dc.creator |
ROMÃO, Estevão Luiz |
|
dc.date.issued |
2022-06-10 |
|
dc.identifier.uri |
https://repositorio.unifei.edu.br/jspui/handle/123456789/3318 |
|
dc.description.abstract |
The appearance of oil sheens in the ocean is a challenge for companies that perform
primary oil processing on offshore platforms. After the separation of the gas, oil and water
that are present in crude oil, part of the water is returned to the oceans with a certain
content of oils and greases. The value of the total oil and greases (TOG) associated with
the values of metoceanographic variables such as: wind direction (WD), wind speed
(WS), current direction (CD), current speed (CS), wind wave direction (WWD) and peak
period (PP) create scenarios that favor or hinder the appearance of oil sheens. In Brazil,
these oil sheens can lead to sanctions for companies if they exceed 500 meters in length.
In view of this, the present work conducts a study about how such variables influence the
probability of occurrence and detection of oil sheens via satellite, as well as their extent,
applying machine learning techniques (random forest, k-nearest neighbors, artificial
neural networks, logistic regression, and support vector machines), factor analysis, design
of experiments (DOE) and the optimization algorithm desirability. The main conclusions
of the study were: (i) random forest outperformed the other analyzed classifiers and a
model whose area under the Receiver Operating Characteristic Curve (ROC curve) was
0.93 was achieved; (ii) the methodology used, combining the classifiers with the
aforementioned techniques proved to be satisfactory; (iii) the higher the values of WS,
WD and CS, the lower the probability of occurrence and detection of oil sheens, whereas
the higher the values of TOG, PP, WWD and CD the higher the value of this probability;
(iv) variables such as CS and TOG contribute positively to increasing the extension of the
oil sheens, while high values of WD, WS and PP reduce the extension of the features. |
pt_BR |
dc.language |
por |
pt_BR |
dc.publisher |
Universidade Federal de Itajubá |
pt_BR |
dc.rights |
Acesso Aberto |
pt_BR |
dc.subject |
Processamento primário de petróleo |
pt_BR |
dc.subject |
Variáveis meteo-oceanográficas |
pt_BR |
dc.subject |
Teor de óleos e graxas |
pt_BR |
dc.subject |
Técnicas de aprendizado de máquina |
pt_BR |
dc.subject |
Planejamento de experimentos |
pt_BR |
dc.title |
Impacto das variáveis meteo-oceanográficas e do teor de óleos e graxas na formação de feições oleosas durante o processamento primário de petróleo |
pt_BR |
dc.type |
Tese |
pt_BR |
dc.date.available |
2022-06-27 |
|
dc.date.available |
2022-06-27T11:59:04Z |
|
dc.date.accessioned |
2022-06-27T11:59:04Z |
|
dc.creator.Lattes |
http://lattes.cnpq.br/0796263553246848 |
pt_BR |
dc.contributor.advisor1 |
BALESTRASSI, Pedro Paulo |
|
dc.contributor.advisor1Lattes |
http://lattes.cnpq.br/8999535447828760 |
pt_BR |
dc.contributor.advisor-co1 |
ORLANDO JUNIOR, Aloisio Euclides |
|
dc.contributor.advisor-co1Lattes |
http://lattes.cnpq.br/3892518028550727 |
pt_BR |
dc.description.resumo |
O surgimento de feições oleosas no oceano é um desafio para as empresas que realizam
o processamento primário de óleo em plataformas offshore. Após a separação do gás, óleo
e água presentes no petróleo bruto, parte da água é devolvida aos oceanos com um certo
teor de óleos e graxas (TOG). O valor do TOG e de variáveis meteo-oceanográficas, tais
como: direção do vento (DV), intensidade do vento (IV), direção da corrente (DC),
intensidade da corrente (IC), direção da onda (DO) e o período de pico primário (PP),
criam cenários que podem favorecer ou dificultar o aparecimento de feições oleosas. No
Brasil, essas feições podem levar a sanções para as empresas caso ultrapassem 500 metros
de extensão. Diante disso, o presente trabalho realiza um estudo sobre como tais variáveis
influenciam a probabilidade de ocorrência e detecção de feições oleosas via satélite, bem
como a sua extensão. Utilizaram-se técnicas de machine learning (random forest, k nearest neighbors, redes neurais artificiais, regressão logística e support vector
machines), análise fatorial, design of experiments (DOE) e o algoritmo de otimização
desirability. As principais conclusões do estudo foram: (i) o random forest superou os
demais classificadores analisados e um modelo com área sob a curva de Característica de
Operação do Receptor (curva ROC) de 0,93 foi obtido; (ii) a metodologia utilizada,
combinando os classificadores com as técnicas anteriormente mencionadas mostrou-se
satisfatória; (iii) quanto maior os valores de IV, DV e IC, menor a probabilidade de
ocorrência e detecção de manchas de óleo, sendo que quanto maiores os valores de TOG,
PP, DO e DC maior esta probabilidade; (iv) variáveis como IC e TOG contribuem
positivamente para aumentar a extensão das manchas de óleo, enquanto altos valores de
DV, IV e PP reduzem a extensão das feições. |
pt_BR |
dc.publisher.country |
Brasil |
pt_BR |
dc.publisher.department |
IEPG - Instituto de Engenharia de Produção e Gestão |
pt_BR |
dc.publisher.program |
Programa de Pós-Graduação: Doutorado - Engenharia de Produção |
pt_BR |
dc.publisher.initials |
UNIFEI |
pt_BR |
dc.subject.cnpq |
CNPQ::ENGENHARIAS::ENGENHARIA DE PRODUÇÃO |
pt_BR |
dc.relation.references |
ROMÃO, Estevão Luiz. Impacto das variáveis meteo-oceanográficas e do teor de óleos e graxas na formação de feições oleosas durante o processamento primário de petróleo. 2022. 125 f. Tese (Doutorado em Engenharia de Produção) – Universidade Federal de Itajubá, Itajubá, 2022. |
pt_BR |