Instrumento virtual inteligente para previsão de emulsão água/óleo

Abstract

RESUMO: Na indústria do petróleo é de fundamental importância realizar uma medição precisa da vazão dos fluídos produzidos. Uma medição assertiva proporciona mensurar corretamente os volumes produzidos de petróleo, água e gás. Além disso, auxilia na tomada de decisão na otimização do sistema, reduz as perdas de produção e contribui para o aumento da eficiência do processo. Nesse contexto, este trabalho tem por objetivo implementar algoritmos de aprendizado de máquina para realizar a previsão da vazão de líquido de um separador bifásico de uma plataforma de processamento de petróleo. Para esse propósito, foi construída uma base de dados com a série histórica das variáveis do separador bifásico. Com essa base de dados foi feito o treinamento e a validação dos algoritmos de aprendizado de máquina. O Random Forest, o SVM, o KNN e o XGBOOST foram os modelos aplicados neste trabalho. Para a avaliação do desempenho dos modelos foi utilizada métricas frequentemente empregadas para problemas de regressão, tais como, raiz do erro quadrático médio (RMSE), erro percentual absoluto médio (MAPE) e Coeficiente de Determinação (R²). Os resultados dos modelos foram consistentes e considerados bons, sendo o modelo de Random Forest como o melhor desempenho em todas as métricas (RMSE = 57.75, MAPE = 2.2, R² = 0.88) e o modelo SVM (RMSE = 66.83, MAPE = 3.6, R² = 0.84) obteve um desempenho inferior aos demais modelos. O modelo KNN (RMSE = 61.88, MAPE = 2.39, R² = 0.86) e o modelo XGBOOST (RMSE = 59.45, MAPE = 2.3, R² = 0.87) apresentaram desempenho superior ao modelo SVM e inferior ao modelo Random Forest. Por fim, observa-se, o potencial e os ganhos que o aprendizado de máquina pode trazer para os processos aplicados na indústria do petróleo. Nesse sistema, seria possível criar uma variável virtual de vazão com base na previsão dos modelos de aprendizado de máquina.

ABSTRACT: In the oil industry, it is of fundamental importance to carry out an accurate measurement of the flow of the produced fluids. An assertive measurement provides the correct measurement of the produced volumes of oil, water and gas. In addition, it assists in decision-making in optimizing the system, reduces production losses and contributes to increasing the efficiency of the process. In this context, this work aims to implement machine learning algorithms to predict the liquid flow of a two-phase separator on an oil processing platform. For this purpose, a database was built with the historical series of the biphasic separator variables. With this database, the training and validation of machine learning algorithms were performed. The Random Forest, SVM, KNN and XGBOOST were the models applied in this work. Metrics frequently used for regression problems were used to evaluate the performance of the models, such as root mean square error (RMSE), mean absolute percentage error (MAPE) and Coefficient of Determination (R²). The results of the models were consistent and considered good, with the Random Forest model as the best performer in all metrics (RMSE = 57.75, MAPE = 2.2, R² = 0.88) and the SVM model (RMSE = 66.83, MAPE = 3.6, R² = 0.84) had a lower performance than the other models. The KNN model (RMSE = 61.88, MAPE = 2.39, R² = 0.86) and the XGBOOST model (RMSE = 59.45, MAPE = 2.3, R² = 0.87) performed better than the SVM model and worse than the Random Forest model. Finally, it is observed the potential and gains that machine learning can bring to processes applied in the oil industry. In this system, it would be possible to create a virtual flow variable based on the prediction of machine learning models.