Aplicação de redes neurais artificiais no reconhecimento de padrões de cartas dinamométricas de fundo em sistemas de bombeio mecânico de petróleo
Autor(a) principal: | |
---|---|
Data de Publicação: | 2010 |
Tipo de documento: | Dissertação |
Idioma: | por |
Título da fonte: | Repositório Institucional da UFBA |
Texto Completo: | http://repositorio.ufba.br/ri/handle/ri/18667 |
Resumo: | O método de elevação artificial mais utilizado na indústria da produção de petróleo é o Sistema de Bombeio Mecânico (SBM), constituído essencialmente de três componentes: unidade de bombeio (UB), coluna de hastes (CH) e bomba de fundo (BF), tendo como principal ferramenta de diagnóstico a Carta Dinamométrica de Fundo (CDF), que apresenta um gráfico da carga, no ponto de conexão da CH com a BF, versus deslocamento do pistão da BF ao longo de um ciclo de bombeio. A utilização de CDF para diagnosticar SBM foi introduzida nos anos 30 por Walton E. Gilbert. O trabalho pioneiro de Gibbs e Neely nos anos 60 que traz a modelagem matemática do sistema possibilitou a reconstituição de uma CDF a partir de uma carta de superfície. O uso de um sistema automático de reconhecimento de padrões de CDF permite antecipar a identificação de problemas e a adoção de ações corretivas e preventivas, com impacto direto no aumento ou manutenção da produção de petróleo, na redução no consumo de energia e no aumento da disponibilidade dos equipamentos. Vários trabalhos têm sido apresentados sobre mecanismos de classificação automática de CDF, porém tendo resultados limitados a um número reduzido de classes de anomalias. Por outro lado, no final do século XX, Redes Neurais Artificiais (RNA) tem sido utilizadas com sucesso em vários campos do conhecimento, tais como modelamento de sistemas, previsão de séries temporais, classificação e reconhecimento de padrões. Esta última aplicação em especial compõe o mote deste trabalho, onde a identificação de um padrão de falha é realizada através de uma RNA treinada, alimentada pela saída de um extrator de características, que promove a redução dimensional dos dados de processo. Diferentemente de outras abordagens que utilizam um conjunto reduzido de classes para o treinamento da RNA, este trabalho mostra a viabilidade de se gerar padrões artificiais para treinamento de redes neurais com o intuito de se diagnosticar o desempenho de um SBM. Esta técnica deixa um caminho aberto para aplicações onde haja escassez de padrões, como nos casos de padrões de falhas, onde a obtenção de dados nas condições de anormalidade pode ser complexa ou possuir um alto custo. |
id |
UFBA-2_dad3913d4f4ad2e527d689f15332b860 |
---|---|
oai_identifier_str |
oai:repositorio.ufba.br:ri/18667 |
network_acronym_str |
UFBA-2 |
network_name_str |
Repositório Institucional da UFBA |
repository_id_str |
1932 |
spelling |
Bezerra, Marco Antonio DiasShnitman, LeizerBarreto Filho, Manuel de AlmeidaShnitman, LeizerBarreto Filho, Manuel de AlmeidaMorooka, Celso KazuyukiLepikson, Herman Augusto2016-03-01T17:52:50Z2016-03-01T17:52:50Z2016-03-012010-07-16http://repositorio.ufba.br/ri/handle/ri/18667O método de elevação artificial mais utilizado na indústria da produção de petróleo é o Sistema de Bombeio Mecânico (SBM), constituído essencialmente de três componentes: unidade de bombeio (UB), coluna de hastes (CH) e bomba de fundo (BF), tendo como principal ferramenta de diagnóstico a Carta Dinamométrica de Fundo (CDF), que apresenta um gráfico da carga, no ponto de conexão da CH com a BF, versus deslocamento do pistão da BF ao longo de um ciclo de bombeio. A utilização de CDF para diagnosticar SBM foi introduzida nos anos 30 por Walton E. Gilbert. O trabalho pioneiro de Gibbs e Neely nos anos 60 que traz a modelagem matemática do sistema possibilitou a reconstituição de uma CDF a partir de uma carta de superfície. O uso de um sistema automático de reconhecimento de padrões de CDF permite antecipar a identificação de problemas e a adoção de ações corretivas e preventivas, com impacto direto no aumento ou manutenção da produção de petróleo, na redução no consumo de energia e no aumento da disponibilidade dos equipamentos. Vários trabalhos têm sido apresentados sobre mecanismos de classificação automática de CDF, porém tendo resultados limitados a um número reduzido de classes de anomalias. Por outro lado, no final do século XX, Redes Neurais Artificiais (RNA) tem sido utilizadas com sucesso em vários campos do conhecimento, tais como modelamento de sistemas, previsão de séries temporais, classificação e reconhecimento de padrões. Esta última aplicação em especial compõe o mote deste trabalho, onde a identificação de um padrão de falha é realizada através de uma RNA treinada, alimentada pela saída de um extrator de características, que promove a redução dimensional dos dados de processo. Diferentemente de outras abordagens que utilizam um conjunto reduzido de classes para o treinamento da RNA, este trabalho mostra a viabilidade de se gerar padrões artificiais para treinamento de redes neurais com o intuito de se diagnosticar o desempenho de um SBM. Esta técnica deixa um caminho aberto para aplicações onde haja escassez de padrões, como nos casos de padrões de falhas, onde a obtenção de dados nas condições de anormalidade pode ser complexa ou possuir um alto custo.Submitted by LIVIA FREITAS (livia.freitas@ufba.br) on 2016-01-29T21:23:46Z No. of bitstreams: 1 dissert_v1009.pdf: 12452789 bytes, checksum: 6174aa6a8f5e91feb85fc2c38349fea3 (MD5)Approved for entry into archive by LIVIA FREITAS (livia.freitas@ufba.br) on 2016-03-01T17:52:50Z (GMT) No. of bitstreams: 1 dissert_v1009.pdf: 12452789 bytes, checksum: 6174aa6a8f5e91feb85fc2c38349fea3 (MD5)Made available in DSpace on 2016-03-01T17:52:50Z (GMT). No. of bitstreams: 1 dissert_v1009.pdf: 12452789 bytes, checksum: 6174aa6a8f5e91feb85fc2c38349fea3 (MD5)Inteligência artificialRedes neurais (Computação)Indústria petrolífera Equipamentos e acessórios.Aplicação de redes neurais artificiais no reconhecimento de padrões de cartas dinamométricas de fundo em sistemas de bombeio mecânico de petróleoinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisUniversidade Federal da Bahia. Escola PolitécnicaMecatrônicaUFBAbrasilinfo:eu-repo/semantics/openAccessporreponame:Repositório Institucional da UFBAinstname:Universidade Federal da Bahia (UFBA)instacron:UFBALICENSElicense.txtlicense.txttext/plain1345https://repositorio.ufba.br/bitstream/ri/18667/2/license.txt0d4b811ef71182510d2015daa7c8a900MD52ORIGINALdissert_v1009.pdfdissert_v1009.pdfapplication/pdf12452789https://repositorio.ufba.br/bitstream/ri/18667/1/dissert_v1009.pdf6174aa6a8f5e91feb85fc2c38349fea3MD51TEXTdissert_v1009.pdf.txtdissert_v1009.pdf.txtExtracted texttext/plain190583https://repositorio.ufba.br/bitstream/ri/18667/3/dissert_v1009.pdf.txtb2c1422033d2cb87819cf82ab98aae48MD53ri/186672022-02-20 21:58:46.198oai:repositorio.ufba.br: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Repositório InstitucionalPUBhttp://192.188.11.11:8080/oai/requestopendoar:19322022-02-21T00:58:46Repositório Institucional da UFBA - Universidade Federal da Bahia (UFBA)false |
dc.title.pt_BR.fl_str_mv |
Aplicação de redes neurais artificiais no reconhecimento de padrões de cartas dinamométricas de fundo em sistemas de bombeio mecânico de petróleo |
title |
Aplicação de redes neurais artificiais no reconhecimento de padrões de cartas dinamométricas de fundo em sistemas de bombeio mecânico de petróleo |
spellingShingle |
Aplicação de redes neurais artificiais no reconhecimento de padrões de cartas dinamométricas de fundo em sistemas de bombeio mecânico de petróleo Bezerra, Marco Antonio Dias Inteligência artificial Redes neurais (Computação) Indústria petrolífera Equipamentos e acessórios. |
title_short |
Aplicação de redes neurais artificiais no reconhecimento de padrões de cartas dinamométricas de fundo em sistemas de bombeio mecânico de petróleo |
title_full |
Aplicação de redes neurais artificiais no reconhecimento de padrões de cartas dinamométricas de fundo em sistemas de bombeio mecânico de petróleo |
title_fullStr |
Aplicação de redes neurais artificiais no reconhecimento de padrões de cartas dinamométricas de fundo em sistemas de bombeio mecânico de petróleo |
title_full_unstemmed |
Aplicação de redes neurais artificiais no reconhecimento de padrões de cartas dinamométricas de fundo em sistemas de bombeio mecânico de petróleo |
title_sort |
Aplicação de redes neurais artificiais no reconhecimento de padrões de cartas dinamométricas de fundo em sistemas de bombeio mecânico de petróleo |
author |
Bezerra, Marco Antonio Dias |
author_facet |
Bezerra, Marco Antonio Dias |
author_role |
author |
dc.contributor.author.fl_str_mv |
Bezerra, Marco Antonio Dias |
dc.contributor.advisor1.fl_str_mv |
Shnitman, Leizer |
dc.contributor.advisor-co1.fl_str_mv |
Barreto Filho, Manuel de Almeida |
dc.contributor.referee1.fl_str_mv |
Shnitman, Leizer Barreto Filho, Manuel de Almeida Morooka, Celso Kazuyuki Lepikson, Herman Augusto |
contributor_str_mv |
Shnitman, Leizer Barreto Filho, Manuel de Almeida Shnitman, Leizer Barreto Filho, Manuel de Almeida Morooka, Celso Kazuyuki Lepikson, Herman Augusto |
dc.subject.por.fl_str_mv |
Inteligência artificial Redes neurais (Computação) Indústria petrolífera Equipamentos e acessórios. |
topic |
Inteligência artificial Redes neurais (Computação) Indústria petrolífera Equipamentos e acessórios. |
description |
O método de elevação artificial mais utilizado na indústria da produção de petróleo é o Sistema de Bombeio Mecânico (SBM), constituído essencialmente de três componentes: unidade de bombeio (UB), coluna de hastes (CH) e bomba de fundo (BF), tendo como principal ferramenta de diagnóstico a Carta Dinamométrica de Fundo (CDF), que apresenta um gráfico da carga, no ponto de conexão da CH com a BF, versus deslocamento do pistão da BF ao longo de um ciclo de bombeio. A utilização de CDF para diagnosticar SBM foi introduzida nos anos 30 por Walton E. Gilbert. O trabalho pioneiro de Gibbs e Neely nos anos 60 que traz a modelagem matemática do sistema possibilitou a reconstituição de uma CDF a partir de uma carta de superfície. O uso de um sistema automático de reconhecimento de padrões de CDF permite antecipar a identificação de problemas e a adoção de ações corretivas e preventivas, com impacto direto no aumento ou manutenção da produção de petróleo, na redução no consumo de energia e no aumento da disponibilidade dos equipamentos. Vários trabalhos têm sido apresentados sobre mecanismos de classificação automática de CDF, porém tendo resultados limitados a um número reduzido de classes de anomalias. Por outro lado, no final do século XX, Redes Neurais Artificiais (RNA) tem sido utilizadas com sucesso em vários campos do conhecimento, tais como modelamento de sistemas, previsão de séries temporais, classificação e reconhecimento de padrões. Esta última aplicação em especial compõe o mote deste trabalho, onde a identificação de um padrão de falha é realizada através de uma RNA treinada, alimentada pela saída de um extrator de características, que promove a redução dimensional dos dados de processo. Diferentemente de outras abordagens que utilizam um conjunto reduzido de classes para o treinamento da RNA, este trabalho mostra a viabilidade de se gerar padrões artificiais para treinamento de redes neurais com o intuito de se diagnosticar o desempenho de um SBM. Esta técnica deixa um caminho aberto para aplicações onde haja escassez de padrões, como nos casos de padrões de falhas, onde a obtenção de dados nas condições de anormalidade pode ser complexa ou possuir um alto custo. |
publishDate |
2010 |
dc.date.submitted.none.fl_str_mv |
2010-07-16 |
dc.date.accessioned.fl_str_mv |
2016-03-01T17:52:50Z |
dc.date.available.fl_str_mv |
2016-03-01T17:52:50Z |
dc.date.issued.fl_str_mv |
2016-03-01 |
dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/masterThesis |
format |
masterThesis |
status_str |
publishedVersion |
dc.identifier.uri.fl_str_mv |
http://repositorio.ufba.br/ri/handle/ri/18667 |
url |
http://repositorio.ufba.br/ri/handle/ri/18667 |
dc.language.iso.fl_str_mv |
por |
language |
por |
dc.rights.driver.fl_str_mv |
info:eu-repo/semantics/openAccess |
eu_rights_str_mv |
openAccess |
dc.publisher.none.fl_str_mv |
Universidade Federal da Bahia. Escola Politécnica |
dc.publisher.program.fl_str_mv |
Mecatrônica |
dc.publisher.initials.fl_str_mv |
UFBA |
dc.publisher.country.fl_str_mv |
brasil |
publisher.none.fl_str_mv |
Universidade Federal da Bahia. Escola Politécnica |
dc.source.none.fl_str_mv |
reponame:Repositório Institucional da UFBA instname:Universidade Federal da Bahia (UFBA) instacron:UFBA |
instname_str |
Universidade Federal da Bahia (UFBA) |
instacron_str |
UFBA |
institution |
UFBA |
reponame_str |
Repositório Institucional da UFBA |
collection |
Repositório Institucional da UFBA |
bitstream.url.fl_str_mv |
https://repositorio.ufba.br/bitstream/ri/18667/2/license.txt https://repositorio.ufba.br/bitstream/ri/18667/1/dissert_v1009.pdf https://repositorio.ufba.br/bitstream/ri/18667/3/dissert_v1009.pdf.txt |
bitstream.checksum.fl_str_mv |
0d4b811ef71182510d2015daa7c8a900 6174aa6a8f5e91feb85fc2c38349fea3 b2c1422033d2cb87819cf82ab98aae48 |
bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 MD5 |
repository.name.fl_str_mv |
Repositório Institucional da UFBA - Universidade Federal da Bahia (UFBA) |
repository.mail.fl_str_mv |
|
_version_ |
1808459506591465472 |