Inferência do teor de óleos e graxas em água produzida via rede convolutional LSTM
Nome: KARINA DOS REIS TEIXEIRA
Tipo: Dissertação de mestrado acadêmico
Data de publicação: 25/07/2023
Orientador:
Nome |
Papel |
|---|---|
| CELSO JOSE MUNARO | Co-orientador |
| PATRICK MARQUES CIARELLI | Orientador |
Banca:
| Nome |
Papel |
|---|---|
| CELSO JOSE MUNARO | Coorientador |
| EVANDRO OTTONI TEATINI SALLES | Examinador Interno |
| PATRICK MARQUES CIARELLI | Orientador |
| RICARDO EMANUEL VAZ VARGAS | Examinador Externo |
Resumo: As unidades marítimas de produção de óleo e gás enfrentam o desafio de tratar e descartar a água produzida de acordo com as regulamentações e limites estabelecidos. O parâmetro crítico nesse processo de tratamento é o Teor de Óleo e Graxas (TOG) presente na água a ser descartada. No entanto, o valor oficial do TOG só é disponibilizado cerca de 20 dias após o descarte. Desta forma, este trabalho se concentra em avaliar dois modelos de redes neurais que utilizam Convolutional Long Short-Term Memory (ConvLSTM) para estimar o valor do TOG com base em variáveis do processo, análises laboratoriais e outros dados relevantes. Devido à dinâmica do processo, são consideradas janelas de dados de 48 horas anteriores ao valor do TOG a ser estimado. Os resultados alcançados demonstram que os modelos propostos apresentam desempenho comparável aos modelos mencionados na literatura e superam modelos mais simples na estimativa do TOG. Esses resultados reforçam a viabilidade da utilização de métodos baseados em redes neurais recorrentes na indústria, permitindo a implementação de um sensor online capaz de estimar o TOG e auxiliar os operadores de uma plataforma na tomada de decisões sobre a continuidade do descarte de água no mar.
