EVALUATING MACHINE LEARNING TECHNIQUES FOR DETECTION OF
FLOW INSTABILITY EVENTS IN OFFSHORE OIL WELLS
Nome: BRUNO GUILHERME CARVALHO
Tipo: Dissertação de mestrado acadêmico
Data de publicação: 04/10/2021
Orientador:
Nome |
Papel |
|---|---|
| FLÁVIO MIGUEL VAREJÃO | Orientador |
Banca:
| Nome |
Papel |
|---|---|
| CELSO JOSE MUNARO | Examinador Interno |
| FLÁVIO MIGUEL VAREJÃO | Orientador |
| RICARDO EMANUEL VAZ VARGAS | Coorientador |
| RICARDO MENEZES SALGADO | Examinador Externo |
Resumo: Instabilidade de fluxo é uma evento operacional indesejado em poços de petróleo. Para a
insdústria de óleo e gás, métodos eficientes de detecção e classificação de falhas é essencial
para reduzir os tempos de parada e aumentar a produtividade. A aplicação de algoritmos de
aprendizado de máquina tem sido amplamente utilizada no contexto industrial, provando
ser uma forma viável para resolver este tipo de problema. Neste estudo, é feita uma
avaliação de técnicas de aprendizado de máquina aplicadas a detecção e classificação da
instabilidade de fluxo baseadas em leituras de sensores de pressão e temperatura instalados
em sistemas submarinos de produção. Primeiramente é definida uma nova estratégia
de validação cruzada que elimina o viés de similaridade. Resultados mostram que esta
abordagem é mais realista que a divisão tradicional utilizada em trabalhos recentes. Em
seguida, grid search é utilizado na busca pela otimização de hiperparâmetros. Os resultados
não foram satisfatórios. Então, foi aplicado a técnica de seleção de características para
reduzir a dimensão do problema e evitar o fenômeno de Hughes. Três métodos foram usados:
seleção sequencial de características, um algoritmo hibrido ranking-wrapper, e algoritmo
genético. Nem todos os métodos conseguiram reduzir o número de características e melhorar
simultaneamente a classificação. A aplicação de um método baseado em algoritmo genético
foi um que conseguiu ambos os avanços, mostrando-se como um método robusto até
mesmo nas abordagens em que o viés foi eliminado, alcançando valores de F1 acima de
0, 7 em todos os casos. Por fim, uma análise dos resultados de todos os experimentos foi
conduzida para determinar quais das características estatísticas são mais relevantes, e de
quais sensores foram extraídas. Desvio padrão e variância do sensor P-MON-CKP foram
as mais selecionadas.
Palavras-chaves: instabilidade de fluxo; aprendizado de máquina; validação cruzada;
seleção de características; algoritmo genético.
