Please use this identifier to cite or link to this item: https://app.uff.br/riuff/handle/1/10422
Full metadata record
DC FieldValueLanguage
dc.contributor.advisorPardo, Arturo Rodrigo Ferreira-
dc.contributor.authorCantuaria, Marco Aurélio Gemaque-
dc.date.accessioned2019-07-15T13:02:32Z-
dc.date.available2019-07-15T13:02:32Z-
dc.date.issued2019-
dc.identifier.citationCANTUÁRIA, Marco Aurélio Gemaque. Machine Learning aplicado a análise de curvas de declínio. 2019. 78f. Trabalho de Conclusão de Curso (Graduação em Engenharia de Petróleo) - Departamento de Engenharia Química e de Petróleo, Universidade Federal Fluminense, 2019.pt_BR
dc.identifier.urihttps://app.uff.br/riuff/handle/1/10422-
dc.description.abstractAs curvas de declínio são até hoje uma maneira muito eficaz de poupar importantes recursos para obtenção de resultados, sem, entretanto, dispensar a qualidade dos resultados. Apesar de que existem outras ferramentas mais modernas, o fato de que as curvas de declínio utilizam a experiência adquirida ao longo da fase de produção do campo para poder representar a tendência de produção, tornam o seu uso uma eficaz alternativa para diversos tópicos na indústria do petróleo, como estimativa de reservas, ajuste de histórico e previsão de produção. O presente trabalho busca utilizar Long Short-Term Memory (LSTM) para realizar a previsão da produção de um poço real de um campo no Mar do Norte. Em seguida, foi realizado a análise por curva de declínios, a fim de criar um modelo de comparação com o algoritmo desenvolvido inicialmente. No final, parametrizou-se o modelo LSTM para observar até que ponto seria possível diminuir a informação utilizada para alimentar o modelo e ainda assim obter bons resultados, e finalmente conclui-se que é possível realizar a predição acurada da produção de um poço de petróleo, e usá-la como base de complementação para os outros métodos de declínio apresentados para melhor entendimento do comportamento da produção.pt_BR
dc.description.provenanceSubmitted by Marco Aurélio Gemaque Cantuária (marcogemaque@id.uff.br) on 2019-07-12T00:48:51Z No. of bitstreams: 2 license_rdf: 914 bytes, checksum: 4d2950bda3d176f570a9f8b328dfbbef (MD5) Marco Aurelio Gemaque Cantuaria.pdf: 2208937 bytes, checksum: 4e272e4d426321b6bd7eb6f6793fd1bd (MD5)en
dc.description.provenanceApproved for entry into archive by Biblioteca da Escola de Engenharia (bee.sdc@id.uff.br) on 2019-07-15T13:02:32Z (GMT) No. of bitstreams: 2 license_rdf: 914 bytes, checksum: 4d2950bda3d176f570a9f8b328dfbbef (MD5) Marco Aurelio Gemaque Cantuaria.pdf: 2208937 bytes, checksum: 4e272e4d426321b6bd7eb6f6793fd1bd (MD5)en
dc.description.provenanceMade available in DSpace on 2019-07-15T13:02:32Z (GMT). No. of bitstreams: 2 license_rdf: 914 bytes, checksum: 4d2950bda3d176f570a9f8b328dfbbef (MD5) Marco Aurelio Gemaque Cantuaria.pdf: 2208937 bytes, checksum: 4e272e4d426321b6bd7eb6f6793fd1bd (MD5) Previous issue date: 2019en
dc.language.isopt_BRpt_BR
dc.publisherUniversidade Federal Fluminensept_BR
dc.rightsOpen Accesspt_BR
dc.rights.urihttp://creativecommons.org/licenses/by/3.0/br/*
dc.titleMachine learning aplicado a análise de curvas de declíniopt_BR
dc.typeMonografia de conclusão de cursopt_BR
dc.subject.keywordAprendizado de máquinapt_BR
dc.subject.keywordAnálise de curvas de declíniopt_BR
dc.degree.levelgraduaçãopt_BR
dc.subject.descriptorAprendizado de máquinapt_BR
dc.subject.descriptorIndústria petroquímicapt_BR
dc.subject.descriptorPoço de petróleopt_BR
dc.subject.keywordotherMachine learningpt_BR
dc.subject.keywordotherDecline curve analysispt_BR
dc.description.abstractotherDecline Curves are still today a very efficient way of sparing important resources to obtain results, without, that is, dismissing their quality. Even though there are several modern tools, because of the fact that decline curves utilize the experience acquired throughout the production phase of the oil field to represent the tendency which is expected in the near to medium term future, the process is a very feasible alternative to solve diverse topics in the petroleum industry, such as reserves estimation, history matching and production preview. The present work seeks to utilize Long Short-Term Memory (LSTM) to carry-out the prediction of production from a real well at the North Sea. Following, a Decline Curve Analysis was performed with the goal of creating a comparison model for the algorithm developed initially. Finally, the LSTM was parametrized to observe up to which point it would be possible to decrease the utilized information to feed the model and still obtain good results, and then it was concluded that it’s possible to accurately predict the production from a well and utilize it as a complement with other decline methods for better understanding of the production’s behaviour.pt_BR
dc.identifier.vinculationAluno de Graduaçãopt_BR
dc.degree.grantorUniversidade Federal Fluminensept_BR
dc.contributor.advisorcoLeitão Junior, Ivan Landim Frota-
dc.degree.departmentDepartamento de Engenharia Química e de Petróleopt_BR
dc.degree.date2019-06-17-
dc.degree.localNiteróipt_BR
dc.degree.cursoCurso de Engenharia de Petróleopt_BR
dc.publisher.departmentNiteróipt_BR
Appears in Collections:TGO - Trabalhos de Conclusão de Curso

Files in This Item:
File Description SizeFormat 
Marco Aurelio Gemaque Cantuaria.pdf2.16 MBAdobe PDFView/Open


This item is licensed under a Creative Commons License Creative Commons