Made available in DSpace on 2014-12-17T14:08:53Z (GMT). No. of bitstreams: 1
FranciscaFNS_DISSERT.pdf: 1424383 bytes, checksum: 6d399b5a60f42e3c2b87657eb17e44e0 (MD5)
Previous issue date: 2013-02-05 / Coordena??o de Aperfei?oamento de Pessoal de N?vel Superior / Atualmente, ? de grande interesse o estudo de m?todos de previs?o de S?ries Temporais, ou seja, conseguir identificar e predizer algumas caracter?sticas do processo num ponto futuro. Na engenharia de petr?leo uma das atividades essenciais ? a estimativa de produ??o de ?leo existente nas reservas petrol?feras de reservat?rios maduros. O c?lculo dessas reservas ? crucial para a determina??o da viabilidade econ?mica de sua explota??o. Para tanto, a ind?stria do petr?leo faz uso de t?cnicas convencionais de modelagem de reservat?rios como simula??o num?rica matem?tica para previs?o da produ??o de petr?leo. Diante deste fato, o objetivo fundamental deste trabalho ? propor uma metodologia de An?lise de S?ries Temporais baseada nos tradicionais modelos estat?sticos de Box & Jenkins, que em conjunto com a t?cnica inteligente de Redes Neurais Artificiais (RNA s), possibilite a constru??o de um modelo h?brido de predi??o de dados de produ??o de petr?leo, tomando por base a capacidade que a rede tem em aprender com a experi?ncia e partir para generaliza??o baseada no seu conhecimento pr?vio. Para tanto, a Rede Neural ser? treinada com a finalidade de estimar e corrigir os erros associados ao modelo estat?stico de S?rie Temporal, de forma a aproximar a s?rie estimada ? s?rie de dados original. Os dados da S?rie Temporal em estudo referem-se ? curva de vaz?o de petr?leo de um reservat?rio localizado em um campo da regi?o nordeste do Brasil. A s?rie em estudo foi obtida no per?odo 31de julho do ano 1998 ate 31 de dezembro de 2007, com os dados (vaz?o) sendo obtidos com intervalos mensais, totalizando 127 meses de informa??es. O algoritmo de predi??o proposto pela Rede Neural receber? como entrada os erros gerados pelo modelo estat?stico de s?rie e fornecer? como sa?da uma estimativa do erro no tempo n+h onde h representa o horizonte de predi??o. Os erros estimados pela Rede Neural ser?o adicionados ao Modelo de S?rie Temporal com a finalidade de corrigi-lo. Por fim, ser? feito um estudo comparativo da performance preditiva do modelo de Box & Jenkins cl?ssico e o modelo de Box & Jenkins corrigido pela Rede Neural. A arquitetura recorrente em estudo neste trabalho dever? ser capaz de prover estimativas confi?veis, tanto para um horizonte de predi??o de passos simples quanto para um horizonte de m?ltiplos passos. O software utilizado para realiza??o do ajuste do modelo estat?stico de S?rie Temporal foi o R Project for Statistical Computing - vers?o 2.14.1. Para fazer as implementa??es necess?rias da Rede Neural, a ferramenta computacional utilizada foi o software Matlab Vers?o 7.0.2 (R2011a)
Identifer | oai:union.ndltd.org:IBICT/oai:repositorio.ufrn.br:123456789/12981 |
Date | 05 February 2013 |
Creators | Silva, Francisca de F?tima do Nascimento |
Contributors | CPF:10749896434, http://lattes.cnpq.br/1987295209521433, Mata, Wilson da, CPF:09453210404, http://buscatextual.cnpq.br/buscatextual/visualizacv.do?id=K4781404Z6, L?cio, Paulo Sergio, CPF:77231295720, http://lattes.cnpq.br/5291232352923880, Varella, Fabiana Karla de O. Martins, CPF:03513245424, http://lattes.cnpq.br/2711699996455302, D?ria Neto, Adri?o Duarte |
Publisher | Universidade Federal do Rio Grande do Norte, Programa de P?s-Gradua??o em Ci?ncia e Engenharia do Petr?leo, UFRN, BR, Pesquisa e Desenvolvimento em Ci?ncia e Engenharia de Petr?leo |
Source Sets | IBICT Brazilian ETDs |
Language | Portuguese |
Detected Language | Portuguese |
Type | info:eu-repo/semantics/publishedVersion, info:eu-repo/semantics/masterThesis |
Format | application/pdf |
Source | reponame:Repositório Institucional da UFRN, instname:Universidade Federal do Rio Grande do Norte, instacron:UFRN |
Rights | info:eu-repo/semantics/openAccess |
Page generated in 0.0708 seconds