Banca de QUALIFICAÇÃO: HELLOCKSTON GOMES DE BRITO

Uma banca de QUALIFICAÇÃO de DOUTORADO foi cadastrada pelo programa.
DISCENTE : HELLOCKSTON GOMES DE BRITO
DATA : 09/04/2026
HORA: 08:40
LOCAL: Auditório LAUT
TÍTULO:

Utilização de Técnicas de Machine Learning para Avaliar o Escoamento em Linhas de Produção Submarinos

PALAVRAS-CHAVES:

Garantia de escoamento, Aprendizado de máquina, Hidratos, Offshore, Exploração de petróleo e gás.

PÁGINAS: 67
RESUMO:

A intensificação das atividades de exploração e produção de petróleo e gás em ambientes offshore, particularmente em águas profundas e ultraprofundas, tem ampliado significativamente a complexidade operacional desses sistemas, tornando a garantia de escoamento um fator crítico para a continuidade, segurança e viabilidade econômica das operações. Dentre os principais fenômenos que comprometem a eficiência operacional, destaca-se a formação de hidratos de gás, capazes de provocar obstruções severas nas linhas de produção, resultando em perdas produtivas, riscos operacionais e elevados custos. Nesse cenário, esta pesquisa tem como objetivo aplicar técnicas de aprendizado de máquina em dados de poços offshore, visando avaliar, classificar e prever a formação de hidratos em sistemas de produção. Especificamente, busca-se estruturar e tratar conjuntos de dados híbridos provenientes do repositório 3W, desenvolver e validar modelos de aprendizado de máquina para classificação e prognóstico. A metodologia proposta baseia-se em uma arquitetura estruturada em eixos que abrangem desde a aquisição e pré-processamento de dados, engenharia de atributos e balanceamento de classes, até a modelagem computacional por meio de algoritmos clássicos, ensemble e redes neurais recorrentes do tipo LSTM (Long Short Term Mermory). A validação dos modelos será conduzida por meio de métricas robustas e testes estatísticos não paramétricos, assegurando rigor analítico e reprodutibilidade. Como resultados esperados, projeta-se a obtenção de modelos capazes de classificar com elevada eficiência os estados operacionais que levam a formação de hidratos, além de antecipar, de forma confiável, condições favoráveis à formação desses sólidos, contribuindo para o monitoramento em tempo real e a tomada de decisão automatizada. Espera-se, ainda, demonstrar a superioridade de abordagens híbridas na melhoria do desempenho preditivo, consolidando o uso do aprendizado de máquina como ferramenta estratégica para a prevenção de hidratos, otimização da garantia de escoamento e aumento da eficiência, segurança e sustentabilidade das operações offshore.

MEMBROS DA BANCA:
Interno - 1149554 - OSVALDO CHIAVONE FILHO
Externo ao Programa - 350693 - ANDRE LAURINDO MAITELLI - UFRNExterna ao Programa - 6350734 - CARLA WILZA SOUZA DE PAULA MAITELLI - UFRNExterno à Instituição - WILSON DA MATA - UFRN