[pt] A construção de poços marítimos tem se mostrado uma atividade complexa
e de alto risco. Para efetuar esta atividade as empresas se valem principalmente
das unidades de intervenção de poços, também conhecidas como sondas. Estas
possuem altos valores de taxas diárias de uso devido à manutenção preventiva da
unidade em si, mas também por falhas as quais seus equipamentos estão sujeitos.
No cenário específico da Petrobras, em junho de 2011, foi implantado no banco de
dados da empresa um maior detalhamento na classificação das falhas de
equipamentos de sonda. Com isso gerou-se uma descontinuidade nos registros da
empresa e a demanda para adequar estes casos menos detalhados à classificação
atual, mais completa. Os registros são compostos basicamente de informação
textual. Para um passivo de 3384 registros, seria inviável alocar uma pessoa para
classificá-los. Com isso vislumbrou-se uma ferramenta que pudesse efetuar esta
classificação da forma mais automatizada possível, utilizando os registros feitos
após junho de 2011 como base. O objetivo principal deste trabalho é de sanar esta
descontinuidade nos registros de falha de equipamentos de sonda. Os dados foram
tratados e transformados por meio de ferramentas de mineração textual bem como
processados pelo algoritmo de aprendizado supervisionado SVM (Support Vector
Machines). Ao final, após obter a melhor configuração do modelo, este foi
aplicado às informações textuais do passivo de anormalidades, atribuindo suas
classes de acordo com o novo sistema de classificação. / [en] Off-shore well construction has shown to be a complex and risky activity. In
order to build off-shore wells, operators rely mainly on off-shore rigs. These rigs
have an expensive day rate, related to their rental and maintenance, but also due to
their equipment failure. At off-shore Petrobras scenario, on June of 2011, was
implemented at the company database a better detailing on the classification of rig
equipment failure. That brought a discontinuity to the database records and
created a demand for adequacy of the former classification to the new
classification structure. Basically, rig equipment failure records are based on
textual information. For a liability of 3384 records, it was unable for one person to
manage the task. Therefore, an urge came for a tool that could classify these
records automatically, using database records already classified under the new
labels. The main purpose of this work is to overcome this database discontinuity.
Data was treated and transformed through text mining tools and then processed by
supervised learning algorithm SVM (Support Vector Machines). After obtaining
the best model configuration, the old records were submitted under this model and
were classified according to the new classification structure.
Identifer | oai:union.ndltd.org:puc-rio.br/oai:MAXWELL.puc-rio.br:47367 |
Date | 07 April 2020 |
Contributors | MARLEY MARIA BERNARDES REBUZZI VELLASCO |
Publisher | MAXWELL |
Source Sets | PUC Rio |
Language | Portuguese |
Detected Language | Portuguese |
Type | TEXTO |
Page generated in 0.0109 seconds