Use este identificador para citar ou linkar para este item:
http://repositorio.utfpr.edu.br/jspui/handle/1/37210| Título: | Flaresat: método de segmentação da atividade de queima de gás em chaminés de instalações petrolíferas utilizando deep learning |
| Título(s) alternativo(s): | Flaresat: a deep learning-based segmentation method for gas flaring activity in flare stacks of oil industry facilities |
| Autor(es): | Glober, Osmary Camila Bortoncello |
| Orientador(es): | Silva, Ricardo Dutra da |
| Palavras-chave: | Queima de gases Imagens de sensoriamento remoto Aprendizado profundo (Aprendizado do computador) Segmentação de imagens Combustion gases Remote-sensing images Deep learning (Machine learning) Image segmentation |
| Data do documento: | 30-Abr-2025 |
| Editor: | Universidade Tecnológica Federal do Paraná |
| Câmpus: | Curitiba |
| Citação: | GLOBER, Osmary Camila Bortoncello. Flaresat: método de segmentação da atividade de queima de gás em chaminés de instalações petrolíferas utilizando deep learning. 2025. Dissertação (Mestrado em Computação Aplicada) - Universidade Tecnológica Federal do Paraná, Curitiba, 2025. |
| Resumo: | O processo de queima controlada de gás, conhecido como queima de gases (gas flaring), é uma prática rotineira nas indústrias de petróleo e gás há décadas. No entanto, seu impacto é uma preocupação global devido a questões ambientais, de saúde e econômicas. A detecção de atividade de queima de gases em instalações da indústria de petróleo é essencial para medir o volume de gases queimados e avaliar a conformidade com as metas globais de emissão de gases de efeito estufa. Este trabalho apresenta um método para segmentação da atividade de queima de gases em instalações da indústria de petróleo utilizando imagens de sensoriamento remoto e técnicas de deep learning. Para o desenvolvimento e validação do método, foi criado um novo conjunto de dados específico para a segmentação da queima de gases, utilizando imagens do satélite Landsat 8. A base de dados é composta por imagens processadas e rotuladas, representando uma contribuição importante para pesquisas futuras. O uso de deep learning obteve melhores resultados em comparação com os métodos atualmente utilizados, que são baseados em técnicas de processamento de imagens, destacando a contribuição do método proposto na identificação e segmentação da atividade de queima de gases. |
| Abstract: | The process of controlled burning of gas due to pressure in pipelines, known as gas flaring, is a daily routine, mainly used in the oil and gas industries for decades. The impact of this process is a global concern due to environmental, health and economic issues. To meet the global goal of controlling greenhouse gas emissions, the detection of gas flaring activity in oil industry facilities is essential information for measuring the volume of gases being flared. This work presents a method for the segmentation of gas flaring activity in oil and gas facilities using remote sensing images and deep learning techniques. For the development and validation of the method, a new dataset specifically designed for gas flaring segmentation was created using Landsat 8 satellite images. The dataset consists of processed and labeled images, representing a significant contribution to future research in the field. The use of deep learning achieved better results compared to currently used methods, which are based on image processing techniques, highlighting the contribution of the proposed method to the identification and segmentation of gas flaring activity. |
| URI: | http://repositorio.utfpr.edu.br/jspui/handle/1/37210 |
| Aparece nas coleções: | CT - Programa de Pós-Graduação em Computação Aplicada |
Arquivos associados a este item:
| Arquivo | Descrição | Tamanho | Formato | |
|---|---|---|---|---|
| segmentacaoqueimagas.pdf | 10,87 MB | Adobe PDF |  Visualizar/Abrir |
Este item está licenciada sob uma Licença Creative Commons
