PPGEC PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA CIVIL CENTRO DE TECNOLOGIA Telefone/Ramal: 3214-1455- https://sigaa.sig.ufal.br/ppgec

Banca de QUALIFICAÇÃO: ANTONIO PAULO AMANCIO FERRO

Uma banca de QUALIFICAÇÃO de MESTRADO foi cadastrada pelo programa.
DISCENTE : ANTONIO PAULO AMANCIO FERRO
DATA : 30/11/2022
HORA: 14:00
LOCAL: Sala de aula do Laboratório de Computação Científica - LCCV
TÍTULO:

MODELOS PREDITIVOS PARA ROP COMO SUPORTE À OTIMIZAÇÃO EM TEMPO REAL DE PARÂMETROS OPERACIONAIS NA PERFURAÇÃO DE POÇOS DE PETRÓLEO

 
 

PALAVRAS-CHAVES:

Perfuração. Taxa de Penetração. Aprendizagem de Máquina. Tempo Real. Otimização.

 
 

PÁGINAS: 68
RESUMO:

A taxa de penetração (ROP) é um parâmetro de grande interesse na otimização em tempo real da perfuração. Um ROP maior reduz o tempo de perfuração e pode levar a um menor custo global. Modelos preditivos de ROP são desenvolvidos para relacionar os fatores que influenciam o processo de perfuração, e desse modo prever o ROP resultante. Esses modelos viabilizam a determinação de parâmetros operacionais ótimos, como RPM, o WOB e a vazão do fluido de perfuração em tempo real e ao longo da perfuração. Obter modelos de ROP mais precisos é uma tarefa difícil, dado a grande quantidade de fatores interagindo de forma não linear entre si. Além
disso, dado a complexidade do processo de perfuração, a influência de cada parâmetro não é totalmente conhecida. Expressões analíticas para o ROP e análise em poços de correlação são estratégias tradicionais para prever o ROP, no entanto, são de aplicação limitada a formações específicas ou ao tipo de broca utilizado. Essas dificuldades levaram a necessidade de desenvolver modelos mais robustos e baseados em dados utilizando aprendizagem de máquina. Este trabalho envolve o estudo de diferentes modelos preditivos de ROP. Modelos tradicionais da literatura: Bourgoyne & Young e energia mecânica específica, e suas adaptações para análise em tempo real, são comparados com modelos de aprendizagem de máquina: redes neurais artificiais, máquina de
vetores de suporte e florestas aleatórias. Os modelos de aprendizagem de máquina são utilizados para capturar os padrões complexos nos dados. Procura-se comparar a capacidade preditiva dos métodos em dados públicos de 7 poços de uma mesma região. Três benchmarks para comparação são utilizados, de modo que estratégias tradicionais que utilizam dados históricos de poços são comparadas com um cenário similar à análise em tempo real. Espera-se verificar quais modelos melhor capturam o padrão não linear do ROP. É esperado determinar a melhor estratégia com os benchmarks utilizados, verificando possível aumento ou diminuição da precisão da predição em tempo real. Com um modelo de ROP mais preciso é possível também determinar variáveis que mais afetam o ROP em uma retro análise, e assim propõe-se nesse trabalho comparar o impacto das variáveis do modelo e analisar a consistência das respostas entre os modelos. 

 
 

MEMBROS DA BANCA:
Interno(a) - 1121075 - ALINE DA SILVA RAMOS BARBOZA
Interno(a) - 1121260 - EDUARDO NOBRE LAGES
Externo(a) à Instituição - CHARLTON OKAMA DE SOUZA - PETROBRAS
Notícia cadastrada em: 11/11/2022 09:06
SIGAA | NTI - Núcleo de Tecnologia da Informação - (82) 3214-1015 | Copyright © 2006-2024 - UFAL - sig-app-2.srv2inst1 16/06/2024 09:48