[pt] A correta operação de equipamentos na indústria de Óleo e Gás é fundamental
para a reduzir perdas ambientais, humanas e financeiras. Neste
cenário, foram estudados selos secos a gás (em inglês,DGS) de compressores
cetrífugos, por serem identificados como os mais críticos devido à extensão
dos danos potenciais causados em caso de falha. Neste estudo, foram desenvolvidos
31 modelos regressivos disponíveis no Scikit-Learn através de
técnicas de aprendizado de máquina (em inglês, ML). Estes foram treinados
com um conjunto de dados escassos, criado a partir de uma técnica de
planejamento de experimentos, para substituir simulações numéricas na previsão
de confiabilidade operacional de DGSs. Primeiramente, foi validado
um modelo baseado na simulação da Dinâmica dos Fluidos Computacionais
(em inglês, CFD) para representar o escoamento do gás entre as faces
de selagem, a fim de possibilitar o cálculo da confiabilidade operacional
do equipamento. Neste, foi utilizado o software de CFD de código aberto
OpenFOAM em conjunto com o banco de dados de substâncias do software
REFPROP, a fim de possibilitar ao usuário definir a mistura gasosa e as
condições operacionais avaliadas. Em seguida, foram realizados dois estudos
de caso seguindo um fluxograma genérico de projeto proposto. O primeiro
consistiu na determinação de um modelo regressivo para estimar a confiabilidade
de um DGS cuja composição gasosa (composta por metano, etano e
octano) é fixa porém suas condições operacionais podem ser alteradas. Já o
segundo consistiu na determinação de um modelo regressivo mais robusto,
onde tanto a composição gasosa como as condições operacionais podem ser
alteradas. Por fim, foi avaliada a viabilidade de implementação de ambos os
modelos em condições reais de operação, baseado na norma infinita obtida
para a predição do conjunto de teste. As performances atingidar foram de
1.872 graus Celsius e 6.951 grau Celsius para o primeiro e segundo estudos de caso, respectivamente. / [en] The correct equipment operation in the Oil and Gas industry is
essential to reduce environmental, human, and financial losses. In this
scenario, dry gas seals (DGS) of centrifugal compressors were studied,
as they are identified as the most critical device due to the extent of
the potential damage caused by their failure. In this study, 31 regression
models available at Scikit-Learn were developed using machine learning
(ML) techniques. They were trained with a scarce dataset, created based
on a design of experiment technique, to replace numerical simulations
in predicting the operational reliability of DGSs. First, a model based
on Computational Fluid Dynamics (CFD) simulation was validated to
represent the gas flowing between the sealing faces, to enable the calculation
of the equipment’s operational reliability. Thus, the open-source CFD
software OpenFOAM was used together with the substance database of
the software REFPROP, to allow the user to define the gas mixture and
the evaluated operational conditions. Then, two case studies were carried
out following a proposed generic workflow. The first comprised determining
a regression model to estimate the reliability of a DGS whose mixture
composition (composed of methane, ethane, and octane) is fixed but its
operating conditions can vary. The second consisted of determining a more
robust regressive model, where both the mixture composition and the
operational conditions can vary. Finally, the feasibility of implementing both
models under realistic operating conditions was evaluated, based on the
infinity norm obtained for the prediction of the test set. The performances
achieved were 1.872 degrees Celsius and 6.951 degrees Celsius for the first and second case studies,
respectively.
| Identifer | oai:union.ndltd.org:puc-rio.br/oai:MAXWELL.puc-rio.br:61107 |
| Date | 07 November 2022 |
| Creators | MATHEUS HOFFMANN BRITO |
| Contributors | HELON VICENTE HULTMANN AYALA |
| Publisher | MAXWELL |
| Source Sets | PUC Rio |
| Language | English |
| Detected Language | Portuguese |
| Type | TEXTO |
Page generated in 0.0023 seconds