Banca de DEFESA: JÉSSICA ALVES BRASIL

Uma banca de DEFESA de MESTRADO foi cadastrada pelo programa.
DISCENTE : JÉSSICA ALVES BRASIL
DATA : 11/04/2022
HORA: 08:30
LOCAL: meet.google.com/epj-ephy-gxp
TÍTULO:

DIAGNÓSTICO DE CONDIÇÕES DE OPERAÇÃO DO BOMBEIO CENTRÍFUGO SUBMERSO UTILIZANDO MACHINE LEARNING

PALAVRAS-CHAVES:

Bombeio Centrífugo Submerso, Machine Learning, Classificação e Condições de operação.

PÁGINAS: 83
RESUMO:

Na elevação artificial os métodos de automação são empregados com o intuito de aumentar a eficiência e produção dos poços de petróleo. No Bombeio Centrífugo Submerso (BCS) isso se torna primordial, visto que a análise dos dados disponíveis ainda é insuficiente para monitorar, diagnosticar, interpretar e analisar o desempenho e a integridade do poço, além da operação do BCS e eficiência em tempo real. No entanto, ainda que a maioria desses poços opere com sistemas automatizados, por falta de diagnóstico precoce das condições de operação, vários problemas podem ocorrer, entre eles o aumento do tempo de inatividade, o aumento de custos operacionais, a diminuição da eficiência e, por consequência, as perdas de produção. Na prática, a atividade de diagnóstico de condições de operação em BCS geralmente é realizada por operadores a partir da observação de padrões em cartas amperimétricas, porém, dificuldades como o elevado número de poços por campo e a falta de experiência, podem diminuir a efetividade dessa tarefa. Atualmente, as facilidades de implementação das técnicas de classificação via Machine Learning e vários trabalhos publicados sobre o assunto, tem desafiado e estimulado empresas a criarem soluções para diagnosticar precocemente anormalidades na operação dos poços. Dessarte, este trabalho tem como intuito fornecer uma proposta de detecção de problemas relacionados à interferência de gás e bloqueio de gás da bomba BCS a partir da análise dos dados de corrente elétrica obtidas para 20 poços de Mossoró, RN, Brasil. Algoritmos de classificação de Machine Learning foram implementados na linguagem de programação Python no ambiente Google Colaboratory. Os algoritmos de classificação utilizados (com e sem sintonia de hiperparâmetros) foram árvore de decisão, máquinas de vetores de suporte (SVM - Support Vector Machine), classificação do vizinho mais próximo (KNN - K-Nearest Neighbor) e rede neural do tipo Multi-Layer Perceptron (MLP). Conjuntos de dados balanceados e desbalanceados também foram testados. Os resultados obtidos apresentados ao longo do trabalho confirmam que a aplicação do algoritmo ML é viável para a classificação das condições de operação apresentadas, pois todos tiveram uma acurácia superior a 87% tendo como melhor resultado a aplicação do modelo SVM que alcançou uma acurácia de 93%. A identificação e resolução em estágio inicial de problemas do BCS podem levar a uma grande economia de custos e menos requisitos de manutenção devido a este sistema inteligente.

MEMBROS DA BANCA:
Presidente - 1149554 - OSVALDO CHIAVONE FILHO
Externa ao Programa - 6350734 - CARLA WILZA SOUZA DE PAULA MAITELLI
Externo ao Programa - 1752014 - EDNEY RAFAEL VIANA PINHEIRO GALVAO
Externo à Instituição - ANTHONY ANDREY RAMALHO DINIZ - UNIFESP