Impacto das variáveis meteo-oceanográficas e do teor de óleos e graxas na formação de feições oleosas durante o processamento primário de petróleo

• Ano de defesa: 2022
• Autor(a) principal: ROMÃO, Estevão Luiz
• Orientador(a): BALESTRASSI, Pedro Paulo
• Tipo de documento: Tese
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Federal de Itajubá
• Programa de Pós-Graduação: Programa de Pós-Graduação: Doutorado - Engenharia de Produção
• Departamento: IEPG - Instituto de Engenharia de Produção e Gestão
• País: Brasil
• Palavras-chave em Português: Processamento primário de petróleo; Variáveis meteo-oceanográficas; Teor de óleos e graxas; Técnicas de aprendizado de máquina; Planejamento de experimentos
• Área do conhecimento CNPq: CNPQ::ENGENHARIAS::ENGENHARIA DE PRODUÇÃO
• Link de acesso: https://repositorio.unifei.edu.br/jspui/handle/123456789/3318

O surgimento de feições oleosas no oceano é um desafio para as empresas que realizam o processamento primário de óleo em plataformas offshore. Após a separação do gás, óleo e água presentes no petróleo bruto, parte da água é devolvida aos oceanos com um certo teor de óleos e graxas (TOG). O valor do TOG e de variáveis meteo-oceanográficas, tais como: direção do vento (DV), intensidade do vento (IV), direção da corrente (DC), intensidade da corrente (IC), direção da onda (DO) e o período de pico primário (PP), criam cenários que podem favorecer ou dificultar o aparecimento de feições oleosas. No Brasil, essas feições podem levar a sanções para as empresas caso ultrapassem 500 metros de extensão. Diante disso, o presente trabalho realiza um estudo sobre como tais variáveis influenciam a probabilidade de ocorrência e detecção de feições oleosas via satélite, bem como a sua extensão. Utilizaram-se técnicas de machine learning (random forest, k nearest neighbors, redes neurais artificiais, regressão logística e support vector machines), análise fatorial, design of experiments (DOE) e o algoritmo de otimização desirability. As principais conclusões do estudo foram: (i) o random forest superou os demais classificadores analisados e um modelo com área sob a curva de Característica de Operação do Receptor (curva ROC) de 0,93 foi obtido; (ii) a metodologia utilizada, combinando os classificadores com as técnicas anteriormente mencionadas mostrou-se satisfatória; (iii) quanto maior os valores de IV, DV e IC, menor a probabilidade de ocorrência e detecção de manchas de óleo, sendo que quanto maiores os valores de TOG, PP, DO e DC maior esta probabilidade; (iv) variáveis como IC e TOG contribuem positivamente para aumentar a extensão das manchas de óleo, enquanto altos valores de DV, IV e PP reduzem a extensão das feições.