sistema inteligente web para diagnÓstico de...

1

SISTEMA INTELIGENTE WEB PARA DIAGNÓSTICO DE ANORMALIDADE DA PERFURAÇÃO DE POÇOS DE PETROLEO

Ivan Rizzo Guilherme1, Jonas Queiroz 2, Paulo Henrique Arantes Urgal 3, Fabio Roberto Chavarette 4

1 DEMAC/ IGCE/UNESP Rio Claro, Brasil, [email protected] DEMAC/ IGCE/UNESP, Rio Claro, Brasil, [email protected] 3 PPGCC/IBILCE/UNESP, S.J.Rio Preto, Brasil, [email protected]

4 DM/FEIS/UNESP Rio Claro, Brasil, [email protected]

Resumo: Durante a perfuração de um poço de Petróleo podem ocorrer diversas anormalidades. Neste trabalho é apresentada uma arquitetura de referência para dar suporte ao desenvolvimento de Sistemas Inteligentes Web, visando a implementação de métodos para a analise dos dados gerados durante a perfuração de poços de petróleo. A arquitetura proposta é baseada na arquitetura orientada a serviços (SOA). Baseado na arquitetura de referência proposta é apresentado um Sistema Inteligente Web para a identificação anormalidade Packer – Hidráulico. O método de análise implementado na aplicação é a Redes Neurais Perceptron Multi-Camadas. Keywords: Redes Neurais, Serviços Web, Arquitetura Orientada a Serviços, Sistemas Inteligentes.

1. INTRODUÇÃO

A perfuração de um poço de petróleo é uma operação bastante complexa que está sujeita a ocorrência de uma série de anormalidades. As evoluções das tecnologias utilizadas na perfuração têm proporcionado a redução na freqüência de ocorrências de problemas ao longo dos anos, mas ainda assim, alguns problemas persistem. Essas complicações que podem ocorrer durante a perfuração são altamente indesejáveis e causam muitos prejuízos como a elevação do custo da perfuração e às vezes ate mesmo a perda do poço.

Nos últimos anos na exploração de petróleo foram desenvolvidas algumas tecnologias como o sistema de mud-loggin, que consiste na instalação de sensores na sonda para medir e registrar informações que abrangem desde parâmetros operacionais da sonda até características geológicas da formação perfurada. Com o desenvolvimento de tecnologias de transmissão de dados, informações cujo acesso inicialmente era restrito ao ambiente da sonda, podem ser acessadas online de qualquer parte do mundo. O serviço de mud-logging hoje em dia possui duas dimensões. A primeira trata dos parâmetros da perfuração e a segunda trata da analise litológica de amostras da formação [1].

Através da analise detalhada de dados de poços já perfurados é possível identificar e caracterizar a ocorrência de anormalidades. Assim, é importante o desenvolvimento de um sistema computacional com funcionalidades para a que integração dos dados e métodos de análise. Utilizando o sistema os profissionais poderão efetuar a analise dos dados,

e identificar possíveis anormalidades auxiliando nas tomadas de decisões e na realização de medidas corretivas.

A arquitetura proposta do software é baseada em Serviços (SOA), dispondo de funcionalidades para a integração de dados e métodos de análise de dados. Um Sistema foi implementado, onde são integrados os dados da perfuração e implementado uma técnica de de Inteligência Artificial conhecida como Redes Neurais artificiais para a análise dos dados. No teste do Sistema foi implementada a analise da anormalidade Packer Hidraulico.

2. Aspectos Conceituais

Nesta seção são apresentados os aspectos conceituais utilizados neste trabalho.

2.1. Anormalidade na Perfuração

Durante a perfuração de um poço de petróleo várias anormalidades podem ocorrer. Cada uma das anormalidades apresenta diferentes características. Neste trabalho a caracterização dos problemas de perfuração foram utilizados como principais referencias o trabalho desenvolvido por Tavares [1] e Rabelo [2].

Neste trabalho foi escolhida apenas uma anormalidade a ser tratada, que é o Packer – Hidráulico.

A seguir é apresentada a descrição da anormalidade, a identificação de sua assinatura e um exemplo onde ela ocorre.

a) Packer Hidráulico

O Packer Hidráulico é um problema difícil de identificar, muitas vezes seu descobrimento é tardio [1].

O Packer Hidráulico ocorre devido ao aumento de acumulo de cascalhos no espaço anular. Esses cascalhos acumulados congestionam o espaço anular e funcionam como uma cunha no momento em que o sondador realiza movimentos longitudinais. O Packer pode causar prisão da coluna ou perda de circulação. Esse aumento de cascalhos pode ocorrer por vários motivos, alguns deles são: desmoronamento do poço, má limpeza do poço, aumento da taxa de perfuração, problemas com a viscosidade e

Proceedings of the 9th Brazilian Conference on Dynamics Control and their Applications Serra Negra, SP - ISSN 2178-3667 423

SISTEMA INTELIGENTE WEB PARA DIAGNÓSTICO DE ANORMALIDADE DA PERFURAÇÃO DE POÇOS DE PETROLEO Ivan Rizzo Guilherme, Jonas Queiroz, Paulo Henrique Arantes Urgal, Fabio Roberto Chavarette.

2

velocidade do fluido. Outro motivo é o fato do diâmetro do BHA ser maior do que o do tubo de perfuração. Isso faz com que a área da seção dos tubos seja maior que a área do BHA, então ao passar por essa região o fluido de perfuração perde a velocidade, isso faz com que o carregamento dos cascalhos não tenha uma efetividade boa. A figura 1 ilustra esse problema [1].

A velocidade do fluxo também diminui devido a regiões de “poços arrombados” e rat-hole. O rat-hole corresponde a um trecho de fundo de poço não revestido com cimento, isso ocorre devido à dificuldade de revestimento em grandes profundidades. Dessa forma, a lama fica abaixo da extremidade do poço permanece “trapeada” e não é deslocada pelo cimento. Conforme o BHA sai do rat-hole a velocidade do fluxo diminui fazendo com que, nessa região, haja um acumulo de cascalhos [1].

Figura 1 – Ocorrência do Packer – Hidráulico

b) Caracteização da Anormalidade Packer Hidráulico

Primeiramente foi necessário um estudo a fundo do

problema a ser identificado. Nesse estudo apresentado na seção anterior, são descritas características do problema e as conseqüências do mesmo. Os parâmetros afetados e os seus respectivos comportamentos frente ao problema também foram apresentados.

De acordo com TAVARES (2006), os sintomas dessa anormalidade podem ser previstos monitorando-se os parâmetros SPP (Pressão no Stand Pipe), WOH (Carga no Gancho) e em casos mais severos o Torque.

A seguir é descrito o comportamento esperado para esses parâmetros:

Pressão no Stand Pipe – SPP: como resultado do acumulo de cascalhos no espaço anular, uma resistência hidráulica é observada, fazendo com que a pressão no SPP aumente. Essa pressão aumenta conforme o numero de cascalhos acumulados no espaço anular aumenta.

Carga no Gancho – WOH: o aumento de cascalhos no espaço anular aumenta a flutuabilidade da coluna, reduzindo a carga registrada do gancho de perfuração. Dessa forma, a carga no gancho irá apresentar uma diminuição progressiva

à medida que aumenta a quantidade de cascalhos no espaço anular.

Torque: devido ao congestionamento do espaço anular, aumenta o atrito da broca com o poço aumentando assim o torque. Mas somente em casos muitos severos o aumento do torque é observado na superfície.

Um parâmetro que não aparece como aqueles afetados pela anormalidade, mas que será utilizado, é a taxa de penetração (ROP), que também tem sua influencia no problema, pois caso ocorra um aumento na taxa de penetração aumenta também o numero de cascalhos gerados o que pode gerar um acúmulo no espaço anular.

Durante a perfuração a cada 30 metros a sonda é retirada e uma nova seção é inserida. Utilizando as médias dos valores dos parâmetros medidos a cada seção, podemos verificar seu comportamento e tomar decisões. A tabela 1apresenta um exemplo de como seria feita à identificação do problema verificando os parâmetros.

Tabela 1 – Valores Médios de Cada Seção Perfurada

Seç.1 Seç. 2 Seç. 3 Seç. 4 Seç. 5 SPP

médio ( psi) 2300 2400 2490 2500 2700

WOH médio (klbs)

340 335 336 339 332

Torque médio (lb.ft)

2500 2750 2890 2800 2850

ROP médio (m/h)

18,5 19,9 22,9 20,0 19,6

Ocorrência do Packer

Não Sim Sim Não Sim

Como foi descrito e como podemos observar que alguns parâmetros têm um comportamento especifico em relação ao problema. Na tabela 1 pode-se que o packer ocorre principalmente com um aumento dos valores dos parâmetros SPP, Torque e ROP e diminuição do valor de WOH, mas não precisa necessariamente ocorrer todas essas características ao mesmo tempo. Na tabela 1, da seção dois para a seção três houve um aumento do SPP, Torque, ROP e também do WOH (que deveria ter diminuído para acusar o problema), mas como o aumento do ROP foi significativo podemos enquadrar esses dados como possível ocorrência do problema.

2.2. Rede Neural Perceptron Multi-Camadas

A rede neural Perceptron de Multi - Camadas é a arquitetura mais utilizada. Essa arquitetura tem sido utilizada na solução de diversos problemas. A arquitetura dessa rede neural consiste de um conjunto de unidade de sensores constituindo a camada de entrada, uma ou mais camadas ocultas, e uma camada de saída [4].

Uma rede perceptron de multi - camadas tem três características distintas:

a) O modelo de cada neurônio na rede inclui uma função de ativação não linear;

b) A rede contém uma ou mais camadas ocultas que não são partes da camada de entrada e saída. Essas camadas ocultas fazem com que a rede aprenda tarefas mais complexas;


3

c) A rede exibe um alto grau de conectividade, determinada pelas sinapses da rede. Uma mudança naconectividade da rede requer uma mudança nas conexões sinápticas ou nos pesos sinápticos.

Na figura 4 é apresentado um modelo de uma Rede Neural Perceptron de Multi - Camadas.

O sinal de entrada da rede neural é propagado pela rede camada por camada, como se pode observar na figura 4 (HAYKIN, 1998).

Perceptron de Multi - Camadas utiliza o processo de treinamento supervisionado, sendo que o algoritmo utilizado é o error back-propagation algorithm. Esse algoritmo é baseado na error-correction learning rule (HAYKIN, 1998).

Basicamente, o algoritmo error-correction learning ruleconsiste de dois passos.

Inicialmente é selecionada uma amostra do conjunto de dados previamente classificados. Essa amostra expressa na forma vetorial, é aplicada a rede neural camada por camada. Finalmente, uma saída é produzida como resposta da rede. Durante esse processo os pesos sinápticos e o bias não são alterados. No segundo passo, os pesos sinápticos e o biassão ajustados de acordo com a regra de correção de erro. Especificamente, a resposta da rede é subtraída da resposta esperada produzindo um sinal de erro. Esse sinal é então propagado através da rede partindo das camadas superiors na a direção das camadas de entrada. Os pesos e o bias são ajustados visando diminuir a diferença entre a resposta gerada e a esperada (HAYKIN, 1998).

A fórmula matemática utilizada para fazer esse ajuste é a seguinte:

wij(t+1) = wij(t) + ηδjxionde i e j representam as camadas dos neurônios, wij é o

peso da conexão do neurônio da camada i com o neurônio da camada j, η é o ganho, δj é o termo do erro do nó j e xi é a saída do neurônio i.

2.3. Arquitetura de Software

O objetivo da arquitetura de software proposta é integrar dados no padrão WITSML [3] e os métodos Inteligentes de análise, que neste caso é uma Rede Neural Neural Perceptron de Multi - Camadas . A arquitetura de software proposta e implementada e utilizada na construção de um do protótipo.

A arquitetura de software proposta é baseada em serviços e composta por três camadas: cliente, servidor e dados. A camada cliente é responsável por receber as solicitações do usuário, transmiti-las ao servidor através de um protocolo de comunicação, e prover uma resposta à solicitação do usuário. A camada servidor recebe a requisição, encontra e executa o serviço, e envia uma resposta ao cliente utilizando o mesmo protocolo de comunicação. O servidor possui também: um serviço responsável por integrar os dados de diversos bancos de dados; um serviço responsável por conceber o método de análise; e um serviço responsável por analisar os dados

gerados na perfuração de poços. A camada de dados contém o banco de dados utilizado no treinamento da rede neural e os bancos de dados onde estão localizados os dados que a aplicação irá analisar. Na figura 2 é apresentada como a arquitetura abstrai uma aplicação.

Figura 2 – Representação da arquitetura proposta

Desta forma, a arquitetura proposta consiste na definição das seguintes camadas: Cliente, Servidor e Dados.

2.4 Definição, Coleta e integração do conjunto de dados

Após a identificação dos parâmetros foi gerado um conjunto de dados de Mud logging para ser utilizado na fase de treinamento e teste do método de análise. No conjunto há dados caracterizando a ocorrência ou não do Packer Hidráulico e foi gerada dos dados disponível no trabalho de Tavares [1]. Os dados utilizados foram normalizados SPP, WOH, Torque médio, ROP foram normalizados de acordo com os parâmetros das tabelas 2, 3, 4 e 5 respectivamente.

Os dados utilizados foram previamente classificados quanto ao nível de alerta da ocorrência ou não do problema Packer Hidráulico. Esse alerta é definido em 4 níveis de acordo com o grau de preocupação; Normal quando não há indícios da ocorrência da anormalidade; Alerta Nível 1 quando há um baixo indício da ocorrência da anormalidade; Alerta Nível 2 quando há um médio indício da ocorrência da anormalidade; Alerta Nível 1 quando há um alto indício da ocorrência da anormalidade. O dados foram classificados de acordo com os valores da tabela 6.

Para a implementação de uma rede neural com o propósito de identificar a anormalidade Packer Hidráulico,


SISTEMA INTELIGENTE WEB PARA DIAGNÓSTICO DE ANORMALIDADE DA PERFURAÇÃO DE POÇOS DE PETROLEO Ivan Rizzo Guilherme, Jonas Queiroz, Paulo Henrique Arantes Urgal, Fabio Roberto Chavarette.

4

Tabela 2 – Normalização do Parâmetro SPP

SPP Normalização variação do SPP <= 10 0,1 10 < variação do SPP <= 50 0,3 50 < variação do SPP <= 100 0,6 variação do SPP > 100 0,9

Tabela 3 – Normalização do Parâmetro WOH

WOH Normalização variação do WOH <= 0 0,1 0 < variação do WOH <= 3 0,3 3 < variação do WOH <= 5 0,6 variação do WOH > 5 0,9

Tabela 4 – Normalização do Parâmetro Torque

Torque Normalização variação do Torque <= 100 0,1 100 < variação do Torque <= 200 0,3 200 < variação do Torque <= 400 0,6 variação do Torque > 400 0,9

Tabela 5 – Normalização do Parâmetro ROP

ROP Normalização variação do ROP <= 0 0,1 0 < variação do ROP <= 2 0,3 2 < variação do ROP <= 4 0,6 variação do ROP > 4 0,9

Tabela 6 – Classificação da Anormalidade Saída da rede Classificação valores entre 0 e 0.3 operação normal valores entre 0.3 e 0.6 alerta nível 1 valores entre 0.6 e 0.9 alerta nível 2 valores entre 0.9 e 1 alerta nível 3

Figura 3 – Interface de Entrada do Sistema.

3. IMPLEMENTAÇÃO SISTEMA INTELIGENTE

Utilizando o ambiente proposto, é possível implementar um Sistema Inteligente Web. Neste exemplo foi implementado um sistema para analise de anormalidades da na Perfuração, onde os dados estão de acordo com o padrão de dados da comunidade o WITSML e o Método de Análise dos dados é uma Rede Perceptron de Multi – Camadas. As funcionalidades disponíveis no sistema podem ser visto na Figura 3, onde temos: Conectar ao Banco de Dados, Criar e treinar a Rede Neural, Análise dos Dados, Gerar Gráficos, Gerar Relatórios e Mudar o Usuário. Inicialmente o usuário deve definir a origem dos dados a serem utilizados. Isto é feito utilizando a funcionalidade Conectar ao Banco de Dados. A fase seguintes consiste especificação do método de analise que é a Rede Neural.

3.1 Criação e Treinamento da Rede Neural

A arquitetura de rede neural utilizada é do tipo Perceptron de Multi - Camadas, implementada em Java utilizando bibliotecas do Joone. A adoção desta biblioteca é decorrente do fato da fácil acoplamento com a solução Web, onde também é utilizado Java. Após diversos experimentos, a topologia da rede neural é definida da seguinte maneira: com quatro neurônios na camada de entrada, correspondente aos parâmetros SPP, WOH, Torque médio, ROP; quatro neurônios na camada oculta e um neurônio na camada de saída. Na camada de entrada a função de transferência utilizada é a LINEAR, na camada oculta e camada de saída a função de transferência utilizada é a SIGMOID.

Após a especificação da rede foi efetuado o procedimento de treinamento e teste. Na Figura 4 é apresentada a interface para o treinamento da Rede Neural.

Figura 4 – Interface do Sistema apresentando o treinamento da Rede Neural.

Um conjunto de dados de Mud logging foi avaliado através do Método de Análise Inteligente visando verificar a ocorrência da anormalidade Packer Hidráulico. Na figura 5 é apresentada a interface do Sistema onde pode-se visualizar o conjunto de dados utilizados, já normalizados e classificados pelo método de análise.


5

No conjunto de dados analisados foi verificado por exemplo (Figura 5) a ocorrência de anormalidade durante a mudança da seção 6 para a seção 7.

Figura 5 – Interface do Sistema apresentando os resultados da análise

3. CONCLUSÃO

Apesar de todo avanço tecnológico, o grande volume de dados gerados durante a perfuração de poços de petróleo não recebe o devido tratamento. São raras as aplicações que se preocupam com a análise desses dados.

A arquitetura proposta neste trabalho visa auxiliar o desenvolvimento de aplicações, que tem como objetivo suprir essa carência. A arquitetura propõe que sejam utilizadas técnicas de redes neurais artificiais para a análise dos dados e que o padrão WITSML seja utilizado para integrar os dados dos diversos bancos de dados. A arquitetura define também que a lógica de negócio seja exposta através de serviços.

A idéia de propor uma arquitetura de referência, onde é utilizada uma arquitetura orientada a serviços, é que outras aplicações desenvolvidas seguindo como a base a arquitetura proposta, possam utilizar os mesmos serviços implementados para outras aplicações, já que numa arquitetura orientada a serviço há um fraco acoplamento entre o serviço e a aplicação.

Utilizando a arquitetura proposta foi desenvolvida uma aplicação para identificar a anormalidade Packer Hidráulico. A aplicação mostrou resultados satisfatórios, pois um conjunto de dados foi definido para ser utilizado no processo de teste. Nesse conjunto há 10 situações previamente classificadas. O resultado gerado pela aplicação para esse conjunto de dados produziu 80% de classificações corretas e os outros 20% identificaram o problema corretamente, mas classificaram-no em um nível de alerta diferente do esperado.

Concluí-se, portanto, que a arquitetura proposta mostrou-se eficaz para servir como arquitetura de referência para o desenvolvimento de aplicações.

Para atividades futuras, pretende-se expandir a aplicação acrescentando serviços, com a intenção de aumentar o número de anormalidades que a aplicação é capaz de identificar.

AGRADECIMENTOS

Este trabalho foi parcialmente financiado pelo CNPQ, projeto CNPQ- Edital MCT/CNPq 02/2006.

REFERENCIAS

[1] TAVARES, R. M. Interpretação e Análise de Dados de Perfuração em Poços de Petróleo. Dissertação de Mestrado (Universidade Estadual de Campinas). 2006.

[2] RABELO, C. A. C. Metodologia para Análise de Dados de Perfuração, Dissertação de Mestrado (Universidade Estadual de Campinas). 2008.

[3] ENERGISTICS. WITSML. Sítio da Web contendo descrição do padrão WITSML. 2008. Disponível em: <http://www.witsml.org/witsml/Default.asp>. Acesso em: 5 set. 2008

[4] HAYKIN, S. Neural Networks: A Comprehensive Foundations. Second Edition. 1998. 842 p.

[5] MARRONE, P. Java Object Oriented Neural Engine: The Complete Guide. 2007. Disponível em: <http://www.joone.org>. Acesso em: 9 set. 2008.


sistema inteligente web para diagnÓstico de...

Documents