cálculos em cascata, para predição de valores de viscosidade dinâmica, com uma margem de erro controlada e minimizada. Foi escolhido o Software HeuristicLab da HEAL, Austrália, e foram utilizados como dados de entrada: temperatura, pressão, massa específica do óleo e massa específica do gás, parâmetros físico-químicos de fluidos que podem ser facilmente mensurados em campo. Os resultados obtidos foram comparados com predições e correlações equivalentes, realizadas anteriormente por outros artigos científicos encontrados na literatura, onde foram encontrados valores de viscosidades com Erros Absolutos Relativos Médios (AARE) de 8,68%. Esta acurácia média de 91,32% ainda pode ser melhorada pela utilização de uma maior quantidade de dados inicial, assim como pela utilização dos valores de Ponto de Bolha, Pb, porém a correlação encontrada ainda pode ser utilizada para simulações computacionais, devido ao seu menor esforço computacional necessário | - |
Descrição: dc.description | The importance of measuring physicochemical properties of petroleum is priceless. Its applicability can be find on work safety, transportation, stock and, above all, on steps of exploration, stimulation and oil recoveries. Due to difficulties of high costs and high labor demand on analysis laboratories, correlation models in function of composition, pressure and temperature of fluids are being developed. For this paper, 130 experimental data of physicochemical properties were obtained, on the LATCA laboratory of UFRJ, from 17 oil samples of 16 different Offshore Basins, among them: Oil specific mass, Gas specific mass, Water percentage, Molecular oil composition, Molecular gas composition and viscosity as a function of various pressure and temperature values. One of the goal of this paper is the utilization of symbolic regression by optimization through the genetic program method for organization, classification, optimization and validation of all experimental data, as well as the establishment of a new correlation, without the need for iterations or cascade calculations, to predict dynamic viscosity values, with a controlled and minimized error margin. It was used the Software HeuristicLab from HEAL, Australia, and the input data as: temperature, pressure, oil specific mass and gas specific mass, since all these parameters can be easily measured while still at the field. The obtained results were compared to prior equivalent predictions and correlations performed by others scientific papers established on the literature, where it was found viscosity values with an Absolute Average Relative Error (AARE) of 8.68%. This average accuracy of 91.32% can still be improved by the use of a bigger quantity of samples, or also through the use of the Bubble Point, Pb, although the correlation can still be used for computer simulations, due to its smaller computational effort required to run | - |
Formato: dc.format | application/pdf | - |
Formato: dc.format | application/pdf | - |
Formato: dc.format | application/pdf | - |
Idioma: dc.language | pt_BR | - |
Direitos: dc.rights | openAccess | - |
Direitos: dc.rights | http://creativecommons.org/licenses/by-sa/3.0/br/ | - |
Direitos: dc.rights | CC-BY-SA | - |
Palavras-chave: dc.subject | Óleos vivos | - |
Palavras-chave: dc.subject | Viscosidade | - |
Palavras-chave: dc.subject | Inteligência artificial | - |
Palavras-chave: dc.subject | Programação genética | - |
Palavras-chave: dc.subject | Viscosidade dinâmica | - |
Palavras-chave: dc.subject | Propriedades PVT | - |
Palavras-chave: dc.subject | Viscosidade | - |
Palavras-chave: dc.subject | Inteligência artificial | - |
Palavras-chave: dc.subject | Petróleo | - |
Palavras-chave: dc.subject | Live oil | - |
Palavras-chave: dc.subject | Viscosity | - |
Palavras-chave: dc.subject | Artificial intelligence | - |
Palavras-chave: dc.subject | Genetic programming | - |
Palavras-chave: dc.subject | PVT properties | - |
Palavras-chave: dc.subject | Machine learning | - |
Título: dc.title | Avaliação e predição de propriedades de óleos vivos através de métodos de inteligência artificial | - |
Tipo de arquivo: dc.type | Trabalho de conclusão de curso | - |
Aparece nas coleções: | Repositório Institucional da Universidade Federal Fluminense - RiUFF |
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: