COMPARAÇÃO DE TÉCNICAS DE CLASSIFICAÇÃO NA PREDIÇÃO DA CONCENTRAÇÃO DE SÓLIDOS NO ESCOAMENTO DE FLUIDOS COM BASE EM DADOS DE VIBRAÇÃO.

Bruno Lopes de Aguiar; Marcus Felipe de Oliveira Quetez; Moacyr Nogueira Borges Filho; Luis Americo Calçada; Cláudia Miriam Scheid; Luiz Augusto da Cruz Meleiro

Título do Trabalho

Autores

Bruno Lopes de Aguiar
Marcus Felipe de Oliveira Quetez
Moacyr Nogueira Borges Filho
Luis Americo Calçada
Cláudia Miriam Scheid
Luiz Augusto da Cruz Meleiro

Modalidade

Resumo

Área temática

Engenharias - Engenharia Química

Data de Publicação

27/03/2026

País da Publicação

Brasil

Idioma da Publicação

pt-BR

Página do Trabalho

https://www.even3.com.br/anais/xii-reuniao-anual-iniciacao-cientifica-da-ufrrj-raic/1326348-comparacao-de-tecnicas-de-classificacao-na-predicao-da-concentracao-de-solidos-no-escoamento-de-fluidos-com-base

ISBN

978-65-272-2302-3

Palavras-Chave

Fluidos de perfuração, redes neurais, monitoramento, controle, anomalias.

Resumo

O processo de perfuração de poços de petróleo é complexo e sujeito a instabilidades, exigindo um monitoramento contínuo das propriedades do fluido por sensores de captação das variáveis [1]. Grossi et al. (2023 e 2024) mencionam que informações sobre fenômenos que ocorrem no fundo do poço, como instabilidade da parede e aprisionamento da broca, podem ser inferidas na superfície com base em análises da vazão e morfologia dos cascalhos gerados nesse processo. O transporte de sólidos em dutos fechados provoca alterações na frequência de vibração natural do escoamento de fluidos, podendo ser utilizado para monitorar a concentração de sólidos presentes na suspensão [3]. Tendo isso em vista, esse trabalho tem por objetivo principal a comparação de técnicas de classificação para a estimação de concentração de sólidos no escoamento de fluidos, ao passo que seja realizada de maneira padronizada, ou seja, de modo que haja a entrada dos mesmos dados, etapas de pré-processamento e métricas. Avaliou-se, por meio de métricas de desempenho (Acurácia, AUC e F1 Score), a qualidade da classificação dos modelos de machine learning (kNN e Random Forest) na predição da massa de sólidos com base nas características dos sinais de vibração, coletados durante o transporte hidráulico de minerais. Os sinais foram processados por algumas técnicas, dentre as quais, temos a (i) Densidade Espectral de Potência (PSD), a qual permite classificar as partículas por meio de índice de energia e variabilidade de faixas de frequência [3], obtendo assim, uma frequência dominante, além de picos espectrais e relação sinal-ruído; (ii) Short-Time Fourier Transform (STFT), a qual divide o sinal em janelas de tempo relativamente curtas e aplica a transformada de Fourier em cada uma delas, extraindo um espectrograma e a evolução temporal da energia espectral ali presente; e (iii) Continuous Wavelet Transform (CWT), utilizando de funções wavelet para adaptar, tanto janelas estreitas para altas frequências, quanto janelas largas para baixas frequências, de modo a simplificar e preservar a leitura de informações essenciais de maneira mais clara, sem a perda de dados cruciais. O kNN buscou os k vizinhos mais próximos, atribuindo um novo dado a classe comum entre eles, de modo simples e não paramétrico. Já o Random Forest realizou as previsões combinando os resultados de múltiplas árvores de decisão, lidando com dados complexos, ruidosos e aumentando a robustez na estimação da vazão. Os modelos avaliados demonstraram capacidade consistente em capturar a relação entre os sinais de vibração e os níveis de sólidos, entregando predições confiáveis com alta acurácia global (96% para Random Forest e 94% para kNN). [1] C. D. Grossi et al., “Monitoring of the Drilling Region in Oil Wells Using a Convolutional Neural Network”, em Computer Aided Chemical Engineering, vol. 52, 2023. doi: 10.1016/B978-0-443-15274-0.50215-8. [2] C. D. Grossi, Y. N. Hummel, E. A. Moura, C. M. Scheid, L. A. Calçada, e L. A. C. Meleiro, “Development of computational vision methodologies for monitoring cuttings in the drilling fluid treatment system”, Brazilian Journal of Chemical Engineering, vol. 41, no 4, 2024, doi: 10.1007/s43153-023-00389-w. [3] Krauze, O., & Pawełczyk, M. (2016). Evaluation of copper ore granularity and flow rate using vibration measurements. In IEEE MMAR 2016, pp. 1267-1272.

Título do Evento: XII Reunião Anual de Iniciação Científica da UFRRJ (RAIC 2025) & VI Reunião Anual de Iniciação em Desenvolvimento Tecnológico e Inovação (RAIDTec 2025)
Cidade do Evento: Seropédica
Título dos Anais do Evento: Anais da Reunião Anual de Iniciação Científica e Reunião Anual de Iniciação em Desenvolvimento Tecnológico e Inovação da UFRRJ - Justiça climática: por um mundo mais sustentável, justo e igualitário
Nome da Editora: Even3
Meio de Divulgação: Meio Digital

Como citar

AGUIAR, Bruno Lopes de et al.. COMPARAÇÃO DE TÉCNICAS DE CLASSIFICAÇÃO NA PREDIÇÃO DA CONCENTRAÇÃO DE SÓLIDOS NO ESCOAMENTO DE FLUIDOS COM BASE EM DADOS DE VIBRAÇÃO... In: Anais da Reunião Anual de Iniciação Científica e Reunião Anual de Iniciação em Desenvolvimento Tecnológico e Inovação da UFRRJ - Justiça climática: por um mundo mais sustentável, justo e igualitário. Anais...Seropédica(RJ) UFRRJ, 2025. Disponível em: https//www.even3.com.br/anais/xii-reuniao-anual-iniciacao-cientifica-da-ufrrj-raic/1326348-COMPARACAO-DE-TECNICAS-DE-CLASSIFICACAO-NA-PREDICAO-DA-CONCENTRACAO-DE-SOLIDOS-NO-ESCOAMENTO-DE-FLUIDOS-COM-BASE. Acesso em: 30/05/2026