Aplicação de redes neurais artificiais no reconhecimento de padrões de cartas dinamométricas de fundo em sistemas de bombeio mecânico de petróleo

Abstract

O método de elevação artificial mais utilizado na indústria da produção de petróleo é o Sistema de Bombeio Mecânico (SBM), constituído essencialmente de três componentes: unidade de bombeio (UB), coluna de hastes (CH) e bomba de fundo (BF), tendo como principal ferramenta de diagnóstico a Carta Dinamométrica de Fundo (CDF), que apresenta um gráfico da carga, no ponto de conexão da CH com a BF, versus deslocamento do pistão da BF ao longo de um ciclo de bombeio. A utilização de CDF para diagnosticar SBM foi introduzida nos anos 30 por Walton E. Gilbert. O trabalho pioneiro de Gibbs e Neely nos anos 60 que traz a modelagem matemática do sistema possibilitou a reconstituição de uma CDF a partir de uma carta de superfície. O uso de um sistema automático de reconhecimento de padrões de CDF permite antecipar a identificação de problemas e a adoção de ações corretivas e preventivas, com impacto direto no aumento ou manutenção da produção de petróleo, na redução no consumo de energia e no aumento da disponibilidade dos equipamentos. Vários trabalhos têm sido apresentados sobre mecanismos de classificação automática de CDF, porém tendo resultados limitados a um número reduzido de classes de anomalias. Por outro lado, no final do século XX, Redes Neurais Artificiais (RNA) tem sido utilizadas com sucesso em vários campos do conhecimento, tais como modelamento de sistemas, previsão de séries temporais, classificação e reconhecimento de padrões. Esta última aplicação em especial compõe o mote deste trabalho, onde a identificação de um padrão de falha é realizada através de uma RNA treinada, alimentada pela saída de um extrator de características, que promove a redução dimensional dos dados de processo. Diferentemente de outras abordagens que utilizam um conjunto reduzido de classes para o treinamento da RNA, este trabalho mostra a viabilidade de se gerar padrões artificiais para treinamento de redes neurais com o intuito de se diagnosticar o desempenho de um SBM. Esta técnica deixa um caminho aberto para aplicações onde haja escassez de padrões, como nos casos de padrões de falhas, onde a obtenção de dados nas condições de anormalidade pode ser complexa ou possuir um alto custo.