Banca de QUALIFICAÇÃO: JOSENÍLSON GOMES DE ARAÚJO

Uma banca de QUALIFICAÇÃO de MESTRADO foi cadastrada pelo programa.
DISCENTE : JOSENÍLSON GOMES DE ARAÚJO
DATA : 04/06/2021
HORA: 17:00
LOCAL: Banca remota via Google Meet. Link: meet.google.com/jna-vkwo-ssg
TÍTULO:

APLICAÇÃO DE MODELOS DEEP LEARNING EM DADOS DE VAZÃO DE PETRÓLEO EM SISTEMA DE BOMBEIO CENTRÍFUGO SUBMERSO

PALAVRAS-CHAVES:

medição de vazão dos fluidos, medição de fluxo virtual, bombeio centrífugo submerso (BCS), Deep learning, redes neurais LSTM, Indústria 4.0.

PÁGINAS: 49
RESUMO:

A medição de vazão dos fluidos é uma atividade fundamental para indústria de óleo e gás. A correta medição dos volumes produzidos proporciona uma boa gestão dos reservatórios, reduzindo as perdas de produção, orientando planos de otimização do sistema de produção e dos métodos de elevação e escoamento da produção. Apesar de sua grande importância, a medição dos fluidos produzidos, de uma forma geral, ainda é realizada através de medidores de vazão multifásicos físicos. Esta metodologia acaba levando a limitação de recursos físicos e demanda tempos de teste relativamente longos para fornecer resultados precisos. Neste contexto, o uso de técnicas de estimativa de vazão em tempo real por meio das ferramentas de medição de fluxo virtual ou Virtual Flow Metering (VFM) tem se mostrado um campo promissor tanto pela precisão dos resultados fornecidos quanto pelo baixo custo envolvido. Estas técnicas tem se beneficiado do grande volume de dados coletados através de sensores e transmissores existentes nos poços, ou seja, o desenvolvimento das ferramentas de VFM está relacionado à transformação digital que é vivenciada atualmente na indústria, transformação conhecida  como a quarta revolução industrial ou ainda Indústria 4.0. A partir dos avanços propiciados pela Indústria 4.0 como Big Data e Deep Learning e a importância da medição de fluidos para a indústria petrolífera, o presente trabalho tem como objetivo modelar a vazão de líquido por meio de redes neurais Deep Learning do tipo Long Short Term Memory (LSTM) a partir de grande volume de dados coletados de dois poços marítimos com sistema de elevação por bombeio centrífugo submerso (BCS) no estado do Rio Grande do Norte. Os resultados da LSTM são comparáveis aos resultados da modelagem hidrodinâmica. Eles podem ser úteis para estimar com precisão a vazão em tempo real e prever a vazão em tempos futuros subsidiando uma melhor gestão da produção. Espera-se que os resultados obtidos com as redes neurais LSTM possam ser integrados a outras tecnologias da Indústria 4.0 e contribuir com a transformação digital da indústria de óleo e gás.

MEMBROS DA BANCA:
Presidente - 6350734 - CARLA WILZA SOUZA DE PAULA MAITELLI
Interno - 347628 - ADRIAO DUARTE DORIA NETO
Externo à Instituição - FABIO SOARES DE LIMA - PETROBRAS