Desenvolvimento de um sensor virtual para estimativa da viscosidade aparente de fluidos de perfuração à base de água

Abstract

A exploração de petróleo em campos marítimos localizados em águas profundas e ultraprofundas vem sendo um dos desafios na produção de petróleo. Para viabilizar a exploração, inúmeras pesquisas estão agregando tecnologia aos fluidos de perfuração de modo que atendam às necessidades exigidas em campo. Dessa forma, a compreensão e o monitoramento das propriedades do fluido são de vital importância para a exploração e produção de petróleo. O objetivo deste trabalho foi desenvolver um sensor virtual para estimar uma das propriedades reológicas de fluidos de perfuração à base de água, a viscosidade aparente. Este sensor foi baseado no modelo de redes neuronais artificiais com estrutura do tipo perceptron multi-camadas (Multi-Layer Perceptron – MLP). A etapa inicial do trabalho consistiu em averiguar a influência dos aditivos na viscosidade aparente do fluido de perfuração. Para isso, foi realizado um planejamento fatorial completo a três níveis e com três réplicas no ponto central, onde os aditivos empregados foram goma xantana, bentonita e barita. Uma vez que a temperatura do fluido de perfuração que retorna do poço para a superfície é diferente daquela injetada na coluna de perfuração, esta variável também foi considerada no planejamento a fim de avaliar sua influência na viscosidade do fluido de perfuração. A partir deste planejamento, foram formulados 84 fluidos de perfuração à base água, nos quais a viscosidade aparente foi determinada em um viscosímetro (Fann 35A) a 300 rpm e em diferentes temperaturas. A partir da análise estatística dos resultados, verificou-se que todas as variáveis consideradas influenciavam a viscosidade aparente e, através do teste de análise de variância (ANOVA), foi possível obter um modelo de regressão que leva em consideração os efeitos cruzados de cada componente sobre a variável de resposta. A rede neuronal utilizada neste trabalho é do tipo MLP, contendo funções de ativação hiperbólica nos neurônios da camada intermediária e linear no neurônio da camada de saída. Para o treinamento e validação da rede neuronal foram utilizados 750 e 267 dados experimentais, respectivamente, que foram obtidos variando-se a temperatura entre 20oC e 60oC em cada um dos 84 fluidos formulados na etapa de planejamento de experimentos. Foram realizadas diversas simulações durante a etapa de aprendizagem da rede neuronal variando-se o número de neurônios da camada intermediária com objetivo de obter a melhor a arquitetura. Verificou-se que a rede com 6 neurônios na camada escondida apresentou a melhor capacidade de generalização e, portanto, as melhores predições. A capacidade de predição da rede neuronal selecionada foi comparada com a do modelo de regressão estatístico através do erro quadrático médio e do teste de inspeção visual. Verificou-se que o desempenho do modelo neuronal foi superior, tendo apresentado erros de predição significativamente menores.