Detecção de problemas de garantia de escoamento a partir da utilização de ferramentas de aprendizado de máquina

• Autor(a) principal: Santos, Mayara de Jesus Rocha
• Data de Publicação: 2020
• Tipo de documento: Dissertação
• Idioma: por
• Título da fonte: Repositório Institucional da Universidade Federal Fluminense (RIUFF)
• Texto Completo: https://app.uff.br/riuff/handle/1/22623; http://dx.doi.org/10.22409/PGMEC.2020.m.14116171778
• topic: Garantia de escoamento; Algoritmos de classificação; Poços offshore; Escoamento de fluidos; Poço de petróleo; Aprendizado de máquina; Flow assurance; Classifying algorithm; Offshore wells

Na produção de poços offshore podem ocorrer os denominados problemas de garantia de escoamento. Esses problemas podem afetar tubulações e equipamentos e, em casos mais severos, interromper a produção de óleo e gás. Alguns exemplos são formação de hidratos em linhas de produção, incrustação em válvulas, slugging e instabilidade de fluxo. No intuito de detectar a ocorrência dessas anomalias durante a produção de petróleo e estabelecer meios que permitam diferenciar anomalias com impactos similares na produção, este trabalho propõe combinar o estudo do comportamento dos sensores de pressão e temperatura localizados no sistema de produção com a aplicação de ferramentas de aprendizado de máquina como; adaboost, árvore de decisão, modelos de misturas gaussianas, random forest e naive Bayes. Esses algoritmos de classificação foram aplicados para identificar diferentes classes presentes em um banco de dados público contendo dados reais de produção de diversos poços de petróleo. Por meio dos experimentos realizados nesta pesquisa, também verificou-se a possibilidade de utilizar modelos classificadores de anomalias para mais poços além do usado para treinar o modelo. Todavia, apenas modelos de classificação de formação de hidrato apresentaram resultados positivos quando usados em poços diferentes. Os algoritmos de aprendizado de máquina mostraram bons resultados na classificação dos poços em regimes normais, transientes e anormais, onde a falha já está instalada, obtendo F1-score entre 97 e 100%. Resultados positivos também foram obtidos na classificação de dados de slugging e instabilidade de fluxo, os modelos foram capazes de diferenciar esses dois problemas com F1-score 99 a 100%