Desenvolvimento de solução CRISP-DM para classificação do evento prisão de coluna no processo de perfuração de poços offshore

Detalhes bibliográficos
Autor(a) principal: Pinto, Vladimir Steffen
Data de Publicação: 2018
Tipo de documento: Dissertação
Idioma: por
Título da fonte: Repositório Institucional da Universidade Federal Fluminense (RIUFF)
Texto Completo: https://app.uff.br/riuff/handle/1/9730
http://dx.doi.org/10.22409/PSG.2018.mp.68310390068
Resumo: A indústria de Exploração e Produção (E&P), com o intuito de melhorar a produtividade e reduzir custos, tem buscado, ao longo dos anos, o uso de tecnologias digitais para mitigar os efeitos das sazonalidades dos preços do petróleo, a escassez de profissionais, o aumento da concorrência e operações mais seguras. Atualmente, a iniciativa de transformação digital, referenciada como a nova revolução industrial, vem impulsionando o uso de tecnologias disruptivas e provocando mudanças culturais na sociedade e na indústria. No centro desta revolução está o crescimento exponencial e a disponibilidade de dados. Neste cenário é necessária uma mudança na forma como estes são coletados, armazenados, analisados e acessados para suportar inteligência e ciclos de tomada de decisão das organizações. Esta dissertação visa abordar o processo de descoberta de conhecimento em dados, através do desenvolvimento de uma solução computacional com suporte da metodologia CRISP-DM (Cross Industry Standard Process for Data Mining) para análise de anomalias no processo de perfuração de poços em águas ultra profundas. A perfuração de poços é uma das fases mais demandantes de recursos financeiros. Assim, entender e antecipar problemas, avaliar suas causas e soluções de planejamento são necessários para o controle global de custos e para garantir a integridade e estabilidade do poço, evitando tempos não produtivos. Esta pesquisa foi delimitada ao evento de prisão de coluna de perfuração e ao uso do método de regressão logística no desenvolvimento da etapa de modelagem. Os dados utilizados foram disponibilizados pela Agência Nacional do Petróleo, Gás Natural e Biocombustíveis (ANP), por meio de um projeto de pesquisa de desenvolvimento e inovação (PD&I), contendo um conjunto de dados reais de perfuração de poços de petróleo do polígono do Pré-sal, na costa brasileira. Ao final do processo de avaliação, foi possível analisar a aplicabilidade do modelo escolhido e dos resultados obtidos com o objetivo do negócio propriamente dito, ou seja, que os resultados fiquem adequados para apoiar a tomada de decisões da organização. Os resultados alcançados para exemplificar o modelo demonstram uma acurácia de 89% e uma taxa de precisão de 99%. Outro resultado importante do trabalho é a contribuição para profissionais e empresas que necessitem aplicar métodos de ciência de dados em casos semelhantes ou com outras características. Algumas limitações, como a baixa qualidade dos dados e o tamanho da amostra também são destacadas durante o processo de descoberta de conhecimento. Adicionalmente, foram incluídos os códigos de linguagem de programação, utilizados para o entendimento e tratamento de dados e geração dos resultados. Estes podem servir como uma versão inicial para outras análises.
id UFF-2_b4b0289ea5c212f3acaa565ee393ff4b
oai_identifier_str oai:app.uff.br:1/9730
network_acronym_str UFF-2
network_name_str Repositório Institucional da Universidade Federal Fluminense (RIUFF)
repository_id_str 2120
spelling Desenvolvimento de solução CRISP-DM para classificação do evento prisão de coluna no processo de perfuração de poços offshoreDevelopment CRISP-DM solution for stuck pipe event classification in offshore well drilling processPerfuração de poçosPrisão de colunaCRISP-DMRegressão logística.Perfuração de PoçoRegressão logísticaMineração de dados (Computação)Well drillingStuck pipeLogistic regressionA indústria de Exploração e Produção (E&P), com o intuito de melhorar a produtividade e reduzir custos, tem buscado, ao longo dos anos, o uso de tecnologias digitais para mitigar os efeitos das sazonalidades dos preços do petróleo, a escassez de profissionais, o aumento da concorrência e operações mais seguras. Atualmente, a iniciativa de transformação digital, referenciada como a nova revolução industrial, vem impulsionando o uso de tecnologias disruptivas e provocando mudanças culturais na sociedade e na indústria. No centro desta revolução está o crescimento exponencial e a disponibilidade de dados. Neste cenário é necessária uma mudança na forma como estes são coletados, armazenados, analisados e acessados para suportar inteligência e ciclos de tomada de decisão das organizações. Esta dissertação visa abordar o processo de descoberta de conhecimento em dados, através do desenvolvimento de uma solução computacional com suporte da metodologia CRISP-DM (Cross Industry Standard Process for Data Mining) para análise de anomalias no processo de perfuração de poços em águas ultra profundas. A perfuração de poços é uma das fases mais demandantes de recursos financeiros. Assim, entender e antecipar problemas, avaliar suas causas e soluções de planejamento são necessários para o controle global de custos e para garantir a integridade e estabilidade do poço, evitando tempos não produtivos. Esta pesquisa foi delimitada ao evento de prisão de coluna de perfuração e ao uso do método de regressão logística no desenvolvimento da etapa de modelagem. Os dados utilizados foram disponibilizados pela Agência Nacional do Petróleo, Gás Natural e Biocombustíveis (ANP), por meio de um projeto de pesquisa de desenvolvimento e inovação (PD&I), contendo um conjunto de dados reais de perfuração de poços de petróleo do polígono do Pré-sal, na costa brasileira. Ao final do processo de avaliação, foi possível analisar a aplicabilidade do modelo escolhido e dos resultados obtidos com o objetivo do negócio propriamente dito, ou seja, que os resultados fiquem adequados para apoiar a tomada de decisões da organização. Os resultados alcançados para exemplificar o modelo demonstram uma acurácia de 89% e uma taxa de precisão de 99%. Outro resultado importante do trabalho é a contribuição para profissionais e empresas que necessitem aplicar métodos de ciência de dados em casos semelhantes ou com outras características. Algumas limitações, como a baixa qualidade dos dados e o tamanho da amostra também são destacadas durante o processo de descoberta de conhecimento. Adicionalmente, foram incluídos os códigos de linguagem de programação, utilizados para o entendimento e tratamento de dados e geração dos resultados. Estes podem servir como uma versão inicial para outras análises.Over the years, the Exploration and Production (E&P) industry, in order to improve productivity and reduce costs, has sought the use of digital technologies to mitigate the effects of seasonal oil prices, the shortage of professionals, increased competition and to promote safer operations. Today the digital transformation initiative — referred to as the new industrial revolution — has been driving the use of disruptive technologies and provoking cultural changes, both in society and industry. At the heart of this revolution is the exponential growth and data availability. In this scenario, a change is needed in the way these data are collected, stored, analyzed and accessed to support organizations intelligence and decision-making cycles. This dissertation addresses the process of knowledge discovery in data, through the development of a computational solution with support of the methodology CRISP-DM (Cross Industry Standard process for data Mining) for analysis of anomalies in the process of Drilling of wells in ultra-deep waters. Well drilling is one of the stages that most demand financial resources. Thus, understanding and anticipating problems, evaluating their causes and planning solutions are necessary for global cost control, in order to ensure the well integrity and stability, avoiding non-productive times. This research was delimited to the stuck pipe event and the use of the logistic regression method in the development of the modeling step. The data used were made available by the Brazilian National Agency of Petroleum, Natural Gas and Biofuels (ANP), through a development and innovation research Project (PD&I), containing a set of real data for drilling oil wells of the Pre-salt polygon on the Brazilian coast. At the end of the evaluation process, it was possible to analyze the applicability of the chosen model and the results obtained with the business perspective, that is, that the results are adequate to support the decision-making of the organization. The results obtained to exemplify the model demonstrate an accuracy of 89% with a rate of 99%. Another important result of the work is the contribution to professionals and companies that need to apply methods of data science in similar cases or with other characteristics. Some limitations with low data quality and sample size are also highlighted during the knowledge discovery process. Additionally, programming language codes were included, used for understanding and processing data and generating results. These can serve as an initial version for other analyses.121 f.NiteróiLima, Gilson Brito AlvesLeta, Fabiana RodriguesFerreira, Geraldo de SouzaGavião, Luiz OctávioCampos, Sthener Rodrigues VieiraPinto, Vladimir Steffen2019-05-31T13:46:23Z2019-05-31T13:46:23Z2018info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdfhttps://app.uff.br/riuff/handle/1/9730Aluno de Mestradohttp://dx.doi.org/10.22409/PSG.2018.mp.68310390068CC-BY-SAinfo:eu-repo/semantics/openAccessporreponame:Repositório Institucional da Universidade Federal Fluminense (RIUFF)instname:Universidade Federal Fluminense (UFF)instacron:UFF2021-07-14T01:40:58Zoai:app.uff.br:1/9730Repositório InstitucionalPUBhttps://app.uff.br/oai/requestriuff@id.uff.bropendoar:21202024-08-19T11:02:44.295088Repositório Institucional da Universidade Federal Fluminense (RIUFF) - Universidade Federal Fluminense (UFF)false
dc.title.none.fl_str_mv Desenvolvimento de solução CRISP-DM para classificação do evento prisão de coluna no processo de perfuração de poços offshore
Development CRISP-DM solution for stuck pipe event classification in offshore well drilling process
title Desenvolvimento de solução CRISP-DM para classificação do evento prisão de coluna no processo de perfuração de poços offshore
spellingShingle Desenvolvimento de solução CRISP-DM para classificação do evento prisão de coluna no processo de perfuração de poços offshore
Pinto, Vladimir Steffen
Perfuração de poços
Prisão de coluna
CRISP-DM
Regressão logística.
Perfuração de Poço
Regressão logística
Mineração de dados (Computação)
Well drilling
Stuck pipe
Logistic regression
title_short Desenvolvimento de solução CRISP-DM para classificação do evento prisão de coluna no processo de perfuração de poços offshore
title_full Desenvolvimento de solução CRISP-DM para classificação do evento prisão de coluna no processo de perfuração de poços offshore
title_fullStr Desenvolvimento de solução CRISP-DM para classificação do evento prisão de coluna no processo de perfuração de poços offshore
title_full_unstemmed Desenvolvimento de solução CRISP-DM para classificação do evento prisão de coluna no processo de perfuração de poços offshore
title_sort Desenvolvimento de solução CRISP-DM para classificação do evento prisão de coluna no processo de perfuração de poços offshore
author Pinto, Vladimir Steffen
author_facet Pinto, Vladimir Steffen
author_role author
dc.contributor.none.fl_str_mv Lima, Gilson Brito Alves
Leta, Fabiana Rodrigues
Ferreira, Geraldo de Souza
Gavião, Luiz Octávio
Campos, Sthener Rodrigues Vieira
dc.contributor.author.fl_str_mv Pinto, Vladimir Steffen
dc.subject.por.fl_str_mv Perfuração de poços
Prisão de coluna
CRISP-DM
Regressão logística.
Perfuração de Poço
Regressão logística
Mineração de dados (Computação)
Well drilling
Stuck pipe
Logistic regression
topic Perfuração de poços
Prisão de coluna
CRISP-DM
Regressão logística.
Perfuração de Poço
Regressão logística
Mineração de dados (Computação)
Well drilling
Stuck pipe
Logistic regression
description A indústria de Exploração e Produção (E&P), com o intuito de melhorar a produtividade e reduzir custos, tem buscado, ao longo dos anos, o uso de tecnologias digitais para mitigar os efeitos das sazonalidades dos preços do petróleo, a escassez de profissionais, o aumento da concorrência e operações mais seguras. Atualmente, a iniciativa de transformação digital, referenciada como a nova revolução industrial, vem impulsionando o uso de tecnologias disruptivas e provocando mudanças culturais na sociedade e na indústria. No centro desta revolução está o crescimento exponencial e a disponibilidade de dados. Neste cenário é necessária uma mudança na forma como estes são coletados, armazenados, analisados e acessados para suportar inteligência e ciclos de tomada de decisão das organizações. Esta dissertação visa abordar o processo de descoberta de conhecimento em dados, através do desenvolvimento de uma solução computacional com suporte da metodologia CRISP-DM (Cross Industry Standard Process for Data Mining) para análise de anomalias no processo de perfuração de poços em águas ultra profundas. A perfuração de poços é uma das fases mais demandantes de recursos financeiros. Assim, entender e antecipar problemas, avaliar suas causas e soluções de planejamento são necessários para o controle global de custos e para garantir a integridade e estabilidade do poço, evitando tempos não produtivos. Esta pesquisa foi delimitada ao evento de prisão de coluna de perfuração e ao uso do método de regressão logística no desenvolvimento da etapa de modelagem. Os dados utilizados foram disponibilizados pela Agência Nacional do Petróleo, Gás Natural e Biocombustíveis (ANP), por meio de um projeto de pesquisa de desenvolvimento e inovação (PD&I), contendo um conjunto de dados reais de perfuração de poços de petróleo do polígono do Pré-sal, na costa brasileira. Ao final do processo de avaliação, foi possível analisar a aplicabilidade do modelo escolhido e dos resultados obtidos com o objetivo do negócio propriamente dito, ou seja, que os resultados fiquem adequados para apoiar a tomada de decisões da organização. Os resultados alcançados para exemplificar o modelo demonstram uma acurácia de 89% e uma taxa de precisão de 99%. Outro resultado importante do trabalho é a contribuição para profissionais e empresas que necessitem aplicar métodos de ciência de dados em casos semelhantes ou com outras características. Algumas limitações, como a baixa qualidade dos dados e o tamanho da amostra também são destacadas durante o processo de descoberta de conhecimento. Adicionalmente, foram incluídos os códigos de linguagem de programação, utilizados para o entendimento e tratamento de dados e geração dos resultados. Estes podem servir como uma versão inicial para outras análises.
publishDate 2018
dc.date.none.fl_str_mv 2018
2019-05-31T13:46:23Z
2019-05-31T13:46:23Z
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 https://app.uff.br/riuff/handle/1/9730
Aluno de Mestrado
http://dx.doi.org/10.22409/PSG.2018.mp.68310390068
url https://app.uff.br/riuff/handle/1/9730
http://dx.doi.org/10.22409/PSG.2018.mp.68310390068
identifier_str_mv Aluno de Mestrado
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.publisher.none.fl_str_mv Niterói
publisher.none.fl_str_mv Niterói
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_ 1811823644885647360