[pt] Uma preocupação significativa durante a produção de óleo e gás é a garantia
de escoamento para evitar desperdício de tempo e dinheiro. Devido às mudanças
nas condições durante a produção (como pressão e temperatura), principalmente
na região do pré-sal brasileiro, a solubilidade dos componentes do petróleo bruto
(óleo-gás-água) pode diminuir, resultando na formação de depósitos. A
incrustação é geralmente causada por parafina, hidratos e sal inorgânico. Neste
trabalho, foram desenvolvidos modelos utilizando estratégias de Aprendizado de
Máquina para monitoramento da formação de incrustações inorgânicas e
medição de parâmetros de processo associados com formas de remediação de
obstruções de outras fontes. Primeiramente, foram criados modelos do processo
de formação de incrustação de carbonato de cálcio na presença de
monoetilenoglicol (inibidor de hidrato) usando a arquitetura de redes neurais
feedfoward prever o pressão diferencial um e cinco instantes à frente, obtendo
um R2
superior a 92,9 porcento para ambos os horizontes de predição. O segundo tópico
explorado foi desenvolver modelos para determinação do pH em sistemas
pressurizados (até 6,0 MPa) por meio de análise de imagens. Podendo ser
aplicados no monitoramento de sistemas como Sistema Gerador de Nitrogênio,
utilizado para remediar alguns problemas de incrustação, dado que sua cinética
depende fortemente do pH do sistema. Foram criados modelos de classificação
para o pH do sistema (2, 3, 4, 5, 6, 7, 8, 9, 10) usando Redes Neurais
Convolucionais (CNN), Máquina de Vetor de Suporte e Árvores de Decisão.
Além disso, modelos CNN foram construídos para predizer o pH na faixa de 2-
10. / [en] A significant concern during oil and gas production is flow assurance to
avoid loss of time and money. Due to production conditions changes (such as
pressure and temperature), especially in the Brazilian pre-salt region, the solubility
of the components of the crude oil (oil-gas-water) can decrease, resulting in the
formation of deposits. The fouling is usually caused by wax, gas hydrate, and
inorganic salt (scale). In this work, models were developed using Machine
Learning strategies for scale formation monitoring and measuring process
parameters associated with remediation of obstruction from other sources. First,
models for the calcium carbonate scaling formation process in the presence of
monoethylene glycol (typical gas hydrate inhibitor) were created using
feedforward neural network architecture to predict the differential pressure (deltaP)
one and five steps ahead, obtaining an R2
higher than 92.9 percent for the training and
test group for both the prediction horizon. The second approach explored was the
development of models for determining the pH in atmospheric and pressurized
systems (up to 6.0 MPa) using image analysis. These models could be applied to
control and monitor the Nitrogen Generation System, which can be used for
different flow assurance problems, and its kinetics strongly depend on the system s
pH value. This step initially created classification models for the system pH (2, 3,
4, 5, 6, 7, 8, 9, 10) using the Convolution Neural Networks (CNN), Support Vector
Machine, and decision tree architectures. Also, CNN models were built to predict
the pH in the range of 2-10.
| Identifer | oai:union.ndltd.org:puc-rio.br/oai:MAXWELL.puc-rio.br:61188 |
| Date | 10 November 2022 |
| Creators | BRUNO XAVIER FERREIRA |
| Contributors | BRUNNO FERREIRA DOS SANTOS |
| Publisher | MAXWELL |
| Source Sets | PUC Rio |
| Language | English |
| Detected Language | English |
| Type | TEXTO |
Page generated in 0.003 seconds