Banca de DEFESA: JOAO MARIA ARAUJO DO NASCIMENTO

Uma banca de DEFESA de DOUTORADO foi cadastrada pelo programa.
DISCENTE : JOAO MARIA ARAUJO DO NASCIMENTO
DATA : 16/06/2023
HORA: 09:00
LOCAL: Auditório do LAUT
TÍTULO:

Diagnóstico das Condições de Operação e Falhas de Sensor em Poços operando por Bombeio Mecânico utilizando Machine Learning

 

PALAVRAS-CHAVES:

Bombeio mecânico, Machine Learning e Cartas dinamométricas.

 
 

PÁGINAS: 100
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 superfície e 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 experiência, 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, \emph{Random Forest} e XgBoost, além de pipelines fornecidos via 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 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 alcançada uma acurácia de 99,84%.

 
 

MEMBROS DA BANCA:
Presidente - 350693 - ANDRE LAURINDO MAITELLI
Externo ao Programa - 2453033 - ANDERSON LUIZ DE OLIVEIRA CAVALCANTI - UFRNExterna ao Programa - 6350734 - CARLA WILZA SOUZA DE PAULA MAITELLI - UFRNExterno ao Programa - 1714956 - RUTACIO DE OLIVEIRA COSTA - UFRNExterno à Instituição - FABIO SOARES DE LIMA - PETROBRAS
Externo à Instituição - OSCAR GABRIEL FILHO - PETROBRAS
Notícia cadastrada em: 22/05/2023 18:02
SIGAA | Superintendência de Tecnologia da Informação - (84) 3342 2210 | Copyright © 2006-2024 - UFRN - sigaa03-producao.info.ufrn.br.sigaa03-producao