Abordagem baseada em aprendizado de máquina para modelagem e controle preditivo de poços de petróleo com gas lift contínuo

Detalhes bibliográficos
Autor(a) principal: Simões, Thiago Dopazo Rey
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