[en] HYBRID SYSTEM IDENTIFICATION TECHNIQUES: BLACK BOX ALGORITHMS AND GREY BOX APPROACHES FOR REAL DATA SIMULATIONS IN OIL PRODUCTION AND DRILLING SPEED ANALYSIS

[pt] TÉCNICAS DE IDENTIFICAÇÃO DE SISTEMAS HÍBRIDOS: ALGORITMOS BLACK BOX E ABORDAGENS GREY BOX PARA SIMULAÇÕES COM DADOS REAIS NA PRODUÇÃO DE PETRÓLEO E ANÁLISE DA VELOCIDADE DE PERFURAÇÃO

[pt] DANIEL BOECHAT DE MARINS

[pt] PERFURACAO

[pt] APRENDIZADO DE MAQUINA

[pt] IDENTIFICACAO DE SISTEMAS

[pt] PRODUCAO DE PETROLEO

[en] DRILLING

[en] MACHINE LEARNING

[en] SYSTEM IDENTIFICATION

[en] OIL PRODUCTION

[pt] Ambientes industriais, especialmente no setor de petróleo e gás, apresentam desafios únicos para técnicas de identificação de sistemas. Apesar dos avanços, ainda existe uma lacuna em nossa compreensão da integração de algoritmos black box, abordagens grey box e aprendizado de máquina para simulação de dados reais. Com o objetivo de otimizar a compreensão e previsão em ambientes industriais complexos, foram explorados a simulação de dados do mundo real na produção de petróleo e análise da velocidade de perfuração. Este estudo propõe uma análise da integração de algoritmos black box, abordagens grey box e aprendizado de máquina na simulação de dados reais, com ênfase na produção de petróleo e o estudo da interação broca rocha no processo de perfuração de poços de petróleo. Neste trabalho foram empregados técnicas de aprendizado de máquina, como redes neurais e métodos clássicos de identificação de sistemas, como modelos lineares como ARX (AutoRegressive with eXogenous inputs) e não lineares como o NARX (Nonlinear AutoRegressive with eXogenous inputs), para capturar os comportamentos dinâmicos dos processos em estudo utilizando dados reais da produção de petróleo e de perfuração, levando em consideração as características específicas e desafios operacionais desses ambientes. Com base nos resultados obtidos, as técnicas utilizadas demonstraram viabilidade de aplicação, na qual a utilização desses modelos híbridos, que combinam conhecimentos físicos com abordagens de múltiplos modelos formados por algoritmos de identificação de sistemas e aprendizado de máquina, demonstrou potencial para aprimorar as simulações. Esses resultados ressaltam a eficácia desses métodos, indicando que pesquisas futuras podem se dedicar à implementação dessa técnica na identificação de sistemas complexos.

[en] Industrial environments, especially in the oil and gas sector, presentunique challenges for system identification techniques. Despite advancements,there still exists a gap in our understanding of integrating black box algorithms,grey box approaches, and machine learning for simulating real-world data.With the aim of optimizing understanding and prediction in complex industrialenvironments, real-world data simulation in oil production and drilling speedanalysis was explored. This study proposes an analysis of the integration ofblack box algorithms, grey box approaches, and machine learning in simulatingreal-world data, with an emphasis on oil production and the study of the drill-rock interaction in the oil well drilling process. In this work, machine learningtechniques such as neural networks and classical system identification methods,such as linear models like ARX (AutoRegressive with eXogenous inputs) andnonlinear ones like NARX (Nonlinear AutoRegressive with eXogenous inputs),were employed to capture the dynamic behaviors of the processes understudy. Additionally, real data from oil production and drilling were utilized,considering the specific characteristics and operational challenges of theseenvironments. Based on the results obtained, the techniques used demonstratedapplicability and yielded satisfactory outcomes. Specifically, the use of hybridmodels, combining physical knowledge with multiple model approaches formedby system identification algorithms and machine learning, showed potentialfor enhancing simulation. These findings underscore the effectiveness of thesemethods, suggesting that future research could focus on implementing thistechnique in identifying complex systems.

ARTHUR MARTINS BARBOSA BRAGA

HANS INGO WEBER

ARTHUR MARTINS BARBOSA BRAGA

IGOR BRAGA DE PAULA

2024-10-03

2024-05-13

[pt] TEXTO

application/pdf

PORTUGUÊS

https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=68286@1

https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=68286@2

https://doi.org/10.17771/PUCRio.acad.68286