Modelagem de propriedades físico-químicas e termodinâmicas do óleo e gás utilizando inteligência artificial
Autor(a) principal: | |
---|---|
Data de Publicação: | 2021 |
Tipo de documento: | Trabalho de conclusão de curso |
Idioma: | por |
Título da fonte: | Repositório Institucional da Universidade Federal Fluminense (RIUFF) |
Texto Completo: | https://app.uff.br/riuff/handle/1/22026 |
Resumo: | A estimação de propriedades PVT (Pressão, Volume, Temperatura), como pressão de bolha, solução gás-óleo e fator de volume de formação de óleo são fundamentais para a indústria do petróleo, principalmente na determinação de cálculos de performance do reservatório, e estimativas de reserva. A precisão desses cálculos depende da exatidão na previsão das propriedades, que variam de acordo com a localização geográfica da reserva de óleo e gás e, idealmente, devem ser determinadas a partir de análises laboratoriais das amostras. Entretanto o custo envolvido e os tempos relativamente altos da análise incentivam a busca por outras ferramentas de previsão de tais propriedades, mas os erros nas predições introduzem distúrbios significativos nos cálculos inerentes às reservas. Muitas correlações foram desenvolvidas ao longo dos anos, contudo, ainda existe muito desenvolvimento pertinente a ser feito nesse tema, dada a complexidade de caracterização dos fluidos de petróleo, seja pelo grau API, composição química ou localização geográfica. Paralelamente, a inteligência artificial vem se destacando como uma metodologia de consolidação de dados experimentais. A evolução crescente de metodologia de inteligência artificial torna possível o desenvolvimento de técnicas mais confiáveis e precisas para previsão de propriedades PVT de óleos crus. As principais características da utilização da inteligência artificial são o poder de reconhecimento de padrões entre o conjunto de dados proposto, autotreinamento e autoajuste entre outros, técnicas de redes neurais, vetores de suporte de regressão e árvores de decisão. A proposta desse trabalho visa comparar a previsibilidade de correlações existentes na literatura com modelos de inteligência artificial utilizando dados experimentais públicos de propriedades de óleo |
id |
UFF-2_d51a7669d58b6a17bd80aead25e9dd9c |
---|---|
oai_identifier_str |
oai:app.uff.br:1/22026 |
network_acronym_str |
UFF-2 |
network_name_str |
Repositório Institucional da Universidade Federal Fluminense (RIUFF) |
repository_id_str |
2120 |
spelling |
Modelagem de propriedades físico-químicas e termodinâmicas do óleo e gás utilizando inteligência artificialPropriedades-PVTInteligência artificialRedes neurais artificiaisSVRÁrvores de decisãoInteligência artificialAprendizado de máquinaIndústria petrolíferaPVT-PropertiesArtificial intelligenceArtificial neural networksSVMDecision treesA estimação de propriedades PVT (Pressão, Volume, Temperatura), como pressão de bolha, solução gás-óleo e fator de volume de formação de óleo são fundamentais para a indústria do petróleo, principalmente na determinação de cálculos de performance do reservatório, e estimativas de reserva. A precisão desses cálculos depende da exatidão na previsão das propriedades, que variam de acordo com a localização geográfica da reserva de óleo e gás e, idealmente, devem ser determinadas a partir de análises laboratoriais das amostras. Entretanto o custo envolvido e os tempos relativamente altos da análise incentivam a busca por outras ferramentas de previsão de tais propriedades, mas os erros nas predições introduzem distúrbios significativos nos cálculos inerentes às reservas. Muitas correlações foram desenvolvidas ao longo dos anos, contudo, ainda existe muito desenvolvimento pertinente a ser feito nesse tema, dada a complexidade de caracterização dos fluidos de petróleo, seja pelo grau API, composição química ou localização geográfica. Paralelamente, a inteligência artificial vem se destacando como uma metodologia de consolidação de dados experimentais. A evolução crescente de metodologia de inteligência artificial torna possível o desenvolvimento de técnicas mais confiáveis e precisas para previsão de propriedades PVT de óleos crus. As principais características da utilização da inteligência artificial são o poder de reconhecimento de padrões entre o conjunto de dados proposto, autotreinamento e autoajuste entre outros, técnicas de redes neurais, vetores de suporte de regressão e árvores de decisão. A proposta desse trabalho visa comparar a previsibilidade de correlações existentes na literatura com modelos de inteligência artificial utilizando dados experimentais públicos de propriedades de óleoThe estimation of PVT properties (Pressure, Volume, Temperature), such as bubble pressure, gas-oil solution and oil formation volume factor are fundamental for the oil industry, mainly in the determination of reservoir performance calculations, and reference spare. The accuracy of geographic calculations depends on the accuracy of the prediction of the properties, which vary according to the geographical location of the oil and gas reserve and, ideally, should be determined from laboratory analyzes of the properties. However, the overall cost and relatively high analysis times encourage the search for other forecasting tools for such properties, but errors in predictions introduce disturbed changes in the calculations inherent in reserves. Many correlations have been developed over the years, nevertheless, there is still a lot of pertinent development to be done on this topic, given the complexity of characterizing petroleum fluids, whether by API degree, chemical composition, or geographic location. At the same time, artificial intelligence has been standing out as an application for consolidating experimental data. The growing evolution of the artificial intelligence methodology makes it possible to develop more important and accurate techniques for predicting the PVT properties of raw elements. The main characteristics of the use of artificial intelligence are the power of pattern recognition among the proposed data set, self-training and self-tuning, among others, neural network techniques, regression support vectors and decision trees. The purpose of this work is to compare the predictability of existing correlations in the literature with artificial intelligence models using public experimental data on oil propertiesAraujo, João Felipe Mitre deOurique, Jorge Eduardo da SilvaMartins, Fernanda Tardin MorenoAhón, Víctor Rolando RuizMarins, Daniel Boechat de2021-05-12T16:08:14Z2021-05-12T16:08:14Z2021info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/bachelorThesisapplication/pdfMARINS, Daniel Boechat de. Modelagem de propriedades físico-químicas e termodinâmicas do óleo e gás utilizando inteligência artificial. 2020. 172f. Trabalho de Conclusão de Curso (Graduação em Engenharia Química)-Universidade Federal Fluminense, Escola de Engenharia, Niterói, 2020.https://app.uff.br/riuff/handle/1/22026http://creativecommons.org/licenses/by-nc-nd/3.0/br/CC-BY-SAinfo:eu-repo/semantics/openAccessporreponame:Repositório Institucional da Universidade Federal Fluminense (RIUFF)instname:Universidade Federal Fluminense (UFF)instacron:UFF2021-10-14T22:02:28Zoai:app.uff.br:1/22026Repositório InstitucionalPUBhttps://app.uff.br/oai/requestriuff@id.uff.bropendoar:21202021-10-14T22:02:28Repositório Institucional da Universidade Federal Fluminense (RIUFF) - Universidade Federal Fluminense (UFF)false |
dc.title.none.fl_str_mv |
Modelagem de propriedades físico-químicas e termodinâmicas do óleo e gás utilizando inteligência artificial |
title |
Modelagem de propriedades físico-químicas e termodinâmicas do óleo e gás utilizando inteligência artificial |
spellingShingle |
Modelagem de propriedades físico-químicas e termodinâmicas do óleo e gás utilizando inteligência artificial Marins, Daniel Boechat de Propriedades-PVT Inteligência artificial Redes neurais artificiais SVR Árvores de decisão Inteligência artificial Aprendizado de máquina Indústria petrolífera PVT-Properties Artificial intelligence Artificial neural networks SVM Decision trees |
title_short |
Modelagem de propriedades físico-químicas e termodinâmicas do óleo e gás utilizando inteligência artificial |
title_full |
Modelagem de propriedades físico-químicas e termodinâmicas do óleo e gás utilizando inteligência artificial |
title_fullStr |
Modelagem de propriedades físico-químicas e termodinâmicas do óleo e gás utilizando inteligência artificial |
title_full_unstemmed |
Modelagem de propriedades físico-químicas e termodinâmicas do óleo e gás utilizando inteligência artificial |
title_sort |
Modelagem de propriedades físico-químicas e termodinâmicas do óleo e gás utilizando inteligência artificial |
author |
Marins, Daniel Boechat de |
author_facet |
Marins, Daniel Boechat de |
author_role |
author |
dc.contributor.none.fl_str_mv |
Araujo, João Felipe Mitre de Ourique, Jorge Eduardo da Silva Martins, Fernanda Tardin Moreno Ahón, Víctor Rolando Ruiz |
dc.contributor.author.fl_str_mv |
Marins, Daniel Boechat de |
dc.subject.por.fl_str_mv |
Propriedades-PVT Inteligência artificial Redes neurais artificiais SVR Árvores de decisão Inteligência artificial Aprendizado de máquina Indústria petrolífera PVT-Properties Artificial intelligence Artificial neural networks SVM Decision trees |
topic |
Propriedades-PVT Inteligência artificial Redes neurais artificiais SVR Árvores de decisão Inteligência artificial Aprendizado de máquina Indústria petrolífera PVT-Properties Artificial intelligence Artificial neural networks SVM Decision trees |
description |
A estimação de propriedades PVT (Pressão, Volume, Temperatura), como pressão de bolha, solução gás-óleo e fator de volume de formação de óleo são fundamentais para a indústria do petróleo, principalmente na determinação de cálculos de performance do reservatório, e estimativas de reserva. A precisão desses cálculos depende da exatidão na previsão das propriedades, que variam de acordo com a localização geográfica da reserva de óleo e gás e, idealmente, devem ser determinadas a partir de análises laboratoriais das amostras. Entretanto o custo envolvido e os tempos relativamente altos da análise incentivam a busca por outras ferramentas de previsão de tais propriedades, mas os erros nas predições introduzem distúrbios significativos nos cálculos inerentes às reservas. Muitas correlações foram desenvolvidas ao longo dos anos, contudo, ainda existe muito desenvolvimento pertinente a ser feito nesse tema, dada a complexidade de caracterização dos fluidos de petróleo, seja pelo grau API, composição química ou localização geográfica. Paralelamente, a inteligência artificial vem se destacando como uma metodologia de consolidação de dados experimentais. A evolução crescente de metodologia de inteligência artificial torna possível o desenvolvimento de técnicas mais confiáveis e precisas para previsão de propriedades PVT de óleos crus. As principais características da utilização da inteligência artificial são o poder de reconhecimento de padrões entre o conjunto de dados proposto, autotreinamento e autoajuste entre outros, técnicas de redes neurais, vetores de suporte de regressão e árvores de decisão. A proposta desse trabalho visa comparar a previsibilidade de correlações existentes na literatura com modelos de inteligência artificial utilizando dados experimentais públicos de propriedades de óleo |
publishDate |
2021 |
dc.date.none.fl_str_mv |
2021-05-12T16:08:14Z 2021-05-12T16:08:14Z 2021 |
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 |
MARINS, Daniel Boechat de. Modelagem de propriedades físico-químicas e termodinâmicas do óleo e gás utilizando inteligência artificial. 2020. 172f. Trabalho de Conclusão de Curso (Graduação em Engenharia Química)-Universidade Federal Fluminense, Escola de Engenharia, Niterói, 2020. https://app.uff.br/riuff/handle/1/22026 |
identifier_str_mv |
MARINS, Daniel Boechat de. Modelagem de propriedades físico-químicas e termodinâmicas do óleo e gás utilizando inteligência artificial. 2020. 172f. Trabalho de Conclusão de Curso (Graduação em Engenharia Química)-Universidade Federal Fluminense, Escola de Engenharia, Niterói, 2020. |
url |
https://app.uff.br/riuff/handle/1/22026 |
dc.language.iso.fl_str_mv |
por |
language |
por |
dc.rights.driver.fl_str_mv |
http://creativecommons.org/licenses/by-nc-nd/3.0/br/ CC-BY-SA info:eu-repo/semantics/openAccess |
rights_invalid_str_mv |
http://creativecommons.org/licenses/by-nc-nd/3.0/br/ 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_ |
1807838828068601856 |