Abordagem baseada em aprendizado de máquina para modelagem e controle preditivo de poços de petróleo com gas lift contínuo
Autor(a) principal: | |
---|---|
Data de Publicação: | 2022 |
Tipo de documento: | Trabalho de conclusão de curso |
Idioma: | por |
Título da fonte: | Repositório Institucional da UFRJ |
Texto Completo: | http://hdl.handle.net/11422/16733 |
Resumo: | Comportamentos complexos e não lineares são comuns dentro da indústria química, sendo assim, a obtenção de modelos fidedignos pode muitas vezes ser impossibilitada ao se empregarem abordagens tradicionais de modelagem. Em função da ampla disponibilidade de dados cada vez mais presente nas operações industriais, estratégias utilizando redes neuronais são justificadas uma vez que além de sua não linearidade inerente, são consideradas funções aproximadoras universais e possuem boa capacidade de predição. Sob a ótica de modelagem e controle de processos, poços de petróleo com elevação artificial por injeção de gás configuram-se como um problema interessante pois apresentam características que dificultam sua identificação, são estas: inversão do sinal de ganho estático, comportamento de fase não mínima, resposta transitória lenta e instabilidades da malha. O presente trabalho empregou redes neuronais com atrasos temporais na identificação do comportamento do poço. Objetivou-se predizer a vazão de final de óleo a partir de diferentes conjuntos de dados como entrada. Posteriormente, as redes foram avaliadas e selecionadas de modo que os melhores resultados fossem utilizados em estudos preliminares como modelo interno de controladores preditivos. O comportamento do poço foi satisfatoriamente replicado pelas redes treinadas e os testes aos quais os controladores foram submetidos apresentaram boa capacidade de adequação a curva de referência (setpoint) e capacidade de estabilização da vazão de produção em zonas de golfadas. |
id |
UFRJ_6909a6e078f7d390a515f68e78eb3c62 |
---|---|
oai_identifier_str |
oai:pantheon.ufrj.br:11422/16733 |
network_acronym_str |
UFRJ |
network_name_str |
Repositório Institucional da UFRJ |
repository_id_str |
|
spelling |
Simões, Thiago Dopazo ReySoares, Felipo Doval RojasPinto, José Carlos Costa da SilvaCapron, Bruno Didier OlivierSouza Júnior, Maurício Bezerra de2022-04-18T17:29:55Z2023-11-30T03:01:48Z2022-03-10http://hdl.handle.net/11422/16733Submitted by Adriana Emerich (adriana@eq.ufrj.br) on 2022-04-18T17:29:55Z No. of bitstreams: 1 abrTDRSimões.pdf: 2076200 bytes, checksum: 34be31bb868d09e85ae4cec53547dae1 (MD5)Made available in DSpace on 2022-04-18T17:29:55Z (GMT). No. of bitstreams: 1 abrTDRSimões.pdf: 2076200 bytes, checksum: 34be31bb868d09e85ae4cec53547dae1 (MD5) Previous issue date: 2022-03-10Comportamentos complexos e não lineares são comuns dentro da indústria química, sendo assim, a obtenção de modelos fidedignos pode muitas vezes ser impossibilitada ao se empregarem abordagens tradicionais de modelagem. Em função da ampla disponibilidade de dados cada vez mais presente nas operações industriais, estratégias utilizando redes neuronais são justificadas uma vez que além de sua não linearidade inerente, são consideradas funções aproximadoras universais e possuem boa capacidade de predição. Sob a ótica de modelagem e controle de processos, poços de petróleo com elevação artificial por injeção de gás configuram-se como um problema interessante pois apresentam características que dificultam sua identificação, são estas: inversão do sinal de ganho estático, comportamento de fase não mínima, resposta transitória lenta e instabilidades da malha. O presente trabalho empregou redes neuronais com atrasos temporais na identificação do comportamento do poço. Objetivou-se predizer a vazão de final de óleo a partir de diferentes conjuntos de dados como entrada. Posteriormente, as redes foram avaliadas e selecionadas de modo que os melhores resultados fossem utilizados em estudos preliminares como modelo interno de controladores preditivos. O comportamento do poço foi satisfatoriamente replicado pelas redes treinadas e os testes aos quais os controladores foram submetidos apresentaram boa capacidade de adequação a curva de referência (setpoint) e capacidade de estabilização da vazão de produção em zonas de golfadas.porUniversidade Federal do Rio de JaneiroUFRJBrasilEscola de QuímicaCNPQ::ENGENHARIAS::ENGENHARIA QUIMICA::TECNOLOGIA QUIMICA::PETROLEO E PETROQUIMICAControle de ProcessosRedes NeuronaisModelagemElevação de petróleoAbordagem baseada em aprendizado de máquina para modelagem e controle preditivo de poços de petróleo com gas lift contínuoinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/bachelorThesisabertoinfo:eu-repo/semantics/openAccessreponame:Repositório Institucional da UFRJinstname:Universidade Federal do Rio de Janeiro (UFRJ)instacron:UFRJLICENSElicense.txtlicense.txttext/plain; charset=utf-81853http://pantheon.ufrj.br:80/bitstream/11422/16733/2/license.txtdd32849f2bfb22da963c3aac6e26e255MD52ORIGINALabrTDRSimões.pdfabrTDRSimões.pdftrabalho finalapplication/pdf2076200http://pantheon.ufrj.br:80/bitstream/11422/16733/1/abrTDRSim%C3%B5es.pdf34be31bb868d09e85ae4cec53547dae1MD5111422/167332023-11-30 00:01:48.154oai:pantheon.ufrj.br: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Repositório de PublicaçõesPUBhttp://www.pantheon.ufrj.br/oai/requestopendoar:2023-11-30T03:01:48Repositório Institucional da UFRJ - Universidade Federal do Rio de Janeiro (UFRJ)false |
dc.title.pt_BR.fl_str_mv |
Abordagem baseada em aprendizado de máquina para modelagem e controle preditivo de poços de petróleo com gas lift contínuo |
title |
Abordagem baseada em aprendizado de máquina para modelagem e controle preditivo de poços de petróleo com gas lift contínuo |
spellingShingle |
Abordagem baseada em aprendizado de máquina para modelagem e controle preditivo de poços de petróleo com gas lift contínuo Simões, Thiago Dopazo Rey CNPQ::ENGENHARIAS::ENGENHARIA QUIMICA::TECNOLOGIA QUIMICA::PETROLEO E PETROQUIMICA Controle de Processos Redes Neuronais Modelagem Elevação de petróleo |
title_short |
Abordagem baseada em aprendizado de máquina para modelagem e controle preditivo de poços de petróleo com gas lift contínuo |
title_full |
Abordagem baseada em aprendizado de máquina para modelagem e controle preditivo de poços de petróleo com gas lift contínuo |
title_fullStr |
Abordagem baseada em aprendizado de máquina para modelagem e controle preditivo de poços de petróleo com gas lift contínuo |
title_full_unstemmed |
Abordagem baseada em aprendizado de máquina para modelagem e controle preditivo de poços de petróleo com gas lift contínuo |
title_sort |
Abordagem baseada em aprendizado de máquina para modelagem e controle preditivo de poços de petróleo com gas lift contínuo |
author |
Simões, Thiago Dopazo Rey |
author_facet |
Simões, Thiago Dopazo Rey |
author_role |
author |
dc.contributor.advisorCo1.none.fl_str_mv |
Soares, Felipo Doval Rojas |
dc.contributor.author.fl_str_mv |
Simões, Thiago Dopazo Rey |
dc.contributor.referee1.fl_str_mv |
Pinto, José Carlos Costa da Silva |
dc.contributor.referee2.fl_str_mv |
Capron, Bruno Didier Olivier |
dc.contributor.advisor1.fl_str_mv |
Souza Júnior, Maurício Bezerra de |
contributor_str_mv |
Pinto, José Carlos Costa da Silva Capron, Bruno Didier Olivier Souza Júnior, Maurício Bezerra de |
dc.subject.cnpq.fl_str_mv |
CNPQ::ENGENHARIAS::ENGENHARIA QUIMICA::TECNOLOGIA QUIMICA::PETROLEO E PETROQUIMICA |
topic |
CNPQ::ENGENHARIAS::ENGENHARIA QUIMICA::TECNOLOGIA QUIMICA::PETROLEO E PETROQUIMICA Controle de Processos Redes Neuronais Modelagem Elevação de petróleo |
dc.subject.por.fl_str_mv |
Controle de Processos Redes Neuronais Modelagem Elevação de petróleo |
description |
Comportamentos complexos e não lineares são comuns dentro da indústria química, sendo assim, a obtenção de modelos fidedignos pode muitas vezes ser impossibilitada ao se empregarem abordagens tradicionais de modelagem. Em função da ampla disponibilidade de dados cada vez mais presente nas operações industriais, estratégias utilizando redes neuronais são justificadas uma vez que além de sua não linearidade inerente, são consideradas funções aproximadoras universais e possuem boa capacidade de predição. Sob a ótica de modelagem e controle de processos, poços de petróleo com elevação artificial por injeção de gás configuram-se como um problema interessante pois apresentam características que dificultam sua identificação, são estas: inversão do sinal de ganho estático, comportamento de fase não mínima, resposta transitória lenta e instabilidades da malha. O presente trabalho empregou redes neuronais com atrasos temporais na identificação do comportamento do poço. Objetivou-se predizer a vazão de final de óleo a partir de diferentes conjuntos de dados como entrada. Posteriormente, as redes foram avaliadas e selecionadas de modo que os melhores resultados fossem utilizados em estudos preliminares como modelo interno de controladores preditivos. O comportamento do poço foi satisfatoriamente replicado pelas redes treinadas e os testes aos quais os controladores foram submetidos apresentaram boa capacidade de adequação a curva de referência (setpoint) e capacidade de estabilização da vazão de produção em zonas de golfadas. |
publishDate |
2022 |
dc.date.accessioned.fl_str_mv |
2022-04-18T17:29:55Z |
dc.date.issued.fl_str_mv |
2022-03-10 |
dc.date.available.fl_str_mv |
2023-11-30T03:01:48Z |
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/11422/16733 |
url |
http://hdl.handle.net/11422/16733 |
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.publisher.none.fl_str_mv |
Universidade Federal do Rio de Janeiro |
dc.publisher.initials.fl_str_mv |
UFRJ |
dc.publisher.country.fl_str_mv |
Brasil |
dc.publisher.department.fl_str_mv |
Escola de Química |
publisher.none.fl_str_mv |
Universidade Federal do Rio de Janeiro |
dc.source.none.fl_str_mv |
reponame:Repositório Institucional da UFRJ instname:Universidade Federal do Rio de Janeiro (UFRJ) instacron:UFRJ |
instname_str |
Universidade Federal do Rio de Janeiro (UFRJ) |
instacron_str |
UFRJ |
institution |
UFRJ |
reponame_str |
Repositório Institucional da UFRJ |
collection |
Repositório Institucional da UFRJ |
bitstream.url.fl_str_mv |
http://pantheon.ufrj.br:80/bitstream/11422/16733/2/license.txt http://pantheon.ufrj.br:80/bitstream/11422/16733/1/abrTDRSim%C3%B5es.pdf |
bitstream.checksum.fl_str_mv |
dd32849f2bfb22da963c3aac6e26e255 34be31bb868d09e85ae4cec53547dae1 |
bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 |
repository.name.fl_str_mv |
Repositório Institucional da UFRJ - Universidade Federal do Rio de Janeiro (UFRJ) |
repository.mail.fl_str_mv |
|
_version_ |
1784097242462814208 |