Para citar este trabalho use um dos padrões abaixo:
Na perfuração de poços de petróleo, o fluido de perfuração exerce diversas funções para que a operação seja bem-sucedida. O monitoramento constante das propriedades do fluido de perfuração é imprescindível. Com o passar dos anos, a busca pela automação desse processo passou a ser necessária para o aprimoramento do desempenho da indústria de óleo e gás. Neste trabalho, foram utilizadas as técnicas de aprendizado de máquina Local Outlier Factor (LOF) e k-Nearest Neighbours (kNN), para monitorar as propriedades dos fluidos de perfuração em uma unidade experimental de teste denominada Unidade Piloto de Preparo Automatizado de Fluidos (UNIPAF) do Laboratório de Escoamento de Fluidos (LEF/UFRRJ). Verificou-se que, utilizando o LOF para a detecção de dados anormais de processo e o kNN para a classificação do tipo de fluido sendo circulado. Possuindo como referência uma carta de treino padrão da indústria de óleo e gás, o monitoramento das propriedades como densidade, condutividade e viscosidade aparente pode ser realizado de forma satisfatória. O código desenvolvido se apresenta capaz de detectar falhas em fluidos de perfuração com base em janelas operacionais.
Com ~200 mil publicações revisadas por pesquisadores do mundo todo, o Galoá impulsiona cientistas na descoberta de pesquisas de ponta por meio de nossa plataforma indexada.
Confira nossos produtos e como podemos ajudá-lo a dar mais alcance para sua pesquisa:
Esse proceedings é identificado por um DOI , para usar em citações ou referências bibliográficas. Atenção: este não é um DOI para o jornal e, como tal, não pode ser usado em Lattes para identificar um trabalho específico.
Verifique o link "Como citar" na página do trabalho, para ver como citar corretamente o artigo