Use este identificador para citar ou linkar para este item:
http://repositorio.utfpr.edu.br/jspui/handle/1/35929| Título: | Análise exploratória preditiva de anomalias em poços de extração de petróleo e gás |
| Título(s) alternativo(s): | Predictive exploratory analysis of anomalies in oil and gas extraction wells |
| Autor(es): | Priotto, Felipe Messias Teixeira, Raphael Marinho |
| Orientador(es): | Santos, Eduardo Nunes dos |
| Palavras-chave: | Aprendizado profundo (Aprendizado do computador) Aprendizado do computador Análise multivariada Petróleo - Prospecção Detectores Deep learning (Machine learning) Machine learning Multivariate analysis Petroleum - Prospecting Detectors |
| Data do documento: | 19-Jun-2023 |
| Editor: | Universidade Tecnológica Federal do Paraná |
| Câmpus: | Curitiba |
| Citação: | PRIOTTO, Felipe Messias; TEIXEIRA, Raphael Marinho. Análise exploratória preditiva de anomalias em poços de extração de petróleo e gás. 2023. Trabalho de Conclusão de Curso (Bacharelado em Engenharia Eletrônica) - Universidade Tecnológica Federal do Paraná, Curitiba, 2023. |
| Resumo: | Este trabalho consiste em uma extensa análise exploratória de dados (EDA) e na criação de um modelo de aprendizado de máquina por meio de Deep Learning voltado para a otimização e redução de custos na extração de petróleo e gás em águas profundas. O modelo preditivo tem como função prever antecipadamente eventos que poderiam ser custosos para a empresa desenvolvedora da exploração. Para isso, foram utilizados métodos de ciência de dados no dataset 3W criado pela Petrobras, que contém dados reais e simulados de campos de extração da empresa. Durante a pesquisa, foram testados modelos transformer e LSTM, com uma comparação entre os dois, resultando na escolha do modelo transformer devido à sua capacidade de paralelização no treinamento. As métricas de avaliação do modelo foram satisfatórias, alcançando mais de 98% de acurácia no modelo final. Além disso, foi realizada interpretação do modelo usando a técnica CAM (Class Activation Map), que confirmou as avaliações visualmente, estabelecendo um paralelo com o comportamento físico dos sensores. |
| Abstract: | This work consists of an extensive exploratory data analysis (EDA) and the development of a machine learning model through Deep Learning aimed at optimizing and reducing costs in deepwater oil and gas extraction. The predictive model’s function is to anticipate events that could be costly for the exploration company. To achieve this, data science methods were applied to the 3W dataset created by Petrobras, which contains both real and simulated data from the company’s extraction fields. During the research, transformer and LSTM models were tested, with a comparison between the two, resulting in the selection of the transformer model due to its parallelization capabilities during training. The model evaluation metrics were satisfactory, achieving over 98% accuracy in the final model. Furthermore, interpretability of the model was successfully conducted using the Class Activation Map (CAM) technique, confirming the assessments intuitively and drawing parallels with the physical behavior of the sensors. |
| URI: | http://repositorio.utfpr.edu.br/jspui/handle/1/35929 |
| Aparece nas coleções: | CT - Engenharia Eletrônica |
Arquivos associados a este item:
| Arquivo | Descrição | Tamanho | Formato | |
|---|---|---|---|---|
| analiseexploratoriapreditivaanomalias.pdf | 4,38 MB | Adobe PDF |  Visualizar/Abrir |
Este item está licenciada sob uma Licença Creative Commons
