Previsão da viscosidade de emulsões água em óleo utilizando redes neurais artificiais

• Main Author: Silva, Victor Hugo Couto e
• Publication Date: 2024
• Format: Bachelor thesis
• Language: por
• Source: Repositório Institucional da Universidade Federal Fluminense (RIUFF)
• dARK ID: ark:/87559/0013000000m7r
• Download full: http://app.uff.br/riuff/handle/1/32086
• topic: Emulsões; Viscosidade; Inteligência artificial; Viscosidade; Emulsão; Inteligência artificial; Emulsions; Viscosity; Artificial Intelligence

Emulsões do tipo água em óleo (A/O) são comumente formadas em estágios de produção e e ploração de petróleo. Por apresentarem altos valores de viscosidade dinâmica, essas emulsões causam a perda de carga nas linhas, o que acarreta o declínio da produção do sítio explorado. Tendo em vista essa problemática, a literatura apresenta correlações para previsão de viscosidade de emulsões A/O obtidas de forma experimental. Entretanto, a utilização dessas correlações nem sempre é satisfatória, visto que não são genéricas o suficiente, o que faz com que a previsão da viscosidade de emulsões formadas em condições diferentes das utilizadas para a modelagem dessa correlação apresente resultados com erro elevado. Como forma alternativa, estudos reológicos são utilizados a fim de prever o comportamento da viscosidade de emulsões. Entretanto, isso pode representar custos adicionais em face dos gastos relativos à produção de amostras e posterior análise. Desse modo, o uso de algoritmos de inteligência artificial, mais especificamente aprendizagem de máquina, surge como alternativa para a previsão da viscosidade de emulsões A/O. Neste trabalho, a partir de dados experimentais coletados em estudos reológicos de óleos brasileiros, totalizando 9204 dados, foi proposto um modelo de rede neural artificial para a previsão da viscosidade de emulsões A/O, utilizando dados de °API, temperatura, fração de água, viscosidade da fase contínua (óleo cru) e taxa de cisalhamento. Foi possível observar que o modelo proposto foi capaz de obter valores de coeficiente de determinação (R2) superiores a 0,99 entre os valores experimentais e previstos, indicando a capacidade preditiva do modelo. Utilizando método de validação cruzada, tanto os valores da média de R2 quanto de outras métricas demonstram a capacidade generalista do modelo