Avaliação de desempenho de redes neurais artificiais na predição de propriedades de fluídos de petróleo
Autor(a) principal: | |
---|---|
Data de Publicação: | 2024 |
Tipo de documento: | Trabalho de conclusão de curso |
Idioma: | por |
Título da fonte: | Repositório Institucional da Universidade Federal Fluminense (RIUFF) |
Texto Completo: | http://app.uff.br/riuff/handle/1/32091 |
Resumo: | A determinação precisa de propriedades de fluidos de petróleo tais como a viscosidade, pressão de bolha e densidade é uma tarefa muito importante em cálculos na indústria de petróleo e gás. Experimentos laboratoriais são a maneira mais precisa de se determinar tais propriedades, porém demandam tempo e custos altos. Dentre as alternativas propostas ao longo dos últimos anos por engenheiros estão o desenvolvimento de correlações empiricamante derivadas para predição dessas propriedades. Com o avanço de novas ferramentas computacionais e de técnicas de aprendizado de máquina, as Redes Neurais Artificiais surgiram como alternativa às correlações devido a sua capacidade de aprender com dados. O presente trabalho busca avaliar o desempenho de Redes Neurais Artificiais na predição de cinco propriedades de petróleo: pressão de bolha (Pb), razão de solubilidade (Rs), viscosidade de óleo subsaturado (μo), viscosidade de óleo morto (μod) e compressibilidade isotérmica (Co). A base de dados utilizada consiste em 195 amostras provenientes da Bacia do Mediterrâneo, África, Golfo Pérsico e Mar do Norte. obtida do trabalho publicado por Ghetto, Paone e Villa (1994). O método utilizado foi fazer uma análise e preparação dos dados, a construção e otimização dos hiperparâmetros de um modelo de Rede Neural Artificial em Python a fim de encontrar o melhor modelo a ser usado na predição das propriedades. Os resultados das predições foram avaliados usando o Erro Relativo Absoluto Médio (RAAE) e o Coeficiente de Determinação R² e realizou-se uma análise comparativa com as correlações com parâmetros estimados por Ghetto, Paone e Villa (1994). Os resultados mostraram que a estratégia de otimização dos hiperparâmetros da rede serviu para reduzir o erro de predição das propriedades consideradas. Os modelos de Rede Neural Artificial otimizados geraram um erro percentual para o grupo de teste de 6,60%, 15,96%, 7,46%, 12,49% e 24,48% respectivamente para as cinco propriedades de saída consideradas, superando os resultados obtidos pelas correlações de Ghetto, Paone e Villa (1994) em três de cinco propriedades |
id |
UFF-2_1f4ee356bf0b78d150f4ec716a9bcd55 |
---|---|
oai_identifier_str |
oai:app.uff.br:1/32091 |
network_acronym_str |
UFF-2 |
network_name_str |
Repositório Institucional da Universidade Federal Fluminense (RIUFF) |
repository_id_str |
2120 |
spelling |
Avaliação de desempenho de redes neurais artificiais na predição de propriedades de fluídos de petróleoRedes neurais artificiaisInteligência artificialPropriedades de petróleoAprendizado de máquinaRede neuralAvaliação de desempenhoPetróleoArtificial neural networksArtificial intelligencePetroleum propertiesMachine learningA determinação precisa de propriedades de fluidos de petróleo tais como a viscosidade, pressão de bolha e densidade é uma tarefa muito importante em cálculos na indústria de petróleo e gás. Experimentos laboratoriais são a maneira mais precisa de se determinar tais propriedades, porém demandam tempo e custos altos. Dentre as alternativas propostas ao longo dos últimos anos por engenheiros estão o desenvolvimento de correlações empiricamante derivadas para predição dessas propriedades. Com o avanço de novas ferramentas computacionais e de técnicas de aprendizado de máquina, as Redes Neurais Artificiais surgiram como alternativa às correlações devido a sua capacidade de aprender com dados. O presente trabalho busca avaliar o desempenho de Redes Neurais Artificiais na predição de cinco propriedades de petróleo: pressão de bolha (Pb), razão de solubilidade (Rs), viscosidade de óleo subsaturado (μo), viscosidade de óleo morto (μod) e compressibilidade isotérmica (Co). A base de dados utilizada consiste em 195 amostras provenientes da Bacia do Mediterrâneo, África, Golfo Pérsico e Mar do Norte. obtida do trabalho publicado por Ghetto, Paone e Villa (1994). O método utilizado foi fazer uma análise e preparação dos dados, a construção e otimização dos hiperparâmetros de um modelo de Rede Neural Artificial em Python a fim de encontrar o melhor modelo a ser usado na predição das propriedades. Os resultados das predições foram avaliados usando o Erro Relativo Absoluto Médio (RAAE) e o Coeficiente de Determinação R² e realizou-se uma análise comparativa com as correlações com parâmetros estimados por Ghetto, Paone e Villa (1994). Os resultados mostraram que a estratégia de otimização dos hiperparâmetros da rede serviu para reduzir o erro de predição das propriedades consideradas. Os modelos de Rede Neural Artificial otimizados geraram um erro percentual para o grupo de teste de 6,60%, 15,96%, 7,46%, 12,49% e 24,48% respectivamente para as cinco propriedades de saída consideradas, superando os resultados obtidos pelas correlações de Ghetto, Paone e Villa (1994) em três de cinco propriedadesThe accurate determination of petroleum fluid properties such as viscosity, bubblepoint pressure and density is a very important task in making some calculations in the oil and gas industry. Laboratory experiments are the most accurate way to determine such properties, but they require time and high costs. Among the alternatives proposed over the last few years by engineers are the development of empirically derived correlations to predict these properties. With the advancement of new computational tools and machine learning techniques, Artificial Neural Networks have emerged as an alternative to correlations due to their ability to learn from data. The present work seeks to evaluate the performance of Artificial Neural Networks in predicting five oil properties: bubblepoint pressure, solubility GOR, unsaturated oil viscosity, dead-oil viscosity and isothermal compressibility. The database used consists of 195 samples from the Mediterranean Basin, Africa, the Persian Gulf and the North Sea. obtained from the paper published by Ghetto, Paone and Villa (1994). The methodology used was to analyze and prepare the data, construct and optimize the hyperparameters of an Artificial Neural Network model in Python in order to find the best model to be used in predicting properties. The prediction results were evaluated using the Average Absolute Relative Error (RAAE) and the Coefficient of Determination R² and a comparative analysis was carried out with the correlations with parameters estimated by Ghetto, Paone and Villa (1994). The results showed that the network hyperparameter optimization strategy served to reduce the prediction error of the considered properties. The optimized Artificial Neural Network models generated a percentage error for the test group of 6.60%, 15.96%, 7.46%, 12.49% and 24.48% respectively for the five output properties considered, surpassing the results obtained by the correlations of Ghetto, Paone and Villa (1994) in three of five properties83 f.Young, André FerreiraAhón, Víctor Rolando RuizCarrasco, Alfredo Moisés VallejosQueiroz, João Crisósthomo de NetoRocha, Daniel Matheus Fernandes2024-01-29T14:18:55Z2024-01-29T14:18:55Zinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/bachelorThesisapplication/pdfROCHA, Daniel Matheus Fernandes. Avaliação de desempenho de redes neurais artificiais na predição de propriedades de fluídos de petróleo. 2023. 83 f. Trabalho de Conclusão de Curso (Graduação em Engenharia Química) - Escola de Engenharia, Universidade Federal Fluminense, Niterói, 2023.http://app.uff.br/riuff/handle/1/32091CC-BY-SAinfo:eu-repo/semantics/openAccessporreponame:Repositório Institucional da Universidade Federal Fluminense (RIUFF)instname:Universidade Federal Fluminense (UFF)instacron:UFF2024-01-29T14:19:01Zoai:app.uff.br:1/32091Repositório InstitucionalPUBhttps://app.uff.br/oai/requestriuff@id.uff.bropendoar:21202024-08-19T11:20:05.166936Repositório Institucional da Universidade Federal Fluminense (RIUFF) - Universidade Federal Fluminense (UFF)false |
dc.title.none.fl_str_mv |
Avaliação de desempenho de redes neurais artificiais na predição de propriedades de fluídos de petróleo |
title |
Avaliação de desempenho de redes neurais artificiais na predição de propriedades de fluídos de petróleo |
spellingShingle |
Avaliação de desempenho de redes neurais artificiais na predição de propriedades de fluídos de petróleo Rocha, Daniel Matheus Fernandes Redes neurais artificiais Inteligência artificial Propriedades de petróleo Aprendizado de máquina Rede neural Avaliação de desempenho Petróleo Artificial neural networks Artificial intelligence Petroleum properties Machine learning |
title_short |
Avaliação de desempenho de redes neurais artificiais na predição de propriedades de fluídos de petróleo |
title_full |
Avaliação de desempenho de redes neurais artificiais na predição de propriedades de fluídos de petróleo |
title_fullStr |
Avaliação de desempenho de redes neurais artificiais na predição de propriedades de fluídos de petróleo |
title_full_unstemmed |
Avaliação de desempenho de redes neurais artificiais na predição de propriedades de fluídos de petróleo |
title_sort |
Avaliação de desempenho de redes neurais artificiais na predição de propriedades de fluídos de petróleo |
author |
Rocha, Daniel Matheus Fernandes |
author_facet |
Rocha, Daniel Matheus Fernandes |
author_role |
author |
dc.contributor.none.fl_str_mv |
Young, André Ferreira Ahón, Víctor Rolando Ruiz Carrasco, Alfredo Moisés Vallejos Queiroz, João Crisósthomo de Neto |
dc.contributor.author.fl_str_mv |
Rocha, Daniel Matheus Fernandes |
dc.subject.por.fl_str_mv |
Redes neurais artificiais Inteligência artificial Propriedades de petróleo Aprendizado de máquina Rede neural Avaliação de desempenho Petróleo Artificial neural networks Artificial intelligence Petroleum properties Machine learning |
topic |
Redes neurais artificiais Inteligência artificial Propriedades de petróleo Aprendizado de máquina Rede neural Avaliação de desempenho Petróleo Artificial neural networks Artificial intelligence Petroleum properties Machine learning |
description |
A determinação precisa de propriedades de fluidos de petróleo tais como a viscosidade, pressão de bolha e densidade é uma tarefa muito importante em cálculos na indústria de petróleo e gás. Experimentos laboratoriais são a maneira mais precisa de se determinar tais propriedades, porém demandam tempo e custos altos. Dentre as alternativas propostas ao longo dos últimos anos por engenheiros estão o desenvolvimento de correlações empiricamante derivadas para predição dessas propriedades. Com o avanço de novas ferramentas computacionais e de técnicas de aprendizado de máquina, as Redes Neurais Artificiais surgiram como alternativa às correlações devido a sua capacidade de aprender com dados. O presente trabalho busca avaliar o desempenho de Redes Neurais Artificiais na predição de cinco propriedades de petróleo: pressão de bolha (Pb), razão de solubilidade (Rs), viscosidade de óleo subsaturado (μo), viscosidade de óleo morto (μod) e compressibilidade isotérmica (Co). A base de dados utilizada consiste em 195 amostras provenientes da Bacia do Mediterrâneo, África, Golfo Pérsico e Mar do Norte. obtida do trabalho publicado por Ghetto, Paone e Villa (1994). O método utilizado foi fazer uma análise e preparação dos dados, a construção e otimização dos hiperparâmetros de um modelo de Rede Neural Artificial em Python a fim de encontrar o melhor modelo a ser usado na predição das propriedades. Os resultados das predições foram avaliados usando o Erro Relativo Absoluto Médio (RAAE) e o Coeficiente de Determinação R² e realizou-se uma análise comparativa com as correlações com parâmetros estimados por Ghetto, Paone e Villa (1994). Os resultados mostraram que a estratégia de otimização dos hiperparâmetros da rede serviu para reduzir o erro de predição das propriedades consideradas. Os modelos de Rede Neural Artificial otimizados geraram um erro percentual para o grupo de teste de 6,60%, 15,96%, 7,46%, 12,49% e 24,48% respectivamente para as cinco propriedades de saída consideradas, superando os resultados obtidos pelas correlações de Ghetto, Paone e Villa (1994) em três de cinco propriedades |
publishDate |
2024 |
dc.date.none.fl_str_mv |
2024-01-29T14:18:55Z 2024-01-29T14:18:55Z |
dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/bachelorThesis |
format |
bachelorThesis |
status_str |
publishedVersion |
dc.identifier.uri.fl_str_mv |
ROCHA, Daniel Matheus Fernandes. Avaliação de desempenho de redes neurais artificiais na predição de propriedades de fluídos de petróleo. 2023. 83 f. Trabalho de Conclusão de Curso (Graduação em Engenharia Química) - Escola de Engenharia, Universidade Federal Fluminense, Niterói, 2023. http://app.uff.br/riuff/handle/1/32091 |
identifier_str_mv |
ROCHA, Daniel Matheus Fernandes. Avaliação de desempenho de redes neurais artificiais na predição de propriedades de fluídos de petróleo. 2023. 83 f. Trabalho de Conclusão de Curso (Graduação em Engenharia Química) - Escola de Engenharia, Universidade Federal Fluminense, Niterói, 2023. |
url |
http://app.uff.br/riuff/handle/1/32091 |
dc.language.iso.fl_str_mv |
por |
language |
por |
dc.rights.driver.fl_str_mv |
CC-BY-SA info:eu-repo/semantics/openAccess |
rights_invalid_str_mv |
CC-BY-SA |
eu_rights_str_mv |
openAccess |
dc.format.none.fl_str_mv |
application/pdf |
dc.source.none.fl_str_mv |
reponame:Repositório Institucional da Universidade Federal Fluminense (RIUFF) instname:Universidade Federal Fluminense (UFF) instacron:UFF |
instname_str |
Universidade Federal Fluminense (UFF) |
instacron_str |
UFF |
institution |
UFF |
reponame_str |
Repositório Institucional da Universidade Federal Fluminense (RIUFF) |
collection |
Repositório Institucional da Universidade Federal Fluminense (RIUFF) |
repository.name.fl_str_mv |
Repositório Institucional da Universidade Federal Fluminense (RIUFF) - Universidade Federal Fluminense (UFF) |
repository.mail.fl_str_mv |
riuff@id.uff.br |
_version_ |
1811823726288699392 |