Ferramenta de apoio a decisão baseada em redes neurais para a detecção de anomalias durante a fase de produção de petróleo

• Ano de defesa: 2023
• Autor(a) principal: Santos, Ricardo de Araújo
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Palavras-chave em Português: Produção de poços offshore; Predição de anomalias; Inteligência artificial; Redes neurais artificiais; Poço de petróleo; Indústria petrolífera offshore; Eficiência técnica; Offshore oil production; Anomaly prediction; Neural networks; Artificial intelligence; Artificial neural networks
• Link de acesso: http://app.uff.br/riuff/handle/1/30405

A alta volatilidade do preço do petróleo exige que as empresas dessa indústria estejam sempre buscando formas de aumentar a eficiência de projetos, com o melhor aproveitamento dos dados coletados. Nesse contexto, diversos estudos no setor petrolífero têm procurado avaliar o uso de redes neurais e inteligência artificial para extrair informações dos dados e detectar eventos. Área importante do desenvolvimento de um campo, a produção de poços offshore apresenta problemas que muitas vezes o uso de técnicas convencionais como a simulação multifásica não é suficiente para evitar que ocorra a interrupção da produção para solucionar essas anomalias. O presente trabalho tem por objetivo identificar as melhores estruturas de redes neurais e como tais algoritmos podem ser utilizados para detectar eventos durante a produção de poços, podendo dessa forma maximizar as informações extraídas dos dados de produção e minimizar as perdas financeiras por interrupções da planta. Para realizar a modelagem, um banco de dados público com dados de 21 poços reais e 8 anomalias de produção foi utilizado como fonte de dados. Aumento abrupto do BSW, fechamento espúrio da válvula DHSV, slugging severo, instabilidade de fluxo, perda rápida de produção, restrição rápida da válvula choke, inscrustação na válvula choke e formação de hidratos na linha de produção são os oito problemas abordados nesse estudo. Para explorar e tratar os dados, adotou-se a técnica CRISP-DM. As estruturas de redes neurais identificadas durante a revisão de literatura inicial serviram como base para realizar a modelagem. O presente estudo fornece um comparativo da eficiência de diferentes técnicas de redes neurais testadas em diferentes cenários na identificação de anomalias de produção e os resultados obtidos evidenciam a grande capacidade das Redes LSTM e redes feedforward na detecção dos eventos estudados. Ambos tipos de redes apresentaram valores de F1 acima de 90 na maioria dos cenários avaliados.