A multi-objective MGGP grey-box identification approach to design soft sensors
A extração offshore de petróleo é um processo complexo sendo necessários diversos instrumen- tos para controlar a produção nos poços. Dentre vários, o sensor Permanent Downhole Gauge (PDG), localizado dentro da coluna de produção, é utilizado para aferir a pressão e temperatura do poço de petróleo....
| Autor: | |
|---|---|
| Tipo de recurso: | tesis de maestría |
| Estado: | Versión publicada |
| Fecha de publicación: | 2022 |
| País: | Brasil |
| Institución: | Universidade Federal de Lavras (UFLA) |
| Repositorio: | Repositório Institucional da UFLA |
| Idioma: | portugués |
| OAI Identifier: | oai:repositorio.ufla.br:1/49913 |
| Acceso en línea: | https://repositorio.ufla.br/handle/1/49913 |
| Access Level: | acceso abierto |
| Palabra clave: | Sistemas de Computação Soft sensor Petróleo Modelos NARMAX/NARX Identificação de sistemas Multi-Gene Genetic Programming (MGGP) Oil NARMAX/NARX models Non-linear auto regressive moving average model with exogenous input (NARMAX) |
| Sumario: | A extração offshore de petróleo é um processo complexo sendo necessários diversos instrumen- tos para controlar a produção nos poços. Dentre vários, o sensor Permanent Downhole Gauge (PDG), localizado dentro da coluna de produção, é utilizado para aferir a pressão e temperatura do poço de petróleo. Este sensor é submetido à condições extremas de operação, resultando em uma vida útil curta. A troca ou manutenção deste sensor é raramente feita pois o mesmo é de difícil acesso e exige que a produção seja paralisada. Assim, objetivando superar o problema de produção sem os dados do sensor PDG, o uso de Soft Sensors (SSs) surge como uma alter- nativa. Os SS são modelos matemáticos capazes de estimar uma variável de algum processo por meio de outras variáveis como entrada. Neste projeto é proposto o uso da metodologia de identificação de sistemas (i.e., i. Testes dinâmicos, coleta de dados; ii. Escolha da representação matemática do modelo; iii. Seleção de estruturas para o modelo; iv. Estimação de parâmetros; e v. Validação do modelo.) com o fito de modelar um SS a fim de estimar a saída de um sensor PDG, mas não se limitando a esta aplicação, a qual é utilizada como motivação. Na etapa ii. da metodologia, a representação polinomial Nonlinear Autoregressive with Exogenous Inputs (NARX) foi escolhida. Para a etapa iii. é proposta uma abordagem multi-objetiva, por meio do algoritmo evolucionário Multi-Gene Genetic Programming (MGGP), para realizar a tarefa de seleção de estruturas dos modelos NARX. Três objetivos são minimizados, sendo eles: i. erro de predição um passo à frente (regime dinâmico), ii. erro em regime estático (é utilizada uma abordagem que reduz o custo computacional), e iii. o número de regressores do modelo. Na etapa iv. é proposta a estimação de parâmetros por meio dos mínimos quadrados ponderados, que utiliza informação do regime dinâmico e estático (informação auxiliar). Por fim, os mode- los encontrados nos conjuntos Pareto-ótimos são validados (etapa v.) em simulação livre (em ambos os regimes) e um critério de decisão para selecionar o modelo mais adequado é aplicado. A fim de validar a metodologia proposta, três experimentos são feitos. O primeiro utiliza um banco de dados de um sistema estocástico, em que diversas comparações de abordagens são feitas (e.g., número de objetivos na função custo). Como resultado, é visto que a metodologia consegue encontrar os regressores e estimar os parâmetros do modelo corretamente, com um custo computacional menor que outras abordagens. Já o segundo experimento aplica a metodo- logia em um sistema de bombeamento hidráulico. O modelo encontrado se mostra competitivo em regime estático e dinâmico, além de ser parcimonioso. Enfim, a mesma metodologia é apli- cada ao banco de dados do processo petroquímico, que possui como saída a pressão do PDG. O algoritmo proposto consegue selecionar um modelo, que possui um comportamento satisfatório em regime dinâmico quando comparado com outros trabalhos, com doze regressores e doze parâmetros. Isso demonstra que o MGGP multi-objetivo, utilizando informações auxiliares, é uma boa ferramenta para seleção de estruturas e estimação de parâmetros para modelos NARX. |
|---|