[en] ARTIFICIAL INTELLIGENCE MODEL DEVELOPMENT FOR FAILURE DETECTION AND DIAGNOSIS IN OFFSHORE OIL AND GAS EXTRACTION SYSTEMS

[pt] DESENVOLVIMENTO DE MODELOS UTILIZANDO INTELIGÊNCIA ARTIFICIAL PARA DETECÇÃO E DIAGNÓSTICO DE FALHAS EM SISTEMAS DE ÓLEO E

[pt] GUILHERME CARNEIRO MEZIAT

[pt] DETECCAO DE FALHAS

[pt] APRENDIZADO DE MAQUINA

[pt] MONITORAMENTO DE POCOS DE PETROLEO

[en] FAULT DETECTION

[en] MACHINE LEARNING

[en] OIL WELL MONITORING

[pt] A indústria de óleo e gás, atualmente uma das mais complexas e maduras, é a principal motora da economia e energia nacional e mundial. Atividades relacionadas a esse ramo envolvem assuntos técnica e tecnologicamente avançados, com destaque para a exploração de óleo e gás offshore. Completamente diferente de como era em 1950, época da construção dos primeiros poços offshore, a crescente complexidade desse setor em prol de uma maior produtividade vem desafiando as metodologias tradicionais de monitoramento, controle e segurança de processos. A adaptação dessas técnicas ao potencial de processamento de dados apresentado por tecnologias baseadas em Inteligência Artificial (IA) apresenta-se atualmente como uma das maiores oportunidades de inovação no setor. Nesse cenário, o presente trabalho teve como objetivo o desenvolvimento de modelos para detecção e diagnóstico de falhas (anomalias) em poços de produção de petróleo offshore utilizando IA. Os modelos foram baseados na parcela real de dados do 3W dataset, pertencente ao domínio público desde 2019. A metodologia proposta divide os dados em três subconjuntos, de tal forma a realizar o treinamento de modelos de Machine Learning (ML) com validação cruzada, testar seus desempenhos e, finalmente, validá-los frente a uma simulação de situação real. Os modelos de Árvore de Decisão (Decision Tree, DT) e Multi-Layer Perceptron (MLP) foram treinados para duas situações distintas: detecção binária de falha e diagnóstico multi-classe de anomalias. Além disso, os modelos também foram treinados em uma versão do conjunto na qual os dados de operação normal e operação anômala foram balanceados. As métricas para avaliação dos modelos foram selecionadas levando em consideração tanto o desempenho do modelo quanto a sua capacidade de operar de forma segura. Assim, as métricas escolhidas foram o f1-score, o recall e a AUC. Outras métricas, como a precisão e a acurácia, também foram consideradas para possibilitar a comparação dos resultados com uma parcela maior da literatura existente. Os resultados encontrados foram satisfatórios e demonstram que os modelos avaliados são capazes de detectar e diagnosticar anomalias, em alguns casos com desempenhos superiores aos encontrados na literatura.

[en] The oil and gas industry, currently one of the most complex and mature industries, is the primary driver of national and global economy and energy. Activities related to this area tackle advanced technical and technological topics, offshore oil and gas exploration being one of its highlights. A far cry from what it used to be like in the 1950s, when the first offshore wells were being built, the growing complexity of this sector towards greater productivity has been challenging traditional process monitoring, control, and safety methodologies. Adapting these techniques to harness the data processing potential offered by Artificial Intelligence (AI) technologies currently stands as one of the greatest opportunities for innovation in the sector. In this context, the present work aimed to develop fault (anomaly) detection and diagnosis models in offshore oil and gas production wells using AI. The models were based on real data instances from the 3W dataset, publicly available since 2019. The proposed methodology involved dividing the data into three subdatasets to train Machine Learning (ML) models with cross-validation, test their performances, and validate them in a simulated real-world scenario. The ML models - Decision Tree (DT) and Multi-Layer Perceptron (MLP) - were trained for two distinct situations: one-class binary fault detection and multiclass anomaly diagnosis. Additionally, the models were trained on a version of the data where the representation of normal and anomalous operation data was balanced. Metrics for model evaluation were selected based on both performance and ability to operate safely. Thus, the chosen metrics were f1- score, recall, and AUC. Other metrics such as precision and accuracy were also considered to enable the study to compare results to a broader segment of existing literature. The results obtained were satisfactory and demonstrate that the evaluated models are capable of detecting and diagnosing anomalies, in some cases outperforming those found in the literature.

BRUNNO FERREIRA DOS SANTOS

ROBERTO BENTES DE CARVALHO

BRUNNO FERREIRA DOS SANTOS

REJANE BARBOSA SANTOS

2025-11-21

2025-04-24

[pt] TEXTO

application/pdf

PORTUGUÊS

https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=74213@1

https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=74213@2

https://doi.org/10.17771/PUCRio.acad.74213