Edição publicada
Open Access
IDENTIFICAÇÃO DE PADRÕES DE ESCOAMENTO BIFÁSICO ÁGUA-ÓLEO EM TUBULAÇÕES HORIZONTAIS DA INDÚSTRIA ÓLEO-GÁS ATRAVÉS DE TÉCNICAS DE INTELIGÊNCIA ARTIFICIAL
Downloads
44
Views
910
BOOK ID: 662-1016-1
COMPARTILHE
Ver todas edições

Título

IDENTIFICAÇÃO DE PADRÕES DE ESCOAMENTO BIFÁSICO ÁGUA-ÓLEO EM TUBULAÇÕES HORIZONTAIS DA INDÚSTRIA ÓLEO-GÁS ATRAVÉS DE TÉCNICAS DE INTELIGÊNCIA ARTIFICIAL

10.37885/978-65-5360-640-1

Crossref

Volume

1

ISBN

978-65-5360-640-1

Ano

2024

Páginas

92

Edição

1

Autores

  • Marlon Cely
  • Henrique de Lima Cavalheiro
  • July Camperos
  • Aldo Pardo Garcia
  • Sofia Pagliarini
  • Carlos Diaz
  • Oscar Rodriguez
  • Marcelo Rossi
  • Paulo Evald
  • Elmer Peñaloza

Sinopse

O conhecimento dos padrões de escoamento provenientes do fluxo bifásico deágua e óleo é de grande importância para a indústria óleo-gás. Isto, tendo em vistaque variáveis críticas a projetos nesta área, têm forte correlação com o padrão deescoamento. Extração em plataforma offshore, transporte e armazenamento depetróleo são áreas que se beneficiam do emprego de técnicas que possam prever ospadrões de escoamento. Porém, até o momento não é possível fazer previsões deforma analítica, baseando-se apenas na modelagem matemática do sistema. Nestecontexto, diversos trabalhos foram desenvolvidos no sentido de encontrar outrasformas de fazer a estimação dos regimes ou padrões de escoamento: uma parte daliteratura abordou esta questão de forma experimental, propondo modelos empíricosbaseados principalmente em mapas de fluxo. Outra parte desenvolveu projetosutilizando técnicas de Inteligência Artificial, que seriam treinadas a partir de dadosexperimentais. É no sentido desta última abordagem que este trabalho foi desenvolvido,especificamente em uma base de dados de escoamento bifásico água-óleoem tubulações horizontais. Assim, foram implementadas inicialmente, Redes NeuraisArtificiais que classificaram um conjunto de oito padrões de escoamento. De modo avalidar os resultados obtidos e ter margem para comparação, também foram adotadasas técnicas: KNN, SVM, K-Means, Fuzzy C-Means e Random Forest. A análisedos resultados obtidos de todas estas indicaram que a que melhor se adequou aeste conjunto de dados, com as condições com que foram construídas, foram asRedes Neurais, que apresentaram a melhor acurácia obtida, de 95, 0594%. O SVMe o Random Forest apresentaram resultados ligeiramente piores, com 92, 8218% e93, 5644% de acurácia, respectivamente. Já o KNN teve resultados medianos, com85, 3960% de acurácia, e o K-Means com 66, 6596% de acurácia, e o Fuzzy C-Meanscom 77, 7504% apresentaram resultados considerados insuficientes, ou seja, não sãotécnicas viáveis nesta aplicação.

Licença

Esta obra está sob a Licença Creative Commons Atribuição-NãoComercial-SemDerivações 4.0 Internacional .

Licença Creative Commons

O conteúdo dos capítulos, seus dados, forma, correção e confiabilidade são de responsabilidade exclusiva do(s) autor(es). É permitido o download e o compartilhamento, desde que pela origem e no formato Acesso Livre (Open Access), com os devidos créditos e a citação atribuídos ao(s) respectivo(s) autor(es). Não é permitida qualquer alteração, catalogação em plataformas de acesso restrito ou utilização para fins comerciais. O(s) autor(es) mantém os direitos autorais do texto.

PlumX