Estimação de correntes oceânicas atuantes em um FPSO com amarração Turret utilizando redes neurais.

• Ano de defesa: 2024
• Autor(a) principal: Dias, Pedro Felipe Lavra
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Biblioteca Digitais de Teses e Dissertações da USP
• Palavras-chave em Português: Aprendizado computacional; Estimação de correntes oceânicas; Inteligência artificial; Machine learning; Neural network; Ocean current estimation; Redes neurais; Turre-FPSO; Turret-Moored FPSO
• Link de acesso: https://www.teses.usp.br/teses/disponiveis/3/3152/tde-20082024-113409/

Esta pesquisa visa estimar correntes oceânicas locais que afetam uma plataforma FPSO (Floating, Production, Storage, and Offloading) localizada na costa brasileira. Condições ambientais severas, como ventos, ondas e correntes, podem impactar a eficácia da exploração de petróleo em alto mar, reduzindo o período de transferência de óleo e gerando situações de risco. Nos FPSOs com amarração do tipo Turret, devido ao seu casco ser semelhante aos dos navios e também à sua propriedade de alinhamento a resultante das condições ambientais, a utilização de sensores capazes de aferir essas forças da natureza, além de medir a respectiva resposta da plataforma, trariam grandes vantagens na operação dessas plataformas. Não obstante, sensores de corrente não são tipicamente empregados. Nesse sentido, Redes Neurais Artificiais MLP foram implementadas para determinar as propriedades da corrente local - velocidade e direção, com base nos movimentos da Plataforma. Para gerar o conjunto de dados de treinamento, aproximadamente 29.000 condições ambientais observadas na região de interesse foram coletadas. Estas condições foram consideradas como entrada para simulações numéricas para um FPSOTurret (comprimento entre perpendiculares: 257 m, boca: 52 m), com duas condições de carregamento: plena carga e lastro, calados de 15,6 m e 10,5 m, respectivamente. As simulações forneceram respostas da plataforma no domínio do tempo, a partir das quais estatísticas de movimento (média e desvio padrão) foram calculadas para gerar o conjunto de dados final imputados nas MLP, composto pelo aproamento médio e desvios padrão de elevação, adernamento, arfagem e cabeceio; além da velocidade e direção do vento. Este conjunto de dados foi dividido na proporção 70/20/10. O maior conjunto foi utilizado para treinar as quatro Redes Neurais (duas para a condicao de plena carga uma para velocidade e outra para direção da corrente e as outras duas para a condição em lastro). Os demais dados foram utilizados para otimizar/validar os hiperparâmetros dos modelos de estimação e para o teste. Devido à propriedade de direcionalidade das condições ambientais, há muita informação sobre a direção de corrente para os quadrantes Noroeste a Sudoeste e poucos dados na direção oposta. Isso faz com que o conjunto de dados final fique desequilibrado. Além disso, sabe-se que a resposta não linear da plataforma às condições ambientais é capaz de gerar mais de um aproamento final para condições ambientais semelhantes ou vice-versa, dificultando a correlação entre o aproamento final e a direção das correntes. Esses obstáculos levaram ao pós-processamento dos resultados das MLPs. Os resultados para ambos os calados demonstraram uma forte relação entre os valores estimados e de referência (correlações de 70% e 90% para a velocidade e direção da corrente, respectivamente, para as duas condições de carregamento), e erros absolutos médios de 0,11 m/s e 25° para condição de plena carga e 0,1 m/s e 26°, quando em lastro.