Detecção de padrões de golfadas em malha fechada em poços de petróleo offshore utilizando os métodos de aprendizado de máquina não supervisionados SOM e GTM

• Ano de defesa: 2024
• Autor(a) principal: Maman, Alan de
• Orientador(a): Farenzena, Marcelo, Trierweiler, Jorge Otávio
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Palavras-chave em Português: Poços de petróleo; Controle de processos químicos; Escoamento multifásico; Aprendizado de máquina
• Link de acesso: http://hdl.handle.net/10183/291696

Nos poços offshore, as golfadas são um problema frequente que pode limitar a produção de petróleo. Já está provado que a utilização do controle ativo da pressão pode mitigar este efeito, mas a definição do setpoint continua a ser uma tarefa manual que requer uma intervenção humana constante. Um menor setpoint para a pressão significa que haverá maior fluxo de óleo, porém para evitar problemas com golfadas, o setpoint não pode ser decrescido indefinidamente, havendo assim um setpoint ótimo que permite a máxima extração com a menor chance de golfadas. Além disso, poços de petróleo são dinâmicos e variam suas características ao longo do tempo, isso significa que o mesmo setpoint que serviu no passado, pode não ser mais adequado no presente ou futuro. Este estudo propõe uma abordagem inovadora utilizando machine learning para auxiliar na busca por níveis de produção ótimos enquanto previne golfadas severas. Até a publicação desta dissertação, não foram encontrados na literatura trabalhos que aplicassem tais métodos, como os aqui propostos, para esse fim específico. Ademais, ao ter um indicativo que o poço se encontra em um possível estado de golfadas, a operação pode retornar a um setpoint anterior, antes que a golfada de fato ocorra, evitando assim a necessidade de intervenções mais severas como abertura da malha de controle ou mesmo shut downs emergenciais. Neste estudo, dois métodos de machine learning não supervisionados, nomeadamente Self-organizing Map (SOM) e Generative Topographic Mapping (GTM), foram avaliados para a detecção precoce de padrões de golfadas em poços de petróleo offshore. Este estudo utiliza dados gerados a partir de uma simulação do modelo FOWM para construir a base de dados necessária para o treino dos modelos. Além disso, SOM e GTM também foram aplicados a dados reais de poços, enriquecendo a análise com percepções de cenários práticos. Tanto o SOM como o GTM apresentaram resultados promissores, no entanto, o GTM superou o SOM em termos de orientação de mapeamento e precisão de identificação de estados. O GTM teve resultados de F-Score e Coeficiente de Correlação de Matthew levemente superiores sendo 1,6% e 3,1% respectivamente para os dados simulados. Além disso, o GTM foi considerado mais fácil de otimizar em termos de hiperparâmetros para refinar o mapa.