Processamento de Sinais Aplicado em Predição, Detecção e Diagnóstico de Falhas Durante a Perfuração de Poços

Este trabalho aborda o problema de extração de eventos de relatórios diários de perfuração (DDRs) escritos por humanos em uma forma automatizada, com posterior processamento utilizando algoritmos de aprendizado de máquinas para a detecção e classificação das falhas.

Para a extração de eventos, duas abordagens distintas, baseadas em um sistema especialista e técnicas de inteligência artificial são empregados: processamento de linguagem baseado em regras (RBLP) e redes neurais profundas (DNN).

A novidade da presente abordagem é lidar com a classificação multi-rótulo de DDRs usando RBLP e transformadores, que fornecem uma arquitetura DNN poderosa. Os eventos de interesse são perfuração falhas como ‘bump’, ‘drag’, ‘kick’, ‘perda de circulação’ e ‘tubo preso’.

[1] L. P. Cinelli, J. F. L. de Oliveira, V. M. de Pinho, W. L. Passos, R. Padilla, P. F. Braz, B. Galves, D. P. Dalvi, G. Lewenfus, J. O. Ferreira, A. Y. Y. Ji, F. L. de Oliveira, C. J. C. Gonçalves, S. L. Netto, E. A. B. da Silva, and M. L. R. de Campos, “Automatic event identification and extraction from daily drilling reports using an expert system and artificial intelligence,” Journal of Petroleum Science and Engineering, vol. 205, pp. 1-9, May 2021. DOI: 10.1016/j.petrol.2021.108939, ISSN: 0920-4105.

Tabela: Resultados obtidos com rede neural profunda (DNN) na extração automática de eventos a partir de relatórios diários de perfuração (daily drilling reports).