Gerao Automtica de Modelos Data-driven da

Presso de Fundo de Poo para Extrao de Petrleo

em guas Profundas
Ricardo S. Ribeiro, UFMG
Departamento de Engenharia Eletrnica
Universidade Federal de Minas Gerais, UFMG
Belo Horizonte, Brasil
rsribeiro916@gmail.com
Resumo Em processos de extrao de petrleo em guas
profundas, a monitorao contnua da presso de fundo de poo
de relativa importncia na eficincia da produo. Esse
monitoramento realizado por um sensor denominado PDG, e o
mesmo se encontra em contato direto com o poo de petrleo.
Devido a sua localizao, esse sensor est submetido a um
ambiente altamente adverso, o que dificulta suas operaes de
troca e manuteno. Por esse motivo, o PDG tende a apresentar
falhas prematuras ou at mesmo a quebra em definitivo. Uma
alternativa para esse problema a construo de modelos datadriven para estimar a presso de fundo de poo. No entanto,
modelos que so obtidos para um determinado poo,
normalmente, no funcionam de forma adequada em outro.
Diante disso, o presente trabalho prope uma metodologia para a
gerao automtica de modelos data-driven para estimar a
presso de fundo de poo de petrleo em guas profundas. De
forma resumida, a metodologia aborda a situao como um
problema de otimizao, e faz uso de uma combinao entre um
algoritmo gentico e tcnicas de sistemas nebulosos.
Palavras-Chave Permanent Downhole Gauge (PDG),
Identificao de Sistemas, Soft-sensor, Data-driven, Otimizao,
Algoritmos Genticos, Sistemas Nebulosos, ANFIS.

I.

INTRODUO

O monitoramento e a coleta de dados de um processo so

de grande importncia para o setor industrial. Alm de
possibilitar a realizao de futuras anlises, a coleta de dados
ainda viabiliza a modelagem do sistema, e a aplicao de
tcnicas de controle. Em uma anlise baseada em dados, os
instrumentos envolvidos devem ser robustos e confiveis, o
que nem sempre possvel. Nesse contexto, pode-se citar, por
exemplo, alguns equipamentos do processo de extrao de
petrleo em guas profundas.
Quando um reservatrio no possui presso suficiente para
elevar o petrleo at a superfcie, necessrio fazer uso de
tecnologias de elevao artificial, como a tcnica de gas-lift.
Essa tcnica consiste em injetar gs natural comprimido na
parte inferior da coluna de produo fazendo com que o fluido
do reservatrio se torne menos denso e suba para a superfcie
[1].

Walace S. Castro, UFMG

Departamento de Engenharia Eletrnica
Universidade Federal de Minas Gerais, UFMG
Belo Horizonte, Brasil
walace.s.castro@gmail.com

Em poos de petrleo com operaes de gas-lift, pode-se

dizer que a presso de fundo de poo uma das variveis mais
importantes do processo. A mesma monitorada por um sensor
denominado PDG (do ingls, Permanent Downhole Gauge), o
qual responsvel por fornecer dados para o monitoramento
contnuo da presso. Ao monitorar essa varivel, os operadores
podem realizar um controle adequado do processo e aumentar a
eficincia da produo [2].
Por outro lado, pelo fato de estar em contato direto com o
poo, o PDG est submetido a um ambiente altamente adverso,
o que dificulta as operaes de troca e manuteno desse
equipamento. Sendo assim, esse sensor tende a apresentar
falhas prematuras ou at mesmo a quebra em definitivo. Alm
disso, mesmo que o sensor supostamente esteja funcionando
corretamente, os dados fornecidos no so totalmente
confiveis devido a presena de possveis falhas [1][2].
Diante dessa situao, a implementao de um sensor
virtual (do ingls, soft-sensor) pode se tornar uma alternativa
vivel para esse problema. Um sensor virtual definido como
um sistema que utiliza informaes disponveis de outras
medies e ou parmetros do processo para calcular uma
estimativa da varivel de interesse. Para atingir tal objetivo, a
construo de um bom modelo de crucial importncia para o
desempenho do sensor.
Pode-se dizer que existem duas classes distintas de sensores
virtuais: model-driven e data-driven. A primeira classe abrange
modelos derivados de equaes matemticas que descrevem os
princpios fsicos e qumicos do processo (caixa-branca). Em
contrapartida, modelos data-driven so baseados em dados e,
portanto, no necessitam de conhecimento sobre a planta
(caixa-preta) [3].
Com a predio online de um soft-sensor possvel validar
o funcionamento do PDG real (caso o mesmo esteja
funcionando). Os valores fornecidos pela implementao
podem ser comparados com os dados reais, e essa comparao
permite validar continuamente o sensor fsico. Caso o PDG
real seja permanentemente danificado, o soft-sensor proveria a
informao necessria para a continuao do monitoramento
do processo [1].

Vale ressaltar que alguns estudos sobre o tema podem ser

encontrados na literatura. Em [4], os autores fazem uso de um
modelo baseado em equaes de balano de massa para
representar poos de petrleo com operaes de gas-lift. Por se
tratar de um modelo caixa-branca, este normalmente mais
robusto a variaes temporais do que um modelo caixa-preta.
No entanto, existe uma dificuldade natural em se obter todos os
parmetros utilizados nas equaes, e por esse motivo,
modelos data-driven com boa performance so mais simples
de se obter.
Em [5], os autores fazem uso de um modelo data-driven
baseado em redes neurais artificiais para estimar a presso de
fundo de poo. Porm, o modelo no robusto a variaes
temporais, sendo vlido somente no perodo de tempo em que
no h uma mudana significativa no comportamento da
planta. Em [1], os autores amenizam essa situao utilizando
um banco de filtros de Kalman.
Pode-se dizer que em [1], os autores tiveram xito em
estimar a presso de fundo de poo e em amenizar os
problemas com as variaes temporais da planta. No entanto,
de acordo com [6], mesmo com a utilizao dos filtros de
Kalman, modelos data-driven obtidos para um determinado
poo podem no funcionar de forma adequada em outro.
Diante desse contexto, este trabalho prope uma
metodologia para a gerao automtica de modelos data-driven
para estimar a presso de fundo de poo de petrleo com
operaes de gas-lift. De forma resumida, a metodologia
aborda a situao como um problema de otimizao, e faz uso
de uma combinao entre um algoritmo gentico e tcnicas de
sistemas nebulosos. Vale ressaltar que o intuito dessa
metodologia investigar a criao de modelos de forma
automtica, e no criar uma metodologia que seja capaz de
inferir a presso do PDG, por si s.
Maiores detalhes sobre a metodologia so apresentados na
Seo III. A Seo II, por sua vez, aborda a descrio do
problema. Os resultados experimentais so mostrados na Seo
IV e as concluses na Seo V.

II.

DESCRIO DO PROCESSO

A Fig. 1 apresenta um diagrama simplificado da

instrumentao do processo. De forma resumida, a injeo de
gs ocorre a partir da plataforma (nos instrumentos
identificados por 4) e controlada pela vlvula de choke. A
partir da o gs conduzido at a coluna de produo, onde se
mistura com o fluido do reservatrio. Como resultado, a
densidade da mistura reduzida, e a presso do reservatrio se
torna alta o suficiente para transportar a mistura de leo, gs e
gua at a plataforma (instrumentos identificados por 3).
Na parte submersa, o conjunto de vlvulas e sensores,
identificados por 2, fazem parte de um equipamento
denominado rvore de natal molhada (ANM). A principal
funo da ANM permitir o fluxo de produo e injeo de
gs de maneira controlada e segura. J os instrumentos
localizados no fundo do poo so identificados por 1.

Fig. 1. Diagrama simplificado da instrumentao do processo, no qual TT se

refere aos sensores de temperatura e PT se refere aos sensores de presso. Os
nmeros 1 (fundo do poo) e 2 (rvore de natal) so as variveis localizadas
no fundo do mar, enquanto que 3 (produo) e 4 (gas-lift) so as variveis da
plataforma. A direo do fluxo 4- 1- 2- 3. Figura retirada e adaptada de [1].

A Tabela I, por sua vez, lista as variveis medidas durante a

operao de gas-lift. Vale ressaltar que os nmeros 1 (fundo do
poo) e 2 (rvore de natal) indicam as variveis localizadas no
fundo do mar, enquanto que 3 (produo) e 4 (gas-lift) so as
variveis da plataforma.
TABELA I
VARIVEIS MENSURADAS DO PROCESSO. AS TAGS CORRESPONDEM AOS
CDIGOS MOSTRADOS NA FIG. 1.
Tag
PT1
TT1
PT2
TT2
PT3a
PT3
TT3

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

Presso antes da vlvula de shutdown de gaslift

/2

TT4

Temperatura antes da vlvula de shutdown de

gas-lift
Vazo instntanea de gas-lift
Abertura da vlvula de gas-lift
Presso depois da vlvula de choke de gas-lift

FT4
FV4
PT4

III.

3 /
%
/2

METODOLOGIA

Da literatura, possvel identificar o uso de diferentes

tcnicas para a estimao de variveis, a partir de medies de
um processo. Dentre algumas, pode-se citar, por exemplo, as
redes wavelet [7] e [8], as redes neurais artificiais [9], sistemas
nebulosos [10], bem como abordagens hbridas [11] e [12].
Neste trabalho, utilizado um sistema de inferncia
nebuloso baseado em uma rede adaptativa, denominado ANFIS
(Adaptative Neuro-Fuzzy Inference System) [13]. Este sistema
combinado a um algoritmo gentico (AG) [14] com o intuito
de gerar automaticamente modelos data-driven para estimar a
presso de fundo de poo.
De forma resumida, o algoritmo gentico utilizado com o
propsito de testar diferentes combinaes de entradas e
encontrar a melhor configurao possvel. O ANFIS, por sua
vez, o responsvel por construir um mapeamento no linear
entre variveis de entrada e sada, a partir de um determinado
conjunto de dados.

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.

Fig. 2. Fluxograma do algoritmo gentico utilizado.

Aps essa etapa, a nova populao avaliada e unida

populao anterior. Em seguida, os melhores indivduos (de
acordo com o ndice RMSE) so selecionados para compor a
populao da prxima gerao.
O procedimento descrito se repete a cada gerao e, ao
final, a melhor soluo encontrada fornecida. Alguns pontos
do algoritmo so detalhados a seguir.
1) Representao do Indivduo
A Fig. 3 ilustra a representao de um indivduo que
utilizada neste trabalho. Inicialmente, uma quantidade mxima
de entradas definida como , e cada indivduo
representado por uma cadeia de caracteres de tamanho
2 . A primeira metade dessa cadeia representa os
sensores da Tabela 1 e a segunda metade os respectivos
atrasos.
Sensores

Atrasos

Fig. 3. Representao de um indivduo.

Diante disso, as entradas do modelo so formadas pela

combinao de sensores e atrasos de mesmo ndice. Na Fig. 3,
por exemplo, a primeira entrada definida como 1 ( 1 ), a
segunda 2 ( 2 ) e assim por diante.
Cada caractere do indivduo codificado por um nmero
real, e por isso, os parmetros do vetor no assumem
necessariamente valores inteiros. Sendo assim, o mdulo de
inferncia considera o arredondamento de cada posio para o
inteiro mais prximo. Esse procedimento ilustrado na Fig. 4,
na qual importante notar que um valor nulo significa que a
entrada em questo no utilizada.

Sensores

: 1 1 2 2

Atrasos

= 1 1 + + +

,2

1,

1 ,2

1,1

(1)

Fig. 4. Exemplo de arredondamento de um indivduo para fins de avaliao.

Vale mecionar que o algoritmo est sujeito a uma restrio

que dita a quantidade mnima de variveis de entrada, , a
serem utilizadas. Assim, durante a execuo do algoritmo, cada
indivduo possui uma quantidade de entradas (arrendondadas),
no nulas, , tal que .
Por fim, caso os operadores de cruzamento e mutao
gerem indivduos que violem a restrio, o bloco de correo
(Correo dos Indivduos) atribui valores aleatrios, garantindo
o mnimo de entradas ativadas.

2) Seleo, Cruzamento e Mutao

Um torneio simples utilizado como operador de seleo:
pares aleatrios de indivduos da populao so comparados
entre si, e aqueles com maior aptido (menor RMSE) so
selecionados para integrarem a populao de pais.
Da populao de pais, so selecionados aleatoriamente
pares de indivduos para cruzamento, realizado atravs do
operador de cruzamento binrio simulado (SBX) [15]. Este
operador gera dois indivduos a partir dos pais, para integrar
uma populao de filhos. Cada indivduo da populao de
filhos, por sua vez, tem uma probabilidade pequena de sofrer
mutao, atravs do operador de mutao polinomial [16].

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:

Em que = 1, , indexa a k-sima de um total regras

que formam o modelo. , com = 1, , so os conjuntos
nebulosos que compe o antecedente da k-sima regra, a
sada da mesma, e = [1 , , ] e so os parmetros
do consequente.
Definindo como as funes de pertinncia de cada
conjunto nebuloso , o grau de ativao de cada regra dado
por:

(2)

=1

Por ltimo, a sada do modelo dada por uma combinao

da sada de cada regra com o respectivo grau de ativao:

=1

=1

(3)

A Fig. 5 exibe um exemplo da arquitetura de rede

adaptativa ANFIS com 2 regras e uma varivel de entrada
bidimensional. Na mesma possvel verificar o emprego das
equaes (1), (2) e (3).

Fig. 5. Arquitetura de uma rede ANFIS com 2 regras e uma varivel de

entrada bi-dimensional.

2) Definio da Topologia e etapa de Treinamento

Para a definio da topologia e treinamento, foram
utilizados os recursos presentes no ambiente MATLAB. A
partir do conjunto de dados de treinamento, a topologia do
modelo definida por meio da funo genfis2. Essa funo
retorna uma estrutura que contm um conjunto de regras
nebulosas capaz de modelar o comportamento dos dados
selecionados pelo usurio.
A funo genfis2 determina a quantidade de regras e as
funes de pertinncia do antecedente por meio do algoritmo
de agrupamento subtrativo (do ingls, Subtractive Clustering).

Em seguida, utiliza a tcnica de mnimos quadrados para

determinar os parmetros do consequente de cada regra.

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

O algoritmo gentico executado por 40 geraes, com um

tamanho de populao de 40 indivduos. Cada indivduo
corresponde a um modelo que utiliza entre 6 e 15 variveis de
entrada, com um atraso de at no mximo 150 amostras. A
Tabela II apresenta os parmetros de configurao dos
operadores de cruzamento e mutao do algoritmo gentico.

1) Simulao com todas as variveis mensuradas

As Figuras 7 e 8 mostram, as estimativas da simulao livre
do melhor modelo alcanado, considerando o conjunto de teste
e de treinamento respectivamente.

PDG (kgf/cm2)

Experimentos so realizados considerando massas de dados

provenientes de dois poos de petrleo diferentes. Para cada
um dos poos, so realizadas duas simulaes: a primeira
consiste em efetuar o processo de otimizao considerando a
possibilidade de se ter no modelo qualquer uma das variveis
mensuradas no processo, tanto da plataforma quanto do leito
marinho. Para a segunda simulao so consideradas apenas as
medies realizadas na superfcie.

Mutao
Polinomial

=1

IV. RESULTADOS EXPERIMENTAIS

Cruzamento
SBX

(4)

) (kgf/cm2)

100

Fig 6. Massa de dados utilizada no experimento. As linhas azuis e vermelhas

delimitam respectivamente o conjuntos de dados de treinamento e de teste.

= ( )2

110

PDGP (kgf/cm2)

Aps a definio da estrutura inicial, a etapa de treinamento

realizada por meio da funo anfis. Essa ltima consiste em
um processo iterativo capaz de ajustar os parmetros do
modelo de modo que a sada estimada se aproxime o
mximo possvel do valor real .

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

Fig. 7. Resultado para a simulao livre conjunto de teste.

1,
2
1/

A. Primeiro Poo
A Fig. 6 mostra o conjunto de dados em anlise, assim
como os intervalos definidos para as etapas de treinamento.

A partir das simulaes, pode-se dizer modelo obtido

apresenta um desempenho satisfatrio. Nota-se tambm, que o
erro de aproximao no conjunto de testes , na mdia, um
pouco maior do que o erro no conjunto de treinamento, fato
este que j era esperado.
O modelo em questo resulta em um valor de RMSE igual
a , 121 2 , sendo que o mesmo formado 9 regras
nebulosas, utiliza 13 variveis (com repetio) e 6 dos sensores
disponveis. A Tabela III apresenta informaes detalhadas
sobre o modelo obtido.

A Fig. 9 mostra uma comparao entre as simulaes, em

toda a massa de dados, considerando os modelos obtidos nos
dois experimentos.

Conjunto de Treinamento

PDG (kgf/cm2)

100
Dados Reais
Simulao Livre

90

110

80

2000

4000

6000
8000
Amostras (k)

10000

12000

Log10 do Erro Absoluto

0
-2
-4
-6

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

Fig. 8. Resultado para a simulao livre conjunto de treinamento.

60
0

TABELA III
DETALHAMENTO DO MODELO OBTIDO
Entrada

Atrasos

Presso de fundo de poo

13, 34, 146

Presso na rvore de natal

1, 2, 15

Temperatura na rvore de natal

19, 64, 95

Presso depois da vlvula de choke de gas-lift

45

Presso antes da vlvula de shutdown de gas-lift

Presso antes da vlvula de shutdown de produo

1, 64

Nota-se que o algoritmo, nesse caso, tende a utilizar as

informaes da presso de fundo de poo (a varivel que se
deseja aproximar), e as medies do leito marinho (presso e a
temperatura da rvore de natal). A fim de verificar a influncia
da rvore de natal, o prximo experimento ento realizado
sem a presena destes dois sensores.

3
4
Amostras (k)

6
4

x 10

Fig. 9. 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.

Como era de se esperar, o modelo obtido sem considerar a

possibilidade de usar os sensores da rvore de natal apresenta
uma piora no desempenho. Ainda assim, o modelo pode ser
considerado vantajoso, uma vez que utiliza apenas variveis da
superfcie, e o aumento do erro no to significativo
considerando o fundo de escala da presso.
A Fig. 10 mostra um comparativo entre os valores do
RMSE do melhor indivduo para os dois experimentos para
cada gerao do AG.
Convergncia do RMSE do Melhor Individuo
3
Simulao 1
Simulao 2

2) Simulao com as variveis mensuradas somente na

plataforma
Neste experimento, o melhor modelo alcanado conta com
9 regras nebulosas, 11 variveis de entrada e utiliza 6 das
medies disponveis, conforme detalhado na Tabela IV. O
valor de RMSE obtido igual a 1,9 21 2 .

RMSE (kgf/cm )

2.5

1.5

1
TABELA IV
DETALHAMENTO DO MODELO OBTIDO
Entrada

Atrasos

Presso de fundo de poo

101

Abertura da vlvula de gas-lift

3, 70

Presso depois da vlvula de choke de gas-lift

150

Temperatura antes da vlvula de choke de produo

13, 65

Temperatura antes da vlvula de shutdown de gas-lift

4, 14, 40, 128

Presso antes da vlvula de shutdown de gas-lift

80

0.5
0

10

20
Geraes

30

40

Fig. 10. Comparao entre as convergncias das duas simulaes.

Por meio da Fig.10, pode-se dizer que em ambos os casos,

o algoritmo atinge a convergncia. Na segunda simulao, a
convergncia mais rpida, se dando praticamente nas
primeiras dez geraes. Por outro lado, a simulao 1 converge
mais lentamente, estabilizando-se apenas na trigsima gerao.

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

entradas e 4 sinais diferentes. Em relao aos ndices RMSE,

os valores obtidos para o conjunto de testes so
respectivamente ,12 2 e ,9
2 .
Por meio da Tabela V, possvel notar que quando no
existe restries de variveis, o algoritmo tende a utilizar as
informaes da rvore de natal (assim como no caso anterior).
A fim de comparar os resultados, a Fig. 12 exibe as estimativas
dos modelos considerando toda a massa de dados em anlise.
220

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

Fig 11. Massa de dados utilizada no experimento. As linhas azuis e vermelhas

delimitam respectivamente o conjuntos de dados de treinamento e de teste.

O algoritmo executado para as duas simulaes,

considerando a primeira com todas as variveis, e a segunda
utilizando somente variveis da superfcie. As Tabelas V e VI
apresentam respectivamente o detalhamento do melhor modelo
obtido em cada cenrio.
TABELA V
DETALHAMENTO DO MODELO OBTIDO COM A SIMULAO CONSIDERANDO
TODAS AS VARIVEIS

Entrada

Atrasos

Presso de fundo de poo

42, 125

Temperatura da rvore de natal

1, 121

Presso antes da vlvula de choke de produo

96

Temperatura antes da vlvula de choke de produo

88 e 102

Presso antes da vlvula de shutdown de gas-lift

27

TABELA VI
DETALHAMENTO DO MODELO OBTIDO COM A SIMULAO CONSIDERANDO
SOMENTE VARIVEIS DA SUPERFCIE

Entrada

Atrasos

Presso de fundo de poo

1, 42, 121,
125

Presso antes da vlvula de choke de produo

96

Temperatura antes da vlvula de choke de produo

88, 102

Presso antes da vlvula de shutdown de gas-lift

27

Na primeira simulao, o modelo resultante formado por

4 regras, faz uso de 8 entradas e 5 medies distintas. O
segundo modelo, por sua vez, formado por 3 regras, utiliza 8

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.

Assim como no primeiro poo, apesar da piora de

desempenho, pode-se dizer que o segundo modelo apresenta
resultados satisfatrios, uma vez que o aumento do erro no
to significativo, ao se considerar o mesmo em relao ao
fundo de escala.

C. Anlise da Utilizao das Variveis de Entrada

Como j mencionado, quando no existem restries de
variveis, o algoritmo tende a utilizar as medies da rvore de
natal. No entanto, esses sensores tambm esto expostos a um
ambiente adverso, e nem todos os poos de petrleo possuem
tal informao. Por esse motivo, sempre que possvel,
desejvel utilizar somente as variveis da superfcie.
Diante disso, interessante quantificar s vezes em que
cada varivel da plataforma usada como entrada dos modelos
finais. Para tal feito, so consideradas as duas simulaes que
utilizam apenas as medies da superfcie. O intuito verificar
quais so as variveis que o algoritmo tende a utilizar, na falta
dos sensores da rvore de natal. A Fig. 13 apresenta um
histograma com essas informaes.
Da Fig. 13 importante notar que alm da presso de fundo
de poo (PT1), as medies mais utilizadas so: a temperatura
antes da vlvula de choke de produo (TT3), e a temperatura
antes da vlvula de shutdown de gas-lift (TT4). No entanto,
vale ressaltar que esta ltima utilizada apenas no modelo
construdo para o primeiro poo. Por outro lado, as variveis:
presso antes da vlvula de shutdown de produo (PT3a) e

vazo instntanea de gas-lift (FT4) no so utilizadas como

entradas em nenhum dos dois modelos em estudo.

O intuito da investigao gerar modelos de forma automtica,

e no criar uma metodologia que seja capaz de inferir a presso
do PDG, por si s. Sendo assim, existe a necessidade de
incorporar os modelos aqui gerados em outra implementao.
Esta deve ser capaz de corrigir as estimativas e prover maior
robustez ao processo de inferncia. Dentre as possibilidades,
pode-se citar a utilizao de filtros de Kalman.
VI.
[1]

[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.

Por fim, vale ressaltar que esta apenas uma anlise

superficial com o intuito de fornecer uma primeira ideia. Por
esse motivo, para identificar quais so as variveis da
superfcie que de fato o algoritmo tende a utilizar, necessria
uma investigao mais ampla, envolvendo vrias execues do
mesmo e em diferentes poos de petrleos.
V.

[3]

[4]

[5]

CONCLUSES

Em poos de petrleo com operaes de gas-lift, a

monitorao da presso de fundo de poo permite realizar um
controle adequado do processo e aumentar a eficincia da
produo. No entanto, o sensor responsvel pela medio, o
PDG, est submetido a um ambiente altamente adverso e tende
a apresentar falhas ou at mesmo a quebra em definitivo.
Uma das alternativas viveis para esse problema a
implementao de um sensor virtual. Porm, o mesmo depende
da obteno de modelos com boa performance, o que nem
sempre uma tarefa trivial. Alm dessa questo, modelos
caixa-preta obtidos para um determinado poo podem no
funcionar adequadamente em outro.
Diante disso, a metodologia proposta permite gerar
automaticamente modelos data-driven para estimar a presso
de fundo de poo de petrleo com operaes de gas-lift. Um
algoritmo gentico empregado com o objetivo de minimizar o
erro da simulao livre dos modelos.
Os experimentos so realizados em dois poos de petrleo
com dinmicas diferentes, e em ambos os casos, os resultados
indicam que a implementao teve xito em seu objetivo. O
algoritmo capaz de gerar modelos com boa performance sem
a necessidade da interveno do usurio.

[6]

[7]

[8]

[9]

[10]

[11]

[12]

[13]

Aliado a boa performance, a metodologia apresenta um

carter genrico, pois pode ser aplicada a outros poos de
petrleo. Alm dessa caracterstica, a gerao automtica
permite amenizar o problema com as variaes temporais da
planta. Em outras palavras, quando um modelo no for mais
satisfatrio, a simulao pode ser executada novamente
utilizando uma nova massa de dados.

[14]

Por fim, vale ressaltar que este trabalho aborda a simulao

livre dos modelos, sem qualquer tipo de correo da estimativa.

[17]

[15]
[16]

REFERNCIAS BIBLIOGRFICAS

Bruno O.S. Teixeira, Walace S. Castro, Alex F. Teixeira, Luis A.

Aguirre, Data-driven soft sensor of downhole pressure for a gas-lift oil
well, Control Engineering Practice, Volume 22, January 2014, Pages 3443
Eck, J., Ewherido, U., and Mohammed, J.. e. a. (2000). Downhole
Monitoring: The Story So Far. Oilfield Review, 11(4): 20-33, Maio
2000.
Petr Kadlec, Bogdan Gabrys, Sibylle Strandt, Data-driven Soft Sensors
in the process industry, Computers & Chemical Engineering, Volume
33, Issue 4, 21 April 2009, Pages 795-814
Jahanshahi, E.; Salahshoor, K.; Sahraie, Y., "Application of fuzzy
observer and controller in gas-lifted oil wells," in Networking, Sensing
and Control, 2008. ICNSC 2008. IEEE International Conference on ,
vol., no., pp.101-106, 6-8 April 2008
Davies, D. R., & Aggrey, G. H. (2007, January 1). Tracking the state
and diagnosing Down Hole Permanent Sensors in Intelligent Well
Completions with Artificial Neural Network. Society of Petroleum
Engineers.
Castro, W. S., Estimao recursiva da presso de fundo de poo para
extrao de petrleo em guas profundas, Trabalho de Concluso do
Curso de Engenharia de Controle e Automao, UFMG, 2013.
Billings, S.A.; Hua-Liang Wei, "A new class of wavelet networks for
nonlinear system identification," in Neural Networks, IEEE
Transactions on , vol.16, no.4, pp.862-874, July 2005
Adeli, H. and Jiang, X. Dynamic Fuzzy Wavelet Neural Network
Model for Structural System Identification Journal of Structural
Engineering 2006 132:1, 102-111
Jonas Sjberg, Qinghua Zhang, Lennart Ljung, Albert Benveniste,
Bernard Delyon, Pierre-Yves Glorennec, Hkan Hjalmarsson, Anatoli
Juditsky, Nonlinear black-box modeling in system identification: a
unified overview, Automatica, Volume 31, Issue 12, December 1995,
Pages 1691-1724.
Sungkwun Oh, Witold Pedrycz, Identification of fuzzy systems by
means of an auto-tuning algorithm and its application to nonlinear
systems, Fuzzy Sets and Systems, Volume 115, Issue 2, 16 October
2000, Pages 205-230
Wen Yu; XiaoOu Li, "Fuzzy identification using fuzzy neural networks
with stable learning algorithms," in Fuzzy Systems, IEEE Transactions
on, vol.12, no.3, pp.411-420, June 2004
Yaochu Jin; JingPing Jiang; Jing Zhu, "Neural network based fuzzy
identification and its application to modeling and control of complex
systems," in Systems, Man and Cybernetics, IEEE Transactions on ,
vol.25, no.6, pp.990-997, Jun 1995
Jang, J.-S.R., "ANFIS: adaptive-network-based fuzzy inference system,"
in Systems, Man and Cybernetics, IEEE Transactions on , vol.23, no.3,
pp.665-685, May/Jun 1993
Vasconcelos, J. A., Ramirez, J. A., Saldanha, R. R., Takahashi, R. H. C.,
Improvements in Genetic Algorithms. IEEE Transactions on
Magnetics. USA, v.37, n.5, p.3414 - 3417, 2001.
K. Deb and R. B. Agrawal, Simulated binary crossover for continuous
search space, Complex Systems, vol. 9, pp. 134, 1994.
K. Deb and M. Goyal, A combined genetic adaptive search (GeneAS)
for engineering design, Computer Science and Informatics, vol. 26, pp.
3045, 1996.
Takagi, T.; Sugeno, M., "Fuzzy identification of systems and its
applications to modeling and control," in Systems, Man and Cybernetics,
IEEE Transactions on , vol.SMC-15, no.1, pp.116-132, Jan.-Feb. 1985