Utilização de IA em processos de otimização para o projeto do sistema de ancoragem de uma plataforma offshore

Detalhes bibliográficos
Ano de defesa: 2025
Autor(a) principal: Klippel, Patricia Mistura
Orientador(a): Tancredi, Thiago Pontin
Banca de defesa: Não Informado pela instituição
Tipo de documento: Dissertação
Tipo de acesso: Acesso aberto
Idioma: por
Instituição de defesa: Não Informado pela instituição
Programa de Pós-Graduação: Não Informado pela instituição
Departamento: Não Informado pela instituição
País: Não Informado pela instituição
Link de acesso: https://repositorio.ufsc.br/handle/123456789/266734
Resumo: Dissertação (mestrado) - Universidade Federal de Santa Catarina, Centro Tecnológico de Joinville, Programa de Pós Graduação em Engenharia de Sistemas Eletrônicos, Joinville, 2025.
id UFSC_4fabe67d57b627aa289f6d427ea68452
oai_identifier_str oai:repositorio.ufsc.br:123456789/266734
network_acronym_str UFSC
network_name_str Repositório Institucional da UFSC
repository_id_str
spelling Universidade Federal de Santa CatarinaKlippel, Patricia MisturaTancredi, Thiago Pontin2025-07-17T23:28:41Z2025-07-17T23:28:41Z2025392903https://repositorio.ufsc.br/handle/123456789/266734Dissertação (mestrado) - Universidade Federal de Santa Catarina, Centro Tecnológico de Joinville, Programa de Pós Graduação em Engenharia de Sistemas Eletrônicos, Joinville, 2025.A exploração de petróleo em águas profundas (300-1500 metros) e ultraprofundas (>1500 metros) tem se intensificado nas últimas décadas, impulsionada pela descoberta das reservas do pré-sal no Brasil e pelo aumento global na demanda energética. Nessas regiões, a manutenção do posicionamento das plataformas depende diretamente do sistema de ancoragem, cujo projeto deve atender a critérios rigorosos relacionados ao deslocamento, tensões nas linhas e distribuição de carga. Nesse contexto, o projeto adequado e a análise detalhada desses sistemas são etapas fundamentais para garantir a segurança das operações sob condições ambientais adversas, como ondas, ventos e correntes marítimas. Esta dissertação apresenta uma metodologia estruturada em três etapas para otimizar o projeto de sistemas de ancoragem offshore. Na primeira etapa, realiza-se uma otimização multiobjetivo utilizando o algoritmo genético NSGA-II (Non-dominated Sorting Genetic Algorithm II), implementado no programa Synapse Offshore, programa desenvolvido pela Universidade Federal de Santa Catarina. Essa otimização utiliza cenários ambientais simulados pelos programas Dynasim, desenvolvido pela Petrobras, e Exmoor, programa resultante da colaboração entre a Universidade de São Paulo, a Universidade Federal de Santa Catarina e a Petrobras. O objetivo é identificar uma solução que minimize a porcentagem de deslocamento (offset) a partir do neutro, respeitando simultaneamente as restrições de tensão nas linhas, ângulo delta yaw neutro e carga nas âncoras. Na segunda etapa, desenvolve-se um modelo preditivo baseado em redes neurais artificiais, implementado em Python com o uso das bibliotecas TensorFlow/Keras para construção e treinamento das arquiteturas, e Scikeras em conjunto com Scikit-learn para validação cruzada (KFold) e ajuste de hiperparâmetros por meio do GridSearchCV. Os dados provenientes das simulações da etapa anterior são normalizados e organizados em conjuntos de treinamento, validação e teste. A qualidade das previsões é garantida por meio de validação cruzada e ajuste sistemático da rede neural. O modelo tem como função estimar os valores de deslocamento (offset) a partir do neutro, ângulo delta yaw neutro, tensões nas linhas e cargas nas âncoras. Na terceira etapa, o modelo preditivo substitui as simulações completas realizadas pelo Dynasim no processo de otimização. Essa substituição reduz significativamente o tempo de processamento das análises, possibilitando a avaliação rápida de um número maior de alternativas de projeto. Para garantir que a confiabilidade das soluções geradas esteja dentro dos limites técnicos estabelecidos, as previsões do modelo são validadas comparando-se seus resultados com simulações completas realizadas no Dynasim. Os resultados demonstram uma redução de aproximadamente 30% no tempo total das análises, mantendo-se a qualidade das previsões dentro de limites pré-estabelecidos. Além disso, o uso da abordagem proposta permite explorar mais soluções, facilitando a seleção de configurações adequadas para atender aos requisitos operacionais das plataformas offshore. A metodologia proposta contribui para maior eficiência e flexibilidade no desenvolvimento de sistemas de ancoragem e pode ser aplicada a outros problemas de engenharia naval e oceânica que envolvam simulações complexas e elevado custo computacional.Abstract: Deepwater (300–1500 meters) and ultra-deepwater (> 1500 meters) oil exploration has intensified in recent decades, driven by the discovery of Brazil’s pre-salt reserves and by the global rise in energy demand. In these regions, the maintenance of platform positioning depends directly on the mooring system, whose design must meet stringent criteria related to offset, line tensions, and load distribution. In this context, proper design and detailed analysis of these systems are fundamental steps to ensure operational safety under adverse environmental conditions such as waves, winds, and ocean currents. This dissertation presents a three-stage methodology for optimizing offshore mooring system design. In the first stage, a multi-objective optimization is carried out using the NSGA-II (Non-dominated Sorting Genetic Algorithm II) genetic algorithm, implemented in the Synapse Offshore software developed by the Federal University of Santa Catarina. That optimization employs environmental scenarios simulated by the Dynasim program (developed by Petrobras) and by Exmoor (the result of a collaboration between the University of São Paulo, the Federal University of Santa Catarina, and Petrobras). The objective is to identify a solution that minimizes percentage offset from the neutral point while simultaneously satisfying constraints on line tension, neutral delta-yaw angle, and anchor load. In the second stage, a predictive model based on artificial neural networks is developed in Python using TensorFlow/Keras for architecture construction and training, and Scikeras together with Scikit-learn for K-Fold cross-validation and hyperparameter tuning via GridSearchCV. Data from the previous stage’s simulations are normalized and organized into training, validation, and test sets. Prediction quality is ensured through cross-validation and systematic network adjustment. The model estimates offset from neutral, neutral delta-yaw angle, line tensions, and anchor loads. In the third stage, the predictive model replaces the full Dynasim simulations within the optimization process. This substitution significantly reduces analysis processing time, allowing rapid evaluation of a greater number of design alternatives. To ensure that the reliability of generated solutions remains within established technical limits, the model’s predictions are validated by comparing them with full Dynasim simulations. Results show an approximately 30 percent reduction in total analysis time while maintaining prediction quality within predefined bounds. Moreover, the proposed approach enables exploration of a broader solution space, facilitating the selection of configurations that meet offshore platform operational requirements. The methodology contributes to greater efficiency and flexibility in the development of mooring systems and can be applied to other naval and ocean engineering problems involving complex simulations and high computational cost.158 p.| il., tabs.porEletrônicaAncoragem (Engenharia de estruturas)Inteligência artificialRedes neurais (Computação)Utilização de IA em processos de otimização para o projeto do sistema de ancoragem de uma plataforma offshoreinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisreponame:Repositório Institucional da UFSCinstname:Universidade Federal de Santa Catarina (UFSC)instacron:UFSCinfo:eu-repo/semantics/openAccessORIGINALPESE0030-D.pdfPESE0030-D.pdfapplication/pdf4920004https://repositorio.ufsc.br/bitstream/123456789/266734/1/PESE0030-D.pdffec0d5312bc1dd6d96b37640f9e19470MD51123456789/2667342025-07-31 09:54:46.345oai:repositorio.ufsc.br:123456789/266734Repositório InstitucionalPUBhttp://150.162.242.35/oai/requestsandra.sobrera@ufsc.bropendoar:23732025-07-31T12:54:46Repositório Institucional da UFSC - Universidade Federal de Santa Catarina (UFSC)false
dc.title.none.fl_str_mv Utilização de IA em processos de otimização para o projeto do sistema de ancoragem de uma plataforma offshore
title Utilização de IA em processos de otimização para o projeto do sistema de ancoragem de uma plataforma offshore
spellingShingle Utilização de IA em processos de otimização para o projeto do sistema de ancoragem de uma plataforma offshore
Klippel, Patricia Mistura
Eletrônica
Ancoragem (Engenharia de estruturas)
Inteligência artificial
Redes neurais (Computação)
title_short Utilização de IA em processos de otimização para o projeto do sistema de ancoragem de uma plataforma offshore
title_full Utilização de IA em processos de otimização para o projeto do sistema de ancoragem de uma plataforma offshore
title_fullStr Utilização de IA em processos de otimização para o projeto do sistema de ancoragem de uma plataforma offshore
title_full_unstemmed Utilização de IA em processos de otimização para o projeto do sistema de ancoragem de uma plataforma offshore
title_sort Utilização de IA em processos de otimização para o projeto do sistema de ancoragem de uma plataforma offshore
author Klippel, Patricia Mistura
author_facet Klippel, Patricia Mistura
author_role author
dc.contributor.none.fl_str_mv Universidade Federal de Santa Catarina
dc.contributor.author.fl_str_mv Klippel, Patricia Mistura
dc.contributor.advisor1.fl_str_mv Tancredi, Thiago Pontin
contributor_str_mv Tancredi, Thiago Pontin
dc.subject.classification.none.fl_str_mv Eletrônica
Ancoragem (Engenharia de estruturas)
Inteligência artificial
Redes neurais (Computação)
topic Eletrônica
Ancoragem (Engenharia de estruturas)
Inteligência artificial
Redes neurais (Computação)
description Dissertação (mestrado) - Universidade Federal de Santa Catarina, Centro Tecnológico de Joinville, Programa de Pós Graduação em Engenharia de Sistemas Eletrônicos, Joinville, 2025.
publishDate 2025
dc.date.accessioned.fl_str_mv 2025-07-17T23:28:41Z
dc.date.available.fl_str_mv 2025-07-17T23:28:41Z
dc.date.issued.fl_str_mv 2025
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv https://repositorio.ufsc.br/handle/123456789/266734
dc.identifier.other.none.fl_str_mv 392903
identifier_str_mv 392903
url https://repositorio.ufsc.br/handle/123456789/266734
dc.language.iso.fl_str_mv por
language por
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv 158 p.| il., tabs.
dc.source.none.fl_str_mv reponame:Repositório Institucional da UFSC
instname:Universidade Federal de Santa Catarina (UFSC)
instacron:UFSC
instname_str Universidade Federal de Santa Catarina (UFSC)
instacron_str UFSC
institution UFSC
reponame_str Repositório Institucional da UFSC
collection Repositório Institucional da UFSC
bitstream.url.fl_str_mv https://repositorio.ufsc.br/bitstream/123456789/266734/1/PESE0030-D.pdf
bitstream.checksum.fl_str_mv fec0d5312bc1dd6d96b37640f9e19470
bitstream.checksumAlgorithm.fl_str_mv MD5
repository.name.fl_str_mv Repositório Institucional da UFSC - Universidade Federal de Santa Catarina (UFSC)
repository.mail.fl_str_mv sandra.sobrera@ufsc.br
_version_ 1851758898490376192

Registros relacionados