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



IDENTIFICAÇÃO DE PADRÕES DE ESCOAMENTO BIFÁSICO ÁGUA-ÓLEO EM TUBULAÇÕES HORIZONTAIS DA INDÚSTRIA ÓLEO-GÁS ATRAVÉS DE TÉCNICAS DE INTELIGÊNCIA ARTIFICIAL
978-65-5360-640-1

2024
92
1
Marlon Cely
Hernandez-Cely
Henrique de Lima Cavalheiro
Lima-Cavalheiro
July Camperos
GÓMEZ-CAMPEROS, J A
Aldo Pardo Garcia
Aldo Pardo-García
Sofia Pagliarini
Sofia-Pagliarini
Carlos Diaz
RUIZ-DIAZ, C M
Oscar Rodriguez
RODRIGUEZ, O. M. H
Marcelo Rossi
LEMOS ROSSI, MARCELO
Paulo Evald
EVALD, PAULO J. D. O.
Elmer Peñaloza
PEÑALOZA, ELMER A.G.
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.
Ler mais...Esta obra está licenciada com uma Licença Creative Commons Atribuição-NãoComercial-SemDerivações 4.0 Internacional .
O conteúdo dos capítulos e seus dados e sua forma, correção e confiabilidade, são de responsabilidade exclusiva do(s) autor(es). É permitido o download e compartilhamento desde que pela origem e no formato Acesso Livre (Open Access), com os créditos e citação atribuídos ao(s) respectivo(s) autor(es). Não é permitido: alteração de nenhuma forma, catalogação em plataformas de acesso restrito e utilização para fins comerciais. O(s) autor(es) mantêm os direitos autorais do texto.