Professional Documents
Culture Documents
I.
INTRODUO
II.
DESCRIO DO PROCESSO
Descrio
Presso de fundo de poo
Temperatura de fundo de poo
Presso da rvore de natal
Temperatura da rvore de natal
Presso antes da vlvula de shutdown de
produo
Presso antes da vlvula de choke de produo
Temperatura antes da vlvula de choke de
produo
Unidade
/2
/2
/2
/2
PT4a
/2
TT4
FT4
FV4
PT4
III.
3 /
%
/2
METODOLOGIA
A. Algoritmo Gentico
O problema descrito pode ser formulado de acordo com a
seguinte questo: de todas as combinaes possveis de
entradas (Tabela I), qual o conjunto que permite construir o
melhor modelo ANFIS? A metodologia faz uso de um
algoritmo gentico com o objetivo de minimizar o erro da
estimativa do modelo. A Fig. 2 mostra as principais funes do
algoritmo implementado.
No mbito desse trabalho, um indivduo na verdade uma
cadeia de caracteres que fornece quais entradas e quais atrasos
sero utilizados na construo do modelo. Sendo assim, cada
indivduo corresponde a uma configurao que ser avaliada
pelo mdulo de inferncia.
O mdulo de inferncia o responsvel por definir a
topologia, treinar e testar o modelo. Na etapa de teste, a
simulao livre do modelo executada e o valor do ndice
RMSE (do ingls, Root Mean Squared Error) calculado.
Vale ressaltar que se entende como simulao livre, a execuo
do modelo que no utiliza medies da presso do PDG. Em
situaes em que o modelo auto-regressivo, ao invs de usar
as medies, a prpria estimativa do modelo se torna entrada.
Maiores detalhes sobre o mdulo de inferncia so
apresentados na subseo B.
O ndice RMSE calculado ento atribudo como o valor
da funo objetivo de cada indivduo, a ser minimizada. A
partir da o critrio de parada (nmero mximo de geraes)
verificado e caso no seja atendido, os processos de seleo,
cruzamento e mutao so realizados.
Atrasos
Sensores
: 1 1 2 2
Atrasos
= 1 1 + + +
,2
1,
1 ,2
1,1
(1)
B. Inferncia Nebulosa
Como j mencionado, o mdulo de inferncia o
responsvel por definir a topologia, treinar e testar o modelo.
Para tal, o usurio deve definir os intervalos de treinamento e
de teste, a partir do conjunto de dados em anlise.
As subsees a seguir detalham a arquitetura do modelo
ANFIS, bem como as etapas de definio da topologia,
treinamento e de testes.
1) Arquitetura do modelo ANFIS
O modelo ANFIS utilizado consiste em um conjunto de
regras nebulosas SE-ENTO do tipo Takagi-Sugeno [17]. Esse
conjunto de regras mapeia os valores de entrada em variveis
intermedirias, e essas so combinadas formando a varivel de
sada.
De forma sucinta, dado um conjunto de entradas =
[1 , 2 , , ] e de sada (escalar), em que = 1, . . . , ,
indexa a i-sima amostra e a quantidade de variveis de
entrada, so definidas regras do tipo SE-ENTO:
(2)
=1
=1
=1
(3)
3) Etapa de teste
Uma vez que o modelo treinado, os dados de teste so
utilizados para avaliar o modelo em uma simulao livre. Aps
a simulao, o erro da estimativa avaliado atravs da mtrica
RMSE (4) e este atribudo como o valor da funo objetivo
de cada indivduo.
90
80
70
60
50
0
3
4
Amostras (k)
6
4
x 10
Conjunto de Teste
90
TABELA II
PARMETROS DE CONFIGURAO DO ALGORITMO GENTICO
Operador
Parmetro
Valor
ndice de distribuio ( )
Probabilidade de cruzamento ( )
ndice de distribuio ( )
Probabilidade de mutao ( )
Dados Reais
Simulao Livre
80
70
60
10 PDGP
log (e
PDG (kgf/cm2)
Mutao
Polinomial
=1
Cruzamento
SBX
(4)
) (kgf/cm2)
100
= ( )2
110
PDGP (kgf/cm2)
120
500
1000
1500
2000
2500
Amostras (k)
3000
3500
4000
4500
2
Log10 do Erro Absoluto
0
-2
-4
500
1000
1500
2000
2500
Amostras (k)
3000
3500
4000
4500
A. Primeiro Poo
A Fig. 6 mostra o conjunto de dados em anlise, assim
como os intervalos definidos para as etapas de treinamento.
Conjunto de Treinamento
PDG (kgf/cm2)
100
Dados Reais
Simulao Livre
90
110
80
2000
4000
6000
8000
Amostras (k)
10000
12000
2000
4000
6000
8000
Amostras (k)
10000
100
14000
PDGP (kgf/cm2)
log (e
10 PDGP
) (kgf/cm2)
70
12000
Dados Reais
Simulao 1
Simulao 2
14000
90
80
70
60
0
TABELA III
DETALHAMENTO DO MODELO OBTIDO
Entrada
Atrasos
1, 2, 15
19, 64, 95
45
1, 64
3
4
Amostras (k)
6
4
x 10
RMSE (kgf/cm )
2.5
1.5
1
TABELA IV
DETALHAMENTO DO MODELO OBTIDO
Entrada
Atrasos
101
3, 70
150
13, 65
80
0.5
0
10
20
Geraes
30
40
B. Segundo Poo
O mesmo procedimento realizado para o segundo poo.
Porm, como alguns resultados so anlogos ao caso anterior,
apenas alguns pontos importantes so destacados. A Fig. 11
mostra o conjunto de dados em anlise, assim como os
intervalos de treinamento e de teste.
240
200
180
160
140
120
0
Dados Reais
Simulao 1
Simulao 2
200
PDGP (kgf/cm2)
PDGP (kgf/cm2)
220
180
160
140
2
3
Amostras (k)
5
4
x 10
Entrada
Atrasos
42, 125
1, 121
96
88 e 102
27
TABELA VI
DETALHAMENTO DO MODELO OBTIDO COM A SIMULAO CONSIDERANDO
SOMENTE VARIVEIS DA SUPERFCIE
Entrada
Atrasos
1, 42, 121,
125
96
88, 102
27
120
0
2
3
Amostras (k)
5
4
x 10
Fig. 12. Comparao entre o desempenho dos modelos por meio da simulao
livre. A primeira simulao corresponde ao modelo proveniente do primeiro
experimento (todas as variveis), enquanto que a simulao 2 representa o
modelo da superfcie.
[2]
Fig. 13. Quantidade de vezes em que as variveis da superfcie so utilizadas
como entrada dos modelos finais. O histograma considera somente as duas
simulaes que fazem uso apenas de medies da plataforma.
[3]
[4]
[5]
CONCLUSES
[6]
[7]
[8]
[9]
[10]
[11]
[12]
[13]
[14]
[17]
[15]
[16]
REFERNCIAS BIBLIOGRFICAS