[pt] APLICAÇÕES DE MÉTODOS DE APRENDIZADO DE MÁQUINA NA INDÚSTRIA DE ÓLEO E GÁS PARA SENSORES VIRTUAIS, AVALIAÇÃO ECONÔMICA E SIMULAÇÃO DE ESCOAMENTO MULTIFÁSICO

[en] APPLICATIONS OF MACHINE LEARNING METHODS IN OIL AND GAS FOR SOFT SENSING, ECONOMIC ASSESSMENT, AND MULTIPHASE FLOW SIMULATION

[pt] PEDRO HENRIQUE CARDOSO PAULO

[pt] APRENDIZADO DE MAQUINA

[pt] MEDIDOR VIRTUAL DE VAZAO

[pt] IDENTIFICACAO DE SISTEMAS

[pt] ESCOAMENTO MULTIFASICO

[pt] AVALIACAO ECONOMICA

[en] MACHINE LEARNING

[en] VIRTUAL FLOW METER

[en] SYSTEM IDENTIFICATION

[en] MULTIPHASE FLOW

[en] ECONOMIC EVALUATION

[pt] Ouso de aprendizado de máquina tem crescido rapidamente em diversos setores - da saúde e finanças à energia - devido à sua capacidade de identificar padrões e realizar previsões a partir de conjuntos de dados complexos. Pensando em aplicações na indústria de óleo e gás, este trabalho explora três aplicações principais de aprendizado de máquina: sensoriamento virtual para medição de vazão, avaliação econômica preliminar de ativos exploratórios e modelagem híbrida para simulação de escoamento multifásico. Para o sensoriamento virtual, foram testados diferentes modelos de aprendizado de máquina combinados com a técnica de identificação de sistemas para a previsão de vazão, combinados com estratégias para melhoria de performance dos modelos. Ouso de estimadores mais complexos trouxe ganhos de até 62 porcento em R2 comparando com abordagens clássicas de identificação de sistemas enquanto dentre as técnicas de melhoria de modelo a combinação com dados do tempo corrente melhorou significativamente os resultados obtidos, mantendo a utilidade do modelo para tarefas de previsão e monitoramento com ganhos da ordem de 15 porcento em performance no R2. Na avaliação econômica, uma abordagem inovadora de criação de classificadores caixa-preta treinados com conjuntos de dados desbalanceados provou-se viável para avaliação rápida de ativos, com dados de investimento e estratégias de oversampling gerando ganhos relevantes da ordem de 34 porcento e 8 porcento, respectivamente, embora com compromissos em termos de recall e interpretabilidade. Na modelagem de escoamento multifásico, a pro posta de aplicação de modelos híbridos que integram modelos mecanicistas comerciais com estimadores baseados em dados superou consistentemente tanto os modelos físicos quanto os modelos caixa-preta, obtendo até 71 porcento de redução de erro na predição de gradiente de pressão. Esses resultados destacam o potencial do aprendizado de máquina para complementar fluxos de trabalho tradicionais de engenharia, aprimorar a tomada de decisão e enfrentar desafios históricos nas operações de óleo e gás.

[en] The use of machine learning has grown rapidly across various sec tors - from healthcare and finance to energy - due to its ability to identify pat terns and make predictions from complex datasets. Focusing on applications in the oil and gas industry, this work explores three main uses of machine learning: virtual flow metering, early-stage economic assessment of exploratory assets, and hybrid modeling for multiphase flow simulation. For virtual flow meter ing, different machine learning models were tested in combination with system identification techniques for flow rate prediction, along with strategies to en hance model performance. The use of more complex estimators yielded gains of up to 62 percent in R2 compared to classical system identification approaches, while among the performance enhancement strategies, the inclusion of current-time data significantly improved results, maintaining the model s utility for forecast ing and monitoring tasks with performance gains of around 15 percent in R2. In eco nomic assessment, an innovative approach using black-box classifiers trained on imbalanced datasets proved viable for fast asset evaluation, with investment data and oversampling strategies delivering relevant gains around 34 percent e 8 percent, respectively, albeit with trade-offs in recall and interpretability. In multiphase flow modeling, the proposed use of hybrid models - integrating commercial mechanistic models with data-driven estimators - consistently outperformed both physical and black-box models, achieving up to 71 percent error reduction in pressure gradient prediction. These results highlight the potential of machine learning to complement traditional engineering workflows, enhance decision making, and address longstanding challenges in oil and gas operations.

MARCIO DA SILVEIRA CARVALHO

HELON VICENTE HULTMANN AYALA

MARCIO DA SILVEIRA CARVALHO

GERALDO AFONSO SPINELLI MARTINS RIBEIRO

FLORIAN ALAIN YANNICK PRADELLE

HELON VICENTE HULTMANN AYALA

2026-02-26

2025-10-13

[pt] TEXTO

application/pdf

INGLÊS

https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=75538@1

https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=75538@2

https://doi.org/10.17771/PUCRio.acad.75538