Desenvolvimento de um Sistema de Visão Computacional para Monitoramento em Tempo Real de Cascalhos de Perfuração em Peneiras Vibratórias

Abstract

Este trabalho apresenta o desenvolvimento e a validação de um sistema de visão computacional fundamentado em técnicas de Aprendizado Profundo (Deep Learning) para o monitoramento automatizado e em tempo real de cascalhos de perfuração em peneiras vibratórias, visando mitigar a subjetividade de análises humanas e a intermitência das inspeções visuais tradicionais na indústria de petróleo e gás. A metodologia integrou etapas experimentais e computacionais, utilizando peneiras vibratórias em escalas piloto e industrial operadas com suspensão sintética de cascalhos sob diferentes condições de rotação e vazão para a construção de um banco de dados de vídeos robusto, rotulado com auxílio da ferramenta Roboflow e do modelo SAM 2. Foram implementadas duas arquiteturas de redes neurais distintas: a U-Net, desenvolvida em Matlab e focada em segmentação semântica, e a YOLOv8, desenvolvida em Python e voltada para a detecção de objetos. Os resultados demonstraram a eficácia dos modelos treinados, com a U-Net alcançando acurácia de validação de aproximadamente 95% e Intersection over Union (IoU) de 85%, enquanto a YOLOv8 obteve um mAP@50 de 0,877 e uma precisão de aproximadamente 86%. O sistema desenvolvido permitiu a estimativa automática, contínua e não invasiva de parâmetros operacionais críticos, especificamente a porcentagem de área da tela preenchida por cascalhos e a velocidade média de escoamento da suspensão, apresentando concordância consistente com os dados experimentais de referência e capturando adequadamente as tendências físicas do processo, como o aumento da velocidade proporcional à vazão. Adicionalmente, foram implementadas interfaces gráficas para visualização em tempo real e extração preliminar de descritores morfológicos, consolidando a ferramenta como uma solução promissora para suporte à tomada de decisão operacional e otimização do controle de sólidos