Wavelet transform processing in detecting failures in offshore well production

  1. Esposte Coutinho, Priscila 1
  2. Haringer Martins da Silveira, Larissa 1
  3. Cataldi, Marcio 1
  4. Rodrigues Leta, Fabiana 1
  5. Orestes de Salvo Castro, Antônio 2
  6. Benevenuto de Campos Lima, Cláudio 3
  7. Brito Alves Lima, Gilson 1
  1. 1 Universidade Federal Fluminense-UFF
  2. 2 Universidade do Estado do Rio de Janeiro-UERJ
  3. 3 Petróleo Brasileiro S.A.
Mostrar afiliaciones +
Revista:
Latin American Journal of Energy Research - LAJER

ISSN: 2358-2286

Año de publicación: 2022

Volumen: 9

Número: 1

Páginas: 1-11

Tipo: Artículo

DOI: 10.21712/LAJER.2022.V9.N1.P1-11 DIALNET GOOGLE SCHOLAR lock_openAcceso abierto editor

Otras publicaciones en: Latin American Journal of Energy Research - LAJER

Resumen

O Brasil apresenta expressiva produção de petróleo offshore, cuja exploração remonta desde o final da década de 1960 e conta atualmente com a extração em campos pré-sal. A tecnologia empregada pela Petrobras na atividade é considerada uma referência mundial e permitiu que em 2020 a produção offshore alcançasse 97% da produção total de petróleo no país. Durante a produção de petróleo, no entanto, podem ocorrer eventos indesejados e até mesmo falhas na operação, capazes de ocasionar grandes perdas à atividade. Neste sentido a detecção de falhas faz-se de extrema importância para prevenir perdas ou atrasos na produção, além de reduzir gastos e evitar acidentes. No presente estudo, utilizamos um banco de dados reais e públicos de produção de poços offshore, e propomos o emprego da técnica das Transformadas Wavelet para detecção de falhas na produção. Através da técnica, verificou-se quais intervalos de tempo entre as medições apresentavam variabilidade relevante, criando agrupamentos de dados de acordo com as médias móveis, diminuindo assim, o número de registros. A partir das Transformadas Wavelet, avaliou-se também quais variáveis poderiam ser utilizadas como preditoras para a ocorrência de falhas na produção, sendo identificadas a temperatura no sensor permanente de fundo (T-TPT) e a pressão à montante da válvula de produção (P-MON-CKP) como possíveis variáveis preditoras. Observou-se também a criação de uma série filtrada, promediada a partir da série de dados original, e que manteve a variabilidade da original, demonstrando a viabilidade do reagrupamento dos registros em séries menores.

Referencias bibliográficas

  • Aguiar-Conraria, L and Soares, MJ (2010) ‘Oil and the macroeconomy: using Wavelets to analyze old issues’, Empirical Economics, v. 4, n. 3, pp. 645-655. Springer Science and Business Media LLC. https://doi.org/10.1007/s00181-010-0371-x
  • Agência Nacional de Petróleo, Gás Natural e Biocombustíveis – ANP (2021), ‘Boletim Anual de Recursos e Reservas’. https://www.gov.br/anp/pt-br/centrais-de-conteudo/dados-estatisticos/arquivos-reservas-nacionais-de-petroleo-e-gas-natural/boletim_reservas_2020.pdf. (accessed 11 August 2021).
  • Asgarian, B, Aghaeidoost, V and Shokrgozar, HR (2016) ‘Damage detection of jacket type offshore platforms using rate of signal energy using Wavelet packet transform’, Marine Structures, v. 45, pp. 1–21. Elsevier BV. http://dx.doi.org/10.1016/j.marstruc.2015.10.003.
  • Blain, GC and Kayano, MT (2011) ‘118 years of monthly Standardized Precipitation Index data: meteorological series of Campinas, state of São Paulo’, Revista Brasileira de Meteorologia, 26 (1), pp. 137–148. https://doi.org/10.1590/S0102-77862011000100012
  • Bolzan, MJA (2006) ‘Wavelet transform: a necessity’, Revista Brasileira de Ensino de Física, v. 28, n. 4, pp. 563–567. https://doi.org/10.1590/S1806-11172006000400019
  • D’Almeida, AL (2015) Indústria do Petróleo no Brasil e no Mundo: Formação, Desenvolvimento e Ambiência Atual. São Paulo: Edgard Blucher.
  • Goswami, JC and Chan, AK (2011) Fundamentals of Wavelets: Theory, Algorithms, and Applications, 2nd edn. New Jersey: John Wiley & Sons, Inc. 219 p. ISBN 978-0-470-48413-5
  • Hammond, DK, Vandergheynst, P and Gribonval, R (2011) ‘Wavelets on graphs via spectral graph theory’, Applied and Computational Harmonic Analysis, v. 30, n. 2, pp. 129–150. Elsevier BV. http://dx.doi.org/10.1016/j.acha.2010.04.005
  • Korovin, IS and Khisamutdinov, MV (2014) ‘Hybrid Method of Dynamograms Wavelet Analysis for Oil-Production Equipment State Identification’, Advanced Materials Research, v. 909, pp. 252–259. Trans Tech Publications, Ltd. http://dx.doi.org/10.4028/www.scientific.net/amr.909.252
  • Layouni, M, Hamdi, MS and Tahar, S (2017) ‘Detection and sizing of metal-loss defects in oil and gas pipelines using pattern-adapted Wavelets and machine learning’, Applied Soft Computing, v.52, pp. 247–261. Elsevier BV. http://dx.doi.org/10.1016/j.asoc.2016.10.040.
  • Li, D, Bissyande, TF, Klein, J and Traon, YL (2016) ‘Time Series Classification with Discrete Wavelet Transformed Data’, International Journal of Software Engineering and Knowledge Engineering, v. 26, n.9, pp. 1361–1377. World Scientific Pub Co Pte Lt. http://dx.doi.org/10.1142/s0218194016400088
  • Martí, L, Sanchez-Pi, N, Molina, J and Garcia, ACB (2015) ‘Anomaly Detection Based on Sensor Data in Petroleum Industry Applications’, Sensors, v. 15, n. 2, pp. 2774–2797. MDPI AG. http://dx.doi.org/10.3390/s150202774
  • Marques, FSB, Rangel, LAD, Lima, GBA, Gavião, LO, Pinto, HLCP, Colombo, D and Lima, CBC (2019) ‘Modelagem de parâmetros operacionais para suporte à avaliação do processo de perfuração de poços offshore’, Sistemas & Gestão, v. 14, n. 1, pp. 77–85. http://dx.doi.org/10.20985/1980-5160.2019.v14n1.1481
  • Naccache, T (2011) ‘Oil price cycles and Wavelets’, Energy Economics, v. 33, n. 2, pp. 338–352. Elsevier BV. http://dx.doi.org/10.1016/j.eneco.2010.12.001
  • Ortiz Neto, JB and Costa, AJD (2007) ‘A Petrobrás e a exploração de petróleo offshore no Brasil: um approach evolucionário’, Revista Brasileira de Economia, v. 61, n. 1, pp. 95–109. https://doi.org/10.1590/S0034-71402007000100006
  • Ray, PK, Mohanty, SR and Kishor, N (2011) ‘Disturbance detection in grid-connected distributed generation system using Wavelet and S-transform’, Electric Power Systems Research, v. 81, n. 3, pp. 805–819. Elsevier BV. http://dx.doi.org/10.1016/j.epsr.2010.11.011
  • Reboredo, JC and Rivera-Castro, MA (2014) ‘Wavelet-based evidence of the impact of oil prices on stock returns’, International Review of Economics & Finance, v. 29, pp. 145–176. Elsevier BV. http://dx.doi.org/10.1016/j.iref.2013.05.014
  • Takei, J, Zainal, MZ, Ramli, R, Matzain, B, Myrland, F and Shariff, A (2010) ‘Flow Instability in Deepwater Flowlines and Risers – A Case Study of Subsea Oil Production from Chinguetti Field, Mauritania’, SPE Asia Pacific Oil and, Gas Conference and Exhibition, Brisbane, Queensland, Australia. http://dx.doi.org/10.2118/133188-ms
  • Torrence, C and Compo, GP (1998) ‘A Practical Guide to Wavelet Analysis’, Bulletin of The American Meteorological Society, v. 79, n. 1, pp. 61–78. American Meteorological Society. https://doi.org/10.1175/1520-0477(1998)079<0061:APGTWA>2.0.CO;2
  • Vargas, REV et al. (2019) ‘A realistic and public dataset with rare undesirable real events in oil wells’, Journal of Petroleum Science and Engineering, v. 181, n. 3, pp. 106223. Elsevier BV. http://dx.doi.org/10.1016/j.petrol.2019.106223
  • Vitorino, MI, Silva Dias, PL and Ferreira, NJ (2006) ‘Observational study of the seasonality of the submonthly and intraseasonal signal over the tropics’, Meteorology and Atmospheric Physics, v. 93, pp. 17–35. Springer Science and Business Media LLC. http://dx.doi.org/10.1007/s00703-005-0162-7
  • Zadkarami, M, Shahbazian, M and Salahshoor, K (2016) ‘Pipeline leakage detection and isolation: an integrated approach of statistical and Wavelet feature extraction with multi-layer perceptron neural network (MLPNN)’, Journal of Loss Prevention in the Process Industries, v. 43, pp. 479–487. Elsevier BV. http://dx.doi.org/10.1016/j.jlp.2016.06.018
Fuente de los datos: Dialnet