Detecção rápida de Kick na perfuração de poços de petróleo utilizando Autoencoders Convolucionais

• Ano de defesa: 2025
• Autor(a) principal: Lima, Felipe de Azevedo
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Palavras-chave em Português: Detecção; Kick; Poços; Petróleo; Perfuração; Segurança; Integridade; Controle de poço; Deep learning; Machine learning; Inteligência Artificial; Autoencoders; Convolucionais; TCN-AE; CNN-AE; LSTM-AE; Séries temporais; CRISPDM; Perfuração de poço; Detection; Wells; Oil; Drilling; Safety; Integrity; Well control; Artificial Intelligence; Convolutional; Time Series
• Link de acesso: https://app.uff.br/riuff/handle/1/39651

Esta pesquisa aborda um dos desafios mais críticos da perfuração de poços de petróleo: a detecção rápida de eventos de kicks. O kick é um influxo indesejado de fluidos das rochas em subsuperfície que pode levar a sérios problemas de segurança, tornando sua identificação e gerenciamento fundamentais para continuidade operacional e bem estar de todos os envolvidos. Utilizando técnicas de deep learning, em especial os modelos de autoencoders, o estudo visa não apenas melhorar a precisão e rapidez na identificação dos kicks, mas também reduzir significativamente os falsos alertas. A metodologia aplicada para alcançar esses objetivos foi baseada no padrão CRISP-DM (Cross-Industry standard Process for Data Mining), um modelo para desenvolvimento de soluções em ciência de dados. Após análise dos eventos de kick em poços marítimos localizados em campos de petróleo no Brasil, os dados reais dos parâmetros dessas perfurações e outras correlatas foram utilizados para treinamento de diferentes modelos de aprendizado de máquina. Este trabalho concluiu que as estruturas de autoencoders baseadas em camadas de redes convolucionais temporais (TCN-AE) possuem performance superior na detecção de kicks em perfurações de poços offshore, em comparação a outras redes não supervisionadas consagradas na literatura como a CNN-AE, LSTM-AE, LSTM-VAE e IF. Além de obter 100% de sucesso na detecção dos kicks, a rede TCN-AE não apresentou indicação de falsos alertas e obteve resultados promissores para capacidade preditiva, sinalizando a existência do kick antes do início de ganho de volume de fluido nos tanques. Para este estudo foram obtidos os históricos dos dados operacionais do monitoramento em tempo real de 19 perfurações em poços marítimos offshore de 2 campos de petróleo diferentes onde ocorreram 4 kicks reais e 6 falsos alertas de kick. Com base nos testes realizados, a rede neural TCN-AE demonstrou-se como solução preditiva robusta para detecção de kicks nas perfurações de poços de petróleo offshore