Base de dados e benchmarks para prognóstico de anomalias em sistemas de elevação de petróleo

Página do item simplificado
dc.contributor.advisor1Salles, Evandro Ottoni Teatini
dc.contributor.advisor1IDhttps://orcid.org/0000000282873045
dc.contributor.advisor1Latteshttp://lattes.cnpq.br/5893731382102675
dc.contributor.authorVargas, Ricardo Emanuel Vaz
dc.contributor.authorIDhttps://orcid.org/0000-0001-6243-4590
dc.contributor.authorLatteshttp://lattes.cnpq.br/1658300192778908
dc.contributor.referee1Schnitman, Leizer
dc.contributor.referee1IDhttps://orcid.org/0000-0002-0399-6689
dc.contributor.referee1Latteshttp://lattes.cnpq.br/0473342349140026
dc.contributor.referee2Campos, Mario Cesar Mello Massa de
dc.contributor.referee2IDhttps://orcid.org/0000-0002-5746-6915
dc.contributor.referee2Latteshttp://lattes.cnpq.br/6108445696913310
dc.contributor.referee3Rauber, Thomas Walter
dc.contributor.referee3IDhttps://orcid.org/0000000263806584
dc.contributor.referee3Latteshttp://lattes.cnpq.br/0462549482032704
dc.contributor.referee4Orosa, Luis Marti
dc.date.accessioned2024-05-29T22:11:17Z
dc.date.available2024-05-29T22:11:17Z
dc.date.issued2019-08-27
dc.description.abstractThe oil industry considers that prognosis of anomalies in oil-producing wells can help to reduce production losses, environmental accidents, and human casualties and reduce maintenance costs. An oil well refers to a set of sensors and mechanical, pneumatic, and hydraulic systems. As in virtually any industrial process, several types of anomalies also occur in the process of oil lifting and flow assurance. This thesis formulates and evaluates the hypothesis that anomalies in naturally flowing wells can be detected with Machine Learning and that the use of expert hand-drawn and simulated instances is a feasible solution for the training of rare actual anomalies' detectors. The scarcity of measurements in such processes is a drawback due to the low reliability of instrumentation in such hostile environments. Another issue is the absence of anomalies' data – in quantity, quality, and adequately structured – in naturally flowing wells. To contribute to Machine Learning-based approaches to the prognosis of this type of anomaly, this work prepared and made public an original and realistic dataset with instances of eight types of anomalies characterized by eight process variables. Many hours of working together with experts from Petróleo Brasileiro S.A. were required to validate historical instances and to produce simulated and hand-drawn instances. The methodology developed and used in this preparation is detailed. Specific challenges that researchers can explore with the published dataset are defined. Experimental results related to these challenges suggest that the formulated hypotheses are true. This work has resulted in two relevant contributions. A challenging public dataset that can be used as a benchmark for the development of (i) machine learning techniques related to inherent difficulties of actual data, and (ii) methods for specific tasks associated with anomalies' classification in naturally flowing wells. The other contribution is the proposal of the defined benchmarks.
dc.description.resumoA indústria de petróleo considera que prognóstico de anomalias em poços produtores de petróleo pode ajudar a reduzir custos de manutenção e a evitar perdas de produção e acidentes ambientais e à vida humana. Um poço de produção de petróleo se refere a um conjunto de sensores e de sistemas mecânicos, elétricos e hidráulicos. Como em praticamente qualquer processo industrial, também ocorrem variados tipos de anomalias em processo de elevação e escoamento de petróleo. Esta tese formula e avalia as hipóteses que anomalias em sistemas de elevação natural de petróleo podem ser detectadas com Aprendizado de Máquina e que o uso de instâncias simuladas e desenhadas à mão por especialistas é uma solução viável para treinamento de detectores de anomalias reais raras. A escassez de medições nesse tipo de processo, devido à baixa confiabilidade da instrumentação em tais ambientes hostis, é uma desvantagem. Outra questão é a ausência de dados de anomalias – em quantidade, em qualidade e adequadamente estruturados – em sistemas de elevação natural de petróleo. Para contribuir com abordagens para prognóstico desse tipo de anomalia baseadas em Aprendizado de Máquina, este trabalho preparou e tornou público um conjunto de dados original e realista com instâncias de oito tipos de anomalias caracterizadas por oito variáveis de processo. Muitas horas de trabalho conjunto com engenheiros da Petróleo Brasileiro S.A. especialistas na área Elevação e Escoamento de Petróleo foram necessárias para validar instâncias históricas e para produzir instâncias simuladas e desenhadas à mão. A metodologia desenvolvida e utilizada nessa preparação é detalhada. Desafios específicos que pesquisadores podem explorar com o conjunto de dados publicado são definidos. Resultados experimentais relacionados a esses desafios sugerem que as hipóteses formuladas são verdadeiras. Este trabalho resultou em duas contribuições relevantes. Um conjunto de dados público e desafiador que pode ser utilizado como referência para desenvolvimento de (i) técnicas de Aprendizado de Máquina para tratamento de dificuldades inerentes a dados reais e (ii) métodos para tarefas específicas associadas a classificação de anomalias em sistemas de elevação natural de petróleo. A outra contribuição são os desafios específicos que foram propostos.
dc.formatText
dc.identifier.urihttp://repositorio.ufes.br/handle/10/13455
dc.languagepor
dc.publisherUniversidade Federal do Espírito Santo
dc.publisher.countryBR
dc.publisher.courseDoutorado em Engenharia Elétrica
dc.publisher.departmentCentro Tecnológico
dc.publisher.initialsUFES
dc.publisher.programPrograma de Pós-Graduação em Engenharia Elétrica
dc.rightsopen access
dc.subjectDetecção e diagnóstico de falhas
dc.subjectMonitoramento de poços de petróleo.
dc.subjectGerenciamento de eventos anormais
dc.subjectClassificação de séries temporais multivariáveis
dc.subjectFault detection and diagnosis
dc.subjectOil well monitoring
dc.subjectAbnormal event management.
dc.subjectMultivariate time series classification
dc.subject.br-rjbnsubject.br-rjbn
dc.subject.cnpqEngenharia Elétrica
dc.titleBase de dados e benchmarks para prognóstico de anomalias em sistemas de elevação de petróleo
dc.title.alternativetitle.alternative
dc.typedoctoralThesis
Arquivos
Pacote Original
Agora exibindo 1 - 1 de 1
Imagem de Miniatura
Nome:
RICARDOEMANUELVAZVARGAS-TESE.pdf
Tamanho:
10.92 MB
Formato:
Adobe Portable Document Format
Descrição:
Baixar
Coleções
Doutorado em Engenharia Elétrica