Avaliação de desempenho de redes neurais artificiais na predição de propriedades de fluídos de petróleo

• Autor(a) principal: Rocha, Daniel Matheus Fernandes
• 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
• 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

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