| Summary: | Dissertação (mestrado) - Universidade Federal de Santa Catarina, Centro Tecnológico, Programa de Pós-Graduação em Engenharia de Automação e Sistemas, Florianópolis, 2012 === Made available in DSpace on 2013-06-25T23:40:56Z (GMT). No. of bitstreams: 1
313281.pdf: 3136817 bytes, checksum: fec9018b2cb42619f9b9ce84247bff4a (MD5) === Apresentam-se neste trabalho o desenvolvimento e a implementação de sistemas de monitoramento e validação de sensores de poços de petróleo, utilizando técnicas de aprendizado de máquina para a construção de modelos empíricos baseados em histórico de dados. Tais sistemas são fundamentados na redundância analítica dos sensores e o foco principal é a detecção de possíveis desvios nas leituras realizadas por esses dispositivos. Basicamente, o processo de validação é composto por três etapas: a predição das atuais leituras de sensores a partir de seus históricos de dados, a comparação entre as predições geradas e as correspondentes leituras dos sensores e, finalmente, a detecção de mudanças estatísticas nas propriedades dos resultados dessa comparação. Para verificar a aplicabilidade dos sistemas desenvolvidos, são realizados ensaios com diferentes conjuntos de dados: um conjunto de dados gerado a partir da simulação do modelo de um poço de petróleo e um conjunto de dados coletados de sensores de um poço real. De acordo com os resultados obtidos e as métricas de desempenho adotadas, o emprego de modelos empíricos baseados em histórico para a validação de sensores de poços de petróleo é promissor.<br> === Abstract : This work demonstrates the development and implementation of monitoring and validation systems for oil well sensors, using machine learning techniques to build data-drivenmodels of the behaviour of correlated sensors. These systems are based on the analytical redundancy of the sensors and the main objective is the calibration drift detection and isolation. Basically, the validation process is composed of three steps: the prediction of the sensors values given by the data-driven models, the comparison between the prediction and the actual sensor value, generating residuals, and, finally, the detection of abnormal changes in the statistical properties of the residuals. To verify the applicability of the developed systems, tests with two different datasets are performed: one dataset generated by the simulation of an oil well model and one dataset collected from sensors of a real oil well. Considering the obtained results and the performance metrics adopted, the use of data-driven models for validation of oil well sensors is promising.
|
|---|
