Please use this identifier to cite or link to this item: https://repositorio.ufrn.br/handle/123456789/12981
Full metadata record
DC FieldValueLanguage
dc.contributor.advisorDória Neto, Adrião Duartept_BR
dc.contributor.authorSilva, Francisca de Fátima do Nascimentopt_BR
dc.date.accessioned2014-12-17T14:08:53Z-
dc.date.available2013-07-24pt_BR
dc.date.available2014-12-17T14:08:53Z-
dc.date.issued2013-02-05pt_BR
dc.identifier.citationSILVA, Francisca de Fátima do Nascimento. Um Modelo híbrido para previsão de curvas de produção de petróleo. 2013. 91 f. Dissertação (Mestrado em Pesquisa e Desenvolvimento em Ciência e Engenharia de Petróleo) - Universidade Federal do Rio Grande do Norte, Natal, 2013.por
dc.identifier.urihttps://repositorio.ufrn.br/jspui/handle/123456789/12981-
dc.description.sponsorshipCoordenação de Aperfeiçoamento de Pessoal de Nível Superiorpt_BR
dc.formatapplication/pdfpor
dc.languageporpor
dc.publisherUniversidade Federal do Rio Grande do Nortepor
dc.rightsAcesso Abertopor
dc.subjectModelos estatísticos de Box & Jenkins. Redes neurais artificiais. Curva vazão de petróleopor
dc.subjectStatistical models of Box-Jenkins. Artificial neural networks (ANN). Oil flow curveeng
dc.titleUm Modelo híbrido para previsão de curvas de produção de petróleopor
dc.typemasterThesispor
dc.publisher.countryBRpor
dc.publisher.initialsUFRNpor
dc.publisher.programPrograma de Pós-Graduação em Ciência e Engenharia do Petróleopor
dc.contributor.authorIDpor
dc.contributor.authorLatteshttp://lattes.cnpq.br/2868248466649658por
dc.contributor.advisorIDpor
dc.contributor.advisorLatteshttp://lattes.cnpq.br/1987295209521433por
dc.contributor.referees1Mata, Wilson dapt_BR
dc.contributor.referees1IDpor
dc.contributor.referees1Latteshttp://buscatextual.cnpq.br/buscatextual/visualizacv.do?id=K4781404Z6por
dc.contributor.referees2Lúcio, Paulo Sergiopt_BR
dc.contributor.referees2IDpor
dc.contributor.referees2Latteshttp://lattes.cnpq.br/5291232352923880por
dc.contributor.referees3Varella, Fabiana Karla de O. Martinspt_BR
dc.contributor.referees3IDpor
dc.contributor.referees3Latteshttp://lattes.cnpq.br/2711699996455302por
dc.description.resumoAtualmente, é de grande interesse o estudo de métodos de previsão de Séries Temporais, ou seja, conseguir identificar e predizer algumas características do processo num ponto futuro. Na engenharia de petróleo uma das atividades essenciais é a estimativa de produção de óleo existente nas reservas petrolíferas de reservatórios maduros. O cálculo dessas reservas é crucial para a determinação da viabilidade econômica de sua explotação. Para tanto, a indústria do petróleo faz uso de técnicas convencionais de modelagem de reservatórios como simulação numérica matemática para previsão da produção de petróleo. Diante deste fato, o objetivo fundamental deste trabalho é propor uma metodologia de Análise de Séries Temporais baseada nos tradicionais modelos estatísticos de Box & Jenkins, que em conjunto com a técnica inteligente de Redes Neurais Artificiais (RNA s), possibilite a construção de um modelo híbrido de predição de dados de produção de petróleo, tomando por base a capacidade que a rede tem em aprender com a experiência e partir para generalização baseada no seu conhecimento prévio. Para tanto, a Rede Neural será treinada com a finalidade de estimar e corrigir os erros associados ao modelo estatístico de Série Temporal, de forma a aproximar a série estimada à série de dados original. Os dados da Série Temporal em estudo referem-se à curva de vazão de petróleo de um reservatório localizado em um campo da região nordeste do Brasil. A série em estudo foi obtida no período 31de julho do ano 1998 ate 31 de dezembro de 2007, com os dados (vazão) sendo obtidos com intervalos mensais, totalizando 127 meses de informações. O algoritmo de predição proposto pela Rede Neural receberá como entrada os erros gerados pelo modelo estatístico de série e fornecerá como saída uma estimativa do erro no tempo n+h onde h representa o horizonte de predição. Os erros estimados pela Rede Neural serão adicionados ao Modelo de Série Temporal com a finalidade de corrigi-lo. Por fim, será feito um estudo comparativo da performance preditiva do modelo de Box & Jenkins clássico e o modelo de Box & Jenkins corrigido pela Rede Neural. A arquitetura recorrente em estudo neste trabalho deverá ser capaz de prover estimativas confiáveis, tanto para um horizonte de predição de passos simples quanto para um horizonte de múltiplos passos. O software utilizado para realização do ajuste do modelo estatístico de Série Temporal foi o R Project for Statistical Computing - versão 2.14.1. Para fazer as implementações necessárias da Rede Neural, a ferramenta computacional utilizada foi o software Matlab Versão 7.0.2 (R2011a)por
dc.publisher.departmentPesquisa e Desenvolvimento em Ciência e Engenharia de Petróleopor
dc.subject.cnpqCNPQ::ENGENHARIAS::ENGENHARIA QUIMICA::TECNOLOGIA QUIMICA::PETROLEO E PETROQUIMICApor
Appears in Collections:PPGCEP - Mestrado em Ciência e Engenharia do Petróleo

Files in This Item:
File Description SizeFormat 
ModeloHíbridoPrevisao_Silva_2013.pdf1,39 MBAdobe PDFThumbnail
View/Open


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.