Banca de QUALIFICAÇÃO: JOAO MARIA ARAUJO DO NASCIMENTO

Uma banca de QUALIFICAÇÃO de DOUTORADO foi cadastrada pelo programa.
DISCENTE : JOAO MARIA ARAUJO DO NASCIMENTO
DATA : 17/06/2021
HORA: 14:30
LOCAL: meet.google.com/wiw-ycpw-snm
TÍTULO:

Diagnóstico de Condições de Operação e Falhas de Sensor em Poços operando por Bombeio Mecânico Utilizando Machime Learning

PALAVRAS-CHAVES:

Bombeio mecânico, Machine Learning e Cartas dinamométricas.

PÁGINAS: 69
RESUMO:

Em campos petrolíferos com muitos poços operando por bombeio mecânico, devido à
falta de diagnóstico precoce das condições de operação ou falhas de sensores, vários problemas
podem passar despercebidos. Os referidos problemas podem gerar grandes perdas,
como aumento do tempo de inatividade, aumento do OPEX (despesas operacionais), diminuição
da eficiência e perda de produção. Na prática, a identificação e o diagnóstico
das condições de operação são realizados a partir de cartas dinamométricas de fundo, por
meio de padrões pré-estabelecidos, com esforço visual humano nos centros de operação.
Essa tarefa exige muito tempo e trabalho, além de exigir uma experiência profunda, pois
pode ser influenciada por fatores subjetivos. Porém, nos últimos anos, com as facilidades
inerentes aos algoritmos de Aprendizado de Máquina (Machine Learning - ML), várias
pesquisas realizadas sobre o assunto alcançaram bons resultados no diagnóstico de condições
de operação, evidenciando que ML pode ser utilizado para esse fim. Todavia, ainda
é comum a existência de dúvidas sobre o nível de dificuldade da tarefa de classificação
de cartas dinamométricas, o melhor algoritmo, o melhor descritor de formas, as melhores
métricas e qual o impacto dos conjuntos de dados desequilibrados. Na busca por respostas
a essas questões, neste trabalho foram utilizados dados reais de 38 poços operando
por bombeio mecânico da região de Mossoró, RN, Brasil. Mais de 50.000 cartas foram
classificadas por especialistas e distribuídas em oito modos de operação e duas falhas de
sensor, comuns neste campo. Sessenta testes foram realizados e divididos em sete grupos.
Três algoritmos foram testados (com e sem sintonia de hiperparâmetro): Árvore de decisão,
Random Forest e XgBoost, além de pipelines fornecidos pelo Automated Machine
Learning (AutoML). Os descritores utilizados foram: descritores de Fourier e descritores
Wavelet, além dos valores de carga da carta dinamométrica de fundo. Conjuntos de
dados balanceados e desbalanceados também foram testados. Os resultados que serão
apresentados confirmam a viabilidade da aplicação de ML para diagnóstico de condições
de operação e falha de sensores em sistemas de bombeio mecânico, uma vez que 75% dos
testes alcançaram acurácia acima de 92% e foi atingido uma acurácia máxima alcançada
foi de 99,84%, superior a maioria dos trabalhos revisados.

MEMBROS DA BANCA:
Presidente - 350693 - ANDRE LAURINDO MAITELLI
Externo ao Programa - 2453033 - ANDERSON LUIZ DE OLIVEIRA CAVALCANTI
Externa ao Programa - 6350734 - CARLA WILZA SOUZA DE PAULA MAITELLI
Externo à Instituição - OSCAR GABRIEL FILHO - PETROBRAS