Avaliação da performance de redes neurais para análise do comportamento reológico de fluidos de perfuração

Detalhes bibliográficos
Autor(a) principal: Santos, Tiago Diersmann Vidal
Data de Publicação: 2024
Tipo de documento: Trabalho de conclusão de curso
Idioma: por
Título da fonte: Repositório Institucional da UFRGS
Texto Completo: http://hdl.handle.net/10183/274644
Resumo: Este trabalho visa desenvolver um modelo preditivo baseado em redes neurais para prever o comportamento reológico de fluidos de perfuração em testes de reinício de escoamento. A necessidade surge devido aos desafios enfrentados com métodos experimentais tradicionais, que são demorados e custosos. A metodologia envolve o uso de redes neurais profundas para modelar o comportamento complexo destes fluidos, visando reduzir a dependência de testes experimentais. A análise foca em dados de fluidos à base de óleo, comparando previsões da rede neural com modelos matemáticos tradicionais. Os resultados quantitativos mostram uma diferença absoluta média (AAD) de 5,25% a 8,07%, evidenciando a precisão do modelo preditivo baseado em redes neurais. A conclusão destaca a eficácia das redes neurais em minimizar o número de testes necessários, funcionando como um "reômetro digital". Este avanço representa um potencial significativo para aplicações industriais complexas e abre caminho para futuras pesquisas em reologia de fluidos complexos usando aprendizado de máquina. Este estudo é um passo importante na direção de técnicas mais avançadas e eficientes para a análise reológica, com implicações práticas significativas na indústria de perfuração.
id UFRGS-2_a6b33670f6f1ac0384f8f32f8a93da0a
oai_identifier_str oai:www.lume.ufrgs.br:10183/274644
network_acronym_str UFRGS-2
network_name_str Repositório Institucional da UFRGS
repository_id_str
spelling Santos, Tiago Diersmann VidalAndrade, Diogo Elias da VinhaFiorot, Guilherme Henrique2024-04-11T06:26:28Z2024http://hdl.handle.net/10183/274644001197954Este trabalho visa desenvolver um modelo preditivo baseado em redes neurais para prever o comportamento reológico de fluidos de perfuração em testes de reinício de escoamento. A necessidade surge devido aos desafios enfrentados com métodos experimentais tradicionais, que são demorados e custosos. A metodologia envolve o uso de redes neurais profundas para modelar o comportamento complexo destes fluidos, visando reduzir a dependência de testes experimentais. A análise foca em dados de fluidos à base de óleo, comparando previsões da rede neural com modelos matemáticos tradicionais. Os resultados quantitativos mostram uma diferença absoluta média (AAD) de 5,25% a 8,07%, evidenciando a precisão do modelo preditivo baseado em redes neurais. A conclusão destaca a eficácia das redes neurais em minimizar o número de testes necessários, funcionando como um "reômetro digital". Este avanço representa um potencial significativo para aplicações industriais complexas e abre caminho para futuras pesquisas em reologia de fluidos complexos usando aprendizado de máquina. Este estudo é um passo importante na direção de técnicas mais avançadas e eficientes para a análise reológica, com implicações práticas significativas na indústria de perfuração.This work aims to develop a neural network to predict the rheological behavior of drilling fluids in flow restart tests. The need arises due to the challenges of traditional experimental methods, which are time-consuming and costly. The methodology involves using deep neural networks to model the complex behavior of these fluids, aiming to reduce the dependence on experimental tests. The analysis focuses on data from oil-based fluids, comparing neural network predictions with traditional mathematical models. The quantitative results show an Average Absolute Deviation (AAD) of 5.25% to 8.07%, demonstrating the precision of the neural network. The conclusion highlights the effectiveness of neural networks in minimizing the number of necessary tests, functioning as a "digital rheometer". This advancement represents significant potential for complex industrial applications and paves the way for future research in complex fluid rheology using machine learning. This study is an important step towards more advanced and efficient techniques for rheological analysis, with significant practical implications in the drilling industry.application/pdfporFluidos de perfuraçãoReologiaRedes neuraisNeural NetworksDrilling FluidRheological BehaviorAvaliação da performance de redes neurais para análise do comportamento reológico de fluidos de perfuraçãoinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/bachelorThesisUniversidade Federal do Rio Grande do SulEscola de EngenhariaPorto Alegre, BR-RS2024Engenharia Mecânicagraduaçãoinfo:eu-repo/semantics/openAccessreponame:Repositório Institucional da UFRGSinstname:Universidade Federal do Rio Grande do Sul (UFRGS)instacron:UFRGSTEXT001197954.pdf.txt001197954.pdf.txtExtracted Texttext/plain51235http://www.lume.ufrgs.br/bitstream/10183/274644/2/001197954.pdf.txtb4e5fbd421b8e1b13669c9886292d0a6MD52ORIGINAL001197954.pdfTexto completoapplication/pdf775474http://www.lume.ufrgs.br/bitstream/10183/274644/1/001197954.pdf1936416beccc2069154160d29312cb1cMD5110183/2746442024-04-12 06:21:32.17678oai:www.lume.ufrgs.br:10183/274644Repositório de PublicaçõesPUBhttps://lume.ufrgs.br/oai/requestopendoar:2024-04-12T09:21:32Repositório Institucional da UFRGS - Universidade Federal do Rio Grande do Sul (UFRGS)false
dc.title.pt_BR.fl_str_mv Avaliação da performance de redes neurais para análise do comportamento reológico de fluidos de perfuração
title Avaliação da performance de redes neurais para análise do comportamento reológico de fluidos de perfuração
spellingShingle Avaliação da performance de redes neurais para análise do comportamento reológico de fluidos de perfuração
Santos, Tiago Diersmann Vidal
Fluidos de perfuração
Reologia
Redes neurais
Neural Networks
Drilling Fluid
Rheological Behavior
title_short Avaliação da performance de redes neurais para análise do comportamento reológico de fluidos de perfuração
title_full Avaliação da performance de redes neurais para análise do comportamento reológico de fluidos de perfuração
title_fullStr Avaliação da performance de redes neurais para análise do comportamento reológico de fluidos de perfuração
title_full_unstemmed Avaliação da performance de redes neurais para análise do comportamento reológico de fluidos de perfuração
title_sort Avaliação da performance de redes neurais para análise do comportamento reológico de fluidos de perfuração
author Santos, Tiago Diersmann Vidal
author_facet Santos, Tiago Diersmann Vidal
author_role author
dc.contributor.author.fl_str_mv Santos, Tiago Diersmann Vidal
dc.contributor.advisor1.fl_str_mv Andrade, Diogo Elias da Vinha
dc.contributor.advisor-co1.fl_str_mv Fiorot, Guilherme Henrique
contributor_str_mv Andrade, Diogo Elias da Vinha
Fiorot, Guilherme Henrique
dc.subject.por.fl_str_mv Fluidos de perfuração
Reologia
Redes neurais
topic Fluidos de perfuração
Reologia
Redes neurais
Neural Networks
Drilling Fluid
Rheological Behavior
dc.subject.eng.fl_str_mv Neural Networks
Drilling Fluid
Rheological Behavior
description Este trabalho visa desenvolver um modelo preditivo baseado em redes neurais para prever o comportamento reológico de fluidos de perfuração em testes de reinício de escoamento. A necessidade surge devido aos desafios enfrentados com métodos experimentais tradicionais, que são demorados e custosos. A metodologia envolve o uso de redes neurais profundas para modelar o comportamento complexo destes fluidos, visando reduzir a dependência de testes experimentais. A análise foca em dados de fluidos à base de óleo, comparando previsões da rede neural com modelos matemáticos tradicionais. Os resultados quantitativos mostram uma diferença absoluta média (AAD) de 5,25% a 8,07%, evidenciando a precisão do modelo preditivo baseado em redes neurais. A conclusão destaca a eficácia das redes neurais em minimizar o número de testes necessários, funcionando como um "reômetro digital". Este avanço representa um potencial significativo para aplicações industriais complexas e abre caminho para futuras pesquisas em reologia de fluidos complexos usando aprendizado de máquina. Este estudo é um passo importante na direção de técnicas mais avançadas e eficientes para a análise reológica, com implicações práticas significativas na indústria de perfuração.
publishDate 2024
dc.date.accessioned.fl_str_mv 2024-04-11T06:26:28Z
dc.date.issued.fl_str_mv 2024
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 http://hdl.handle.net/10183/274644
dc.identifier.nrb.pt_BR.fl_str_mv 001197954
url http://hdl.handle.net/10183/274644
identifier_str_mv 001197954
dc.language.iso.fl_str_mv por
language por
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
dc.source.none.fl_str_mv reponame:Repositório Institucional da UFRGS
instname:Universidade Federal do Rio Grande do Sul (UFRGS)
instacron:UFRGS
instname_str Universidade Federal do Rio Grande do Sul (UFRGS)
instacron_str UFRGS
institution UFRGS
reponame_str Repositório Institucional da UFRGS
collection Repositório Institucional da UFRGS
bitstream.url.fl_str_mv http://www.lume.ufrgs.br/bitstream/10183/274644/2/001197954.pdf.txt
http://www.lume.ufrgs.br/bitstream/10183/274644/1/001197954.pdf
bitstream.checksum.fl_str_mv b4e5fbd421b8e1b13669c9886292d0a6
1936416beccc2069154160d29312cb1c
bitstream.checksumAlgorithm.fl_str_mv MD5
MD5
repository.name.fl_str_mv Repositório Institucional da UFRGS - Universidade Federal do Rio Grande do Sul (UFRGS)
repository.mail.fl_str_mv
_version_ 1801224682516512768

Registros relacionados