Estimação de pressão de fundo de poço utilizando SVR e UKF

Abstract

A proposta desta dissertação é a implementação de soft sensors, baseados em modelos empíricos, para a estimação da pressão de fundo de poço de petróleo offshore utilizando Support Vector Regression, SVR, e Unscented Kalman Filter, UKF. A abordagem proposta baseia-se em modelos SVR construídos a partir do treinamento com dados históricos de sensores de uma planta industrial real. Esses modelos são utilizados juntamente com filtros baseados no UKF em uma implementação em malha fechada para corrigir a estimação com dados em tempo real. Os resultados indicam melhorias ao utilizar variáveis de fundo em relação às de topo e ao utilizar malha fechada em relação à malha aberta, além de demonstrar a capacidade de generalização de treinamento em diferentes regimes de operação do SVR.

Abstract: The purpose of this work is to use a data-driven soft sensor to estimate the bottomhole pressure of an offshore oil well using Support Vector Regression, SVR, and Unscented Kalman Filter, UKF. The approach proposed in this work uses SVR models based on historic data of a real industrial plant. These models are employed in an UKF filter to correct the estimations in real time. The experimental results indicate improvement at using seabed variables rather than platform variables and improvement when using a closed-loop Kalman Filter rather than an open-loop. In addition, it is observed that SVR have a good generalization at training models in different operation points.