A+ A- Acessibilidade
Buscar

Machine Learning for Energy

Descrição

Este projeto visa abordar dados heterogêneos de poços e FPSOs (Unidades flutuantes de armazenamento e transferência) para encontrar possíveis falhas e melhorar o gerenciamento de poços, reservatórios e instalações para alcançar índices de recuperação mais altos. Um ramo do projeto explora os dados coletados de um conjunto de sensores de diferentes fontes e, assim, estabelece relações com as fases de vida do reservatório. O projeto tem como foco a compreensão das diferentes informações associadas a um objeto de interesse e a identificação de suas relações temporais e espaciais. Outro ramo de pesquisa se concentra na busca de um espaço de recursos (manifold) transformado e unificado, permitindo que técnicas de aprendizado de máquina destaquem informações relevantes de fontes heterogêneas. O objetivo não é apenas identificar o comportamento anormal, mas também apoiar a identificação de soluções e explorar oportunidades de melhorias na produção. A hipótese geral da pesquisa é que, ao analisar diferentes informações de várias fontes, as ligações ocultas existentes entre os poços e o resto do sistema permitem-nos, em última análise, apontar sua rede de conexões. Com dados pré-processados ​​de várias fontes e os prazos correspondentes, é necessário detectar algum tópico/assunto de interesse neles. Devido à natureza dos dados e às situações imprevistas, o mecanismo de aprendizado de máquina é um problema de reconhecimento de conjunto aberto em que apenas parte da informação é rotulada/ conhecida e a grande maioria dos dados a serem analisados ​​precisa ser tratada adequadamente.

Duração

2019 – 2027.

Apoio

Shell.

Coordenador(a)

Prof. Anderson Rocha (coordenador).
Dra. Alessandra Davolio (co-coordenadora / Cepetro/ Unicamp).
Prof. Denis Schiozer (co-coordenador / FEM / Unicamp).