Please use this identifier to cite or link to this item: https://repositorio.ufjf.br/jspui/handle/ufjf/17569
Files in This Item:
File Description SizeFormat 
vagnervileladeoliveira.pdf1.79 MBAdobe PDFThumbnail
View/Open
Type: Dissertação
Title: Modelagem da pressão de fundo de poço em sistemas de escoamento multifásico: uma abordagem utilizando modelos de redes neurais polinomiais
Author: Oliveira, Vagner Vilela de
First Advisor: Fonseca, Leonardo Goliatt da
Co-Advisor: Saporetti, Camila Martins
Referee Member: Fonseca Neto, Raul
Referee Member: Carvalho, Iago Augusto de
Resumo: No complexo processo de extração de petróleo e gás, há muitos indicadores importantes que devem ser acompanhados para manter a eficiência e segurança dos poços, do meio-ambiente e principalmente dos profissionais envolvidos na operação. Um desses indicadores, é a Pressão de Fundo de Poço (FBHP). Esse indicador influencia diretamente o controle de produção e a integridade dos poços, sendo um parâmetro crucial para evitar falhas operacionais e minimizar riscos. Tanto a FBHP baixa (que reduz a produção) quanto alta (que acarreta riscos diversos, entre eles o risco de explosão) devem ser foco constante de atenção. Nesse sentido, modelos computacionais têm sido desenvolvidos para prever a FBHP, fornecendo formas adicionais ou alternativas às medidas tradicionais desse indicador. Essa dissertação explora a técnica do GMDH (Group Method of Data Handling) na modelagem preditiva da FBHP. O GMDH se refere a uma família de algoritmos ainda pouco explorada, sobretudo na área de petróleo e gás. Essa pesquisa visa preencher essa lacuna, avaliando a técnica como uma alternativa possível na modelagem de FBHP. É feita uma análise comparativa entre quatro diferentes tipos de algoritmos GMDH, apontando vantagens e limitações em termos de precisão, sendo gerados modelos interpretáveis relativos aos algoritmos em sua melhor configuração de desempenho.
Abstract: In the complex oil and gas extraction process, there are many important indicators that must be monitored to maintain the efficiency and safety of the wells, the environment and especially the professionals involved in the operation. One of these indicators is Flowing Bottom Hole Pressure (FBHP). This indicator directly influences production control and well integrity, being a crucial parameter to avoid operational failures and minimize risks. Both low FBHP (which reduces production) and high FBHP (which entails various risks, including the risk of explosion) must be a constant focus of attention. In this sense, computational models have been developed to predict FBHP, providing additional or alternative forms to traditional measurements of this indicator. This dissertation explores the GMDH (Group Method of Data Handling) technique in FBHP predictive modeling. GMDH refers to a family of algorithms that is still little explored, especially in the oil and gas area. This research aims to fill this gap, evaluating the technique as a possible alternative in FBHP modeling. A comparative analysis is made between four different types of GMDH algorithms, pointing out advantages and limitations in terms of precision, generating interpretable models relating to the algorithms in their best performance configuration.
Keywords: Pressão de fundo de poço
FBHP
Rede neural polinomial
GMDH
Modelagem computacional
Modelo interpretável
Inteligência artificial
Aprendizado de máquina
Flowing bottom hole pressure
Polynomial neural network
Computational modeling
Interpretable model
Artificial intelligence
Machine learning
CNPq: CNPQ::CIENCIAS EXATAS E DA TERRA
Language: por
Country: Brasil
Publisher: Universidade Federal de Juiz de Fora (UFJF)
Institution Initials: UFJF
Department: ICE – Instituto de Ciências Exatas
Program: Programa de Pós-graduação em Modelagem Computacional
Access Type: Acesso Aberto
Attribution-NoDerivs 3.0 Brazil
Creative Commons License: http://creativecommons.org/licenses/by-nd/3.0/br/
URI: https://repositorio.ufjf.br/jspui/handle/ufjf/17569
Issue Date: 26-Sep-2024
Appears in Collections:Mestrado em Modelagem Computacional (Dissertações)



This item is licensed under a Creative Commons License Creative Commons