TÉCNICAS DE ANÁLISE E MONITORAMENTO

ESTATÍSTICO APLICADOS AOS DADOS 3W

Felipe da Costa Silva*

*
Programa de Engenharia Química/COPPE, Universidade Federal do Rio de Janeiro, Cidade
Universitária, Rio de Janeiro, Brasil

Resumo: O constante aprimoramento dos sistemas tecnológicos contribui intensamente para na

qualidade e no aumento do número de dispositivos de medição na indústria de processos. Diante
da decorrente disponibilidade de grandes volumes de dados, inicia-se uma mudança de
paradigma em que a aplicação de técnicas livres de modelos (Model-Free) aparenta ser mais
adequada para identificar padrões de mudanças de processo e o seu monitoramento. O setor de
óleo e gás apresenta grande desafios quanto ao monitoramento de eventos indesejados que
podem provocar perdas de produção, danos ao meio ambiente e perdas humanas. Por conta
disso, o presente trabalho tem como objetivo a aplicação de técnicas de análise e monitoramento
estatístico ao conjunto de dados de poços de petróleo denominado 3W. Para isso, foi proposto
o uso da técnica PCA e do espectro de variância para avaliar o comportamento dinâmico do
processo e atribuir métricas para detecção de falhas com base em dados reais de oito variáveis.
A técnica PCA mostrou-se limitada para interpretar o conjunto de dados devido ao inerente
comportamento dinâmico dos poços de petróleo. Por sua vez, as técnicas baseadas nas
características estatísticas foram capazes de explicar a dinâmica dos poços e atribuir uma
métrica de correlação entre duas variáveis que possibilitou a identificação do evento indesejado
de fechamento espúrio da válvula de fundo de poço (DHSV), contribuindo para a sua detecção
prévia.

Keywords: statiscal analysis; data-driven; model-free; variance; PCA; variance spectra; fault.

1 INTRODUÇÃO Os controladores tradicionais (PID,

A busca por melhorias nos setores de
produção das indústrias químicas e outras
indústrias relacionadas têm ganhado grande
destaque nas últimas décadas. Incessantes
esforços têm sido destinados a garantia da
qualidade dos produtos fabricados, a
segurança operacional, a eficiência de
geração de recursos e a redução do seu
impacto ambiental. [1]
Guiados por essa demanda, processos
químicos modernos tem se destacado por
seu investimento nos setores de controle e
automação de processos. Tal investimento
visa promover o controle de um elevado
número de variáveis de processo, as quais
podem estar suscetíveis a efeitos de
distúrbios que podem acarretar na mudança
indesejada da especificação do produto.[1,2]
MPC etc.) apresentam ação de controle
baseada na fenomenologia do processo. Por
conta disso, estudos de modelagem
fenomenológica têm sido desenvolvidos
para melhorar a caracterização dos efeitos
decorrentes de mudanças nas variáveis do
processo, permitindo uma ação de controle
assertiva. [2]
Paralelamente a essa vertente, os
sistemas de instrumentação em plantas
químicas e a acurácia dos dispositivos de
medição (sensores) tem aumentado nas
últimas décadas, permitindo a coleta e
estocagem de um grande volume de dados
de variáveis de processo. Tais informações
podem ser usadas em estratégias de controle
de processo ou podem ser empregadas para
a detecção de falhas (desvios indesejáveis
 COQ866 – Estimação de Parâmetros e Planejamento Experimental
de pelo menos um comportamento
característico ou variável de processo).[2,3]
A base fenomenológica dos
controladores clássicos não permite sua
atuação satisfatória em regiões de falhas (ou
de eventos indesejáveis). Para contornar
essa lacuna, o uso de procedimentos de
controle estatístico de processos (SPC) se
torna adequado, tendo por base a aplicação
de métodos de monitoramento para
detecção, diagnóstico e eventual remoção
de tais falhas ou de qualquer outro evento
anormal que comprometa o comportamento
do processo.[2,4]
SPC é uma ferramenta de
monitoramento do processo que está
associado com a melhoria do processo
através do reconhecimento de informações
de comportamentos anômalos, permitindo a
implementação de ações que conduzem a
redução da variabilidade, o aumento da
confiabilidade e da qualidade do produto. [2-
4]
O acúmulo de banco de dados de
variáveis de processos nas indústrias, as
dificuldades de custo e de tempo para
desenvolvimento de modelos cada vez mais
específicos para plantas industriais e a
crescente demanda por processos com
melhores desempenhos são os principais
fatores que justificam a tendência de
desenvolvimento e implementação de
técnicas de monitoramento estatístico de
processos direcionadas a dados (Data
Driven).[2,5,6]
Técnicas baseadas em modelos se
tornam pouco relevantes em um cenário em
que dados são gerados em grande volume e
variedade. É possível inferir que modelos
de processos são visualizados como uma
aproximação do comportamento do sistema
com alguns erros[11]. Nesse sentido, o
estudo de métodos direcionados aos dados
sem a utilização de modelos (Model-Free)
se torna mais interessante, ou até mais
adequado, para ser aplicado no
monitoramento de processos.
Vargas et al. (2019) divulgou um banco
de dados realistas originados de três
diferentes fontes de poços de petróleo,
2
nomeado como 3W, que contêm eventos
indesejáveis em poços de petróleo
pertencentes à Petrobrás. Tais dados podem
ter o potencial para serem utilizados como
benchmarks para o desenvolvimento de
técnicas para diversas tarefas associadas
com eventos indesejáveis em poços de
petróleo. O grupo de pesquisadores
composto por Vargas utilizou esse conjunto
de dados para a implementação de técnicas
de classificação supervisionadas
direcionadas a modelos preditivos. [7]
No presente trabalho, o banco de dados
3W será explorado através da sua
caracterização estatística e do emprego de
técnicas estatísticas que permitam verificar
a integridade dos dados e a sua correlação,
assim como a definição de métricas para
detecção de anomalias características.
2 REVISÃO BIBLIOGRÁFICA
Um conjunto de técnicas de análise de
dados multivariadas foram desenvolvidas e
aprimoradas desde o início do século
passado (por exemplo, por Pearson[8] em
1901). As técnicas mais conhecidas e
comumente empregadas são: Análise de
Componentes Principais (PCA), Análise
Discriminante Linear ou Análise de Fisher,
Análise de Componentes Independentes,
Análise de Correlação Canônica, Redução
por Regressão de Posto, Mínimos
Quadrados Parciais (PLS) e Redundância
Máxima.[3]
As técnicas citadas anteriormente se
baseiam na redução de dados através do
estabelecimento de variáveis latentes. Estas
por sua vez são capazes de extrair as
principais características do conjunto de
dados, permitindo também verificar a
correlação entre as variáveis de processo.
Dentre as técnicas em questão, a análise
PCA é a técnica de monitoramento
multivariado mais antiga. Maiores
detalhamentos serão fornecidos a
[3,5,9]
seguir.
 COQ866 – Estimação de Parâmetros e Planejamento Experimental
2.1 Análise dos componentes principais
A aplicação da análise dos componentes
principais ou PCA resulta na criação de N
novas variáveis não correlacionadas pela
combinação linear de N variáveis originais,
mantendo a variabilidade total do sistema.
Essas variáveis podem ser descritas como
combinações lineares das variáveis
originais, oriundas de um rotacionamento
do espaço, resultando num espaço com
vetores ti, chamados de vetores
característicos, ortogonais entre si (Figura
1). Seu emprego possibilita a redução da
dimensionalidade do sistema pela utilização
dos seus componentes principais, os quais
são organizados pela quantidade de
informações extraídas do sistema.[2,3,5,10]
Figura 1 – Gráfico demonstrando a rotação dos
eixos do PCA. Fonte: Jiang et al. (2013)
Dado um conjunto de dados (𝑋 ∗ ) a ser
analisado, é comum realizar uma
normalização quando há diferenças de
grandezas entre as observações das
variáveis, a qual pode ser calculada por:
∗
𝑥𝑘𝑖 − 𝜇𝑖
𝑥𝑘𝑖 = (1)
𝜎𝑖
, onde 𝑥𝑘𝑖 são os elementos da matriz 𝑋𝑘 𝑥 𝑁
(k observações e N variáveis) normalizados
com média (µ) zero e variância (𝜎 2 )
unitária.
A matriz de covariância (𝑆𝑋𝑋 ) pode ser
determinada por (𝐾 − 1)−1 𝑋 𝑇 𝑋 . Aplicando
a técnica de decomposição matricial a essa
matriz, é possível determinar a matriz de
3
valores característicos L e de vetores
característicos P, de acordo com a seguinte
equação[5,10,13,18]:
𝑆𝑋𝑋 = (𝐾 − 1)−1 𝑋 𝑇 𝑋 = 𝑃𝐿𝑃𝑇 (2)
Como resultado, a nova matriz de dados
(T) será composta por N componentes
principais, em que o componente t 1
expressa a maior variabilidade do sistema, o
componente t2 expressa a segunda maior
variabilidade e assim por diante. Tais
componentes são ortogonais entre si e são
definidos por[5,13]:
𝑡𝑖 = 𝑋𝑝𝑖 (3)
, onde 𝑝𝑖 são os vetores característicos da
matriz de covariância de X, também
chamados de loadings, e 𝑡𝑖 são os
componentes principais, o qual possui
variância equivalente ao valor característico
(li) correspondente e que possui
componentes comumente chamados de
scores.
Logo, para um processo com variáveis
correlacionadas, os primeiros componentes
principais serão responsáveis por descrever
a maior parte da informação do sistema, ou
seja, os sinais intrínsecos. Os demais
componentes serão parte do espaço residual
(E), caracterizando os ruídos do processo. A
seguinte relação pode ser estabelecida entre
a matriz de variáveis originais e os espaços
principal e residual[5]:
𝑋 = 𝑇𝑃𝑇 + 𝐸 (4)
Como resultado da aplicação da técnica,
as correlações entre as variáveis podem ser
utilizadas como métricas na detecção de
falhas, cuja ocorrência geralmente está
associada a uma quebra de correlação entre
as variáveis de processo.
No presente trabalho, a determinação do
número de componentes principais
integrantes do espaço principal será dado
pela regra de percentagem de variância
acumulada (cumulative percentage
variance). Esse teste é determinado pela
soma da variância dos componentes
 COQ866 – Estimação de Parâmetros e Planejamento Experimental
principais, correspondente aos valores
característicos, com relação a variabilidade
máxima do sistema, que conduz a um valor
superior ao limite de variância acumulada
do sistema (CPV).[3]
∑𝑛𝑖= 1 𝜆𝑖
𝐶𝑃𝑉 = 100% (5)
∑𝑁𝑖=1 𝜆𝑖
Em análises multivariadas, é rotineiro o
uso de estatísticas junto a técnica PCA para
critérios de controle e monitoramento. A
estatística de erro de predição quadrático -
SPE (Squared Prediction Error) está
relacionada com a variabilidade da matriz
de erro residual E (Equação 6). A hipótese
de distribuição gaussiana imposta as
variáveis pelo emprego da técnica PCA
resulta na distribuição qui-quadrado para o
índice SPE, dependendo de um único
parâmetro relacionado ao conjunto
amostral. A adição dessa estatística permite
impor um limite de confiança para a
variância do sistema, cujo rompimento pode
estar associado a uma quebra de correlações
existentes entre as variáveis.[18,19]
𝐸 = 𝑋 − 𝑇𝑃𝑇 (6)
𝑆𝑃𝐸 ~ 𝐶ℎ𝑖 (𝜒 2 ; 𝜐) (7)
2.2 Espectros de variância e
covariância
Em um estágio tecnológico em que
grandes quantidade de dados são gerados e
armazenados a uma elevada velocidade,
começa a ocorrer, ainda de forma branda,
uma mudança de paradigma, em que a
necessidade de modelos matemáticos para
explicar e identificar fenômenos e
processos começa a ser sobreposta pelo
aumento do uso e do surgimento de novas
técnicas voltadas aos padrões e assinaturas
estatísticas dos dados, principalmente no
campo de monitoramento de processos.
Nesse contexto, as seguintes técnicas
model-free podem ser citadas: o espectro de
variância, o espectro de covariância[6] e a
4
matriz de recorrência[12], que será abordada
na próxima subseção.
Feital e Pinto (2015) apresentaram novas
técnicas baseadas no espectro de
(co)variância para utilização no
desenvolvimento e implementação de
validação de sistemas de medição e no
controle de qualidade em fábricas.[6]
O espectro de (co)variância pode ser
interpretado como uma série de variâncias
calculadas ao longo de uma amostra de uma
série temporal de dados enquanto uma ou
mais variáveis tem a sua grandeza alterada.
Esse permite determinar as seguintes
características: o comportamento de um
sinal ao longo do tempo, o mínimo e o
máximo de variância em uma amostra de
série temporal, comportamentos
tendenciosos e outras características
relacionadas a sinais.[6]
Uma abordagem de janelas móveis pode
ser utilizada para a construção do espectro
de (co)variância. Para isso, varia-se o
comprimento (w) da janela e calcula-se a
média e a mediana através do seu
deslocamento ao longo de uma série
temporal, permitindo a construção de um
diagrama variância versus w. Uma das
características que podem ser retiradas
desse diagrama é a saturação de
informações do sistema, ocorrendo quando
não há variabilidade significativa para um
aumento no comprimento de janela[6].
Uma observação importante do ponto de
vista estatístico é a medição do erro. Dados
industriais não apresentam réplicas, pois
não há viabilidade para utilização de
múltiplos sensores idênticos atuando no
mesmo ponto de medição e ao longo de todo
o espaço de operação. Para contornar esse
problema, o estudo propôs que a
variabilidade originada do uso de tamanhos
de janelas muito pequenos, com variação de
tempo de amostragens 10% inferior ao
tempo total, permite caracterizar o ruído dos
medidores. Tal observação só é possível
pois assume-se que observações
consecutivas, com tamanho de janela w = 2,
representam replicações da mesma
medida.[6]
 COQ866 – Estimação de Parâmetros e Planejamento Experimental
2.3 Matriz de recorrência
Fadel (2018) apresentou uma nova
estratégia para monitoramento via Matriz
de Recorrências. Sua motivação teve como
base a dificuldade encontrada pelas técnicas
Data-Driven atuais para modelagem do
comportamento dinâmico de um
[12]
processo.
A técnica de Matriz de Recorrências
sugerida se divide em algumas etapas. A
primeira etapa consiste na construção de um
conjunto de matrizes de distâncias padrão
para representar o comportamento normal
de operação de uma planta. A construção
dessa matriz de referência é realizada pela
utilização de duas janelas (W1 e W2),
defasadas em D amostras, que tem por
função percorrer as séries temporais que
contém o comportamento padrão do
processo. Cada deslocamento ocorre sem
superposição de janelas e retorna uma
matriz de distâncias compostas pelas duas
janelas. [12]
De posse desse conjunto padrão, a etapa
seguinte consiste na utilização de uma
métrica (Norma de Frobenius) para a
comparação entre as matrizes de referência,
seguidos do cálculo da média das normas.
Isso é necessário para gerar um limiar de
detecção a ser aplicado no monitoramento.
Dessa forma, é possível utilizar essas
ferramentas para comparar novas matrizes
de distância e analisar o seu
comportamento.[12]
2.4 O conjunto de dados 3W
O termo 3W, proveniente do inglês three
wells, correspondente as suas três fontes de
informações (ocorrências) de eventos em
poços de petróleo: reais, simuladas e
esboçadas (hand-drawn). Tal conjunto é
formado por séries temporais multivariadas
provenientes de oito variáveis de processo
monitoradas na Petrobras, tendo por
justificativa uma razão custo-benefício
vinculada a disponibilidade de
instrumentação em posições estratégicas e
5
por sua confiabilidade perante o ambiente
hostil.[7]
O arquivo de dados divulgado por
Vargas et. al (2019) é composto por oito
variáveis: PDG (medida de pressão
proveniente de um medidor de fundo de
poço, do inglês Permanent Downhole
Gauge), TPT (medidas de pressão e
temperatura provenientes de um transdutor,
do inglês Temperature and Pressure
Transducer), CKP (Pressão a montante e
Temperatura a jusante da válvula choke),
CKGL (Pressão e Temperatura) e QGL
(Vazão volumétrica). Suas observações em
todo o período de armazenamento de
informações (2012-2018) foram
previamente rotuladas em um período
normal (sem eventos indesejáveis) e em oito
situações em que foram detectadas
anomalias nos poços de petróleo.[7]
Os seguintes eventos indesejáveis são
observados no conjunto 3W:
• Aumento abrupto do BSW:
correspondente ao aumento do percentual
de água e sedimentos (BSW) nas amostras
de óleo, ocasionado por um aumento da
produção de água do aquífero do
reservatório natural ou da sua injeção
natural durante a etapa de declínio da
produção por esgotamento do poço;[7]
• Fechamento espúrio do DHSV: o
DHSV (Downhole Safety Valve) é uma
válvula de segurança posicionada no duto
de produção, tendo por objetivo assegurar o
encerramento do poço no caso do
encerramento da sua conexão com a
unidade de produção, de emergências ou
defeitos nos equipamentos da superfície.
Seu fechamento incorreto não é identificado
pelos dispositivos na superfície, podendo
levar a perdas de produção;[7]
• Produção em golfadas graves
(Severe slugging): ocorre quanto há uma
alternância de fluxo de gases e líquidos,
criando diferença de pressão e flutuações de
vazão que são detectadas por todos os
equipamentos. O fenômeno apresenta um
 COQ866 – Estimação de Parâmetros e Planejamento Experimental
comportamento periódico. Em condições
extremas, pode conduzir ao fim da
produção e encerramento do poço;[7,15]
• Instabilidade de fluxo: durante essa
instabilidade, pelo menos uma das variáveis
manipuladas comportamento oscilatório
com mudança relevante, mas de amplitude
tolerável. Não possui periocidade. Tal
instabilidade pode progredir para uma
produção em golfadas graves (ou
severas);[7]
• Perda rápida de produtividade: É
caracterizada pela redução do fluxo ou o seu
cessar em função da alteração das
propriedades do poço, como a pressão
estática do reservatório, porcentagem de
sedimentos e água, viscosidade do fluido,
diâmetro da linha de produção, entre outros.
Sua identificação prévia permite a mudança
do ponto operacional pela equipe de
operadores;[7]
• Rápida restrição no PCK: PCK
(Production Choke) é uma válvula de
controle responsável pelo controle do poço
na superfície. Sua operação (acima de uma
porcentagem padrão e em um curto
intervalo de tempo) pode levar a restrições
indesejadas que podem eventualmente
conduzir a problemas operacionais;[7]
• Incrustação no PCK: Resultante da
deposição de compostos inorgânicos no
estrangulador (choke), podendo conduzir a
redução da produção de óleo e gás. Sua
identificação permite a injeção de um
inibidor.[7,16]
• Hidrato na linha de produção: É um
dos maiores problemas na indústria de
petróleo, apresentando estrutura cristalina
semelhante ao gelo por ser formado pela
interação entre água e gás natural em altas
pressões e baixas temperaturas. Sua
ocorrência pode conduzir a uma interrupção
total do escoamento.[7,17]
6
Com relação a dimensão das variáveis
em análise, foram consideradas as unidades
de Pascal (Pa), metro cúbico padrão por
segundo (sm3/s) e graus Celsius (°C). A
fonte do conjunto de dados está presente em
um repositório no GitHub
(https://github.com/ricardovvargas/3w_dat
aset).
3 PROPOSTA
O presente trabalho propõe o emprego
das técnicas multivariadas de espectro de
variância/covariância e PCA para análise do
conjunto de dados de poços de petróleo
divulgado por Vargas et al. e disponível em
<https://github.com/ricardovvargas/3w_dat
aset.>.
As técnicas model-free baseadas em
padrões e assinaturas estatísticas serão
aplicadas inicialmente para permitir a
compreensão dos dados, tendo em vista a
carência de um tratamento preliminar
decorrente da sua recente divulgação.
Tendo a etapa anterior sido concluída
com êxito, pretende-se utilizar a técnica de
matriz de recorrências proposta por Fadel e
outras técnicas, como o PCA, para o
monitoramento e diagnóstico de falhas.
Todas as análises serão realizadas
utilizando Python, por ser uma linguagem
de programação de código aberto, de alto
nível, de sintaxe intuitiva, de ambiente
amigável para programação e por ser amplo
emprego em análises Big Data e nas áreas
de Machine Learning e Data Science.
<www.python.org/>
O conjunto de dados 3W é composto ao
todo por 1984 arquivos de dados do tipo
CSV (comma-separeted values). Por conta
do elevado volume de dados, propõe-se a
aplicação das técnicas estatísticas
abordadas anteriormente em arquivos
pontuais que retornem informações
relevantes as abordagens propostas
anteriormente.
 COQ866 – Estimação de Parâmetros e Planejamento Experimental
4 METODOLOGIA
A presente seção está dividida nos
seguintes procedimentos metodológicos
empregados na análise do conjunto de
dados 3W: Caracterização estatística dos
dados, análise das assinaturas estatísticas
pelo uso dos espectros de variância e/ou
covariância, emprego da técnica PCA para
redução da dimensionalidade do sistema e
busca por correlações e o emprego da
técnica de matriz de recorrência proposta
por Fadel[12] com o intuito de determinar
métricas que possibilitem a detecção de
falhas.
4.1 Caracterização estatística
Conjuntos de dados industriais
comumente apresentam lacunas de dados
decorrentes de variáveis “congeladas” (que
apresentam a mesma medida ao longo da
série temporal), valores NaN (do inglês not
a number), valores pouco variantes
ocasionados por problemas com os
medidores, observações ausentes, entre
outros. Essas ocorrências podem interferir
na análise dos dados, principalmente em
técnicas que empregam inversão de
matrizes em função do seu comportamento
singular. Por conta disso, a etapa de
caracterização estatística se torna um ponto
importante no presente trabalho, permitindo
verificar a quantidade de dados
corrompidos/ausentes decorrente desses
problemas.
O emprego dessa análise no conjunto de
dados 3W objetiva determinar o número
total e tipo de variável (numérico, texto,
booleano etc.), número total de
observações, número de observações
ausentes, variáveis congeladas, média e
variância. A ferramenta utilizada nessa
etapa foi o pacote Pandas Profiling para
Python, por sua capacidade de gerar um
relatório do perfil estatístico dos dados.
7
4.2 Análise dos componentes principais
(PCA)
A tradicionalidade da técnica PCA e a
facilidade da sua implementação e
interpretação justificam o seu uso no
presente trabalho. Sua aplicação tem por
objetivo a redução da dimensionalidade do
conjunto de dados 3W, com preservação da
máxima variabilidade dos dados, pelo uso
dos seus componentes principais.
Adicionalmente, o modelo residual
composto pela matriz E (Equação 6) pode
ser utilizado como métrica para o índice de
erro de predição quadrático - SPE,
permitindo avaliar possíveis violações da
região de confiança da variância do
sistema[3,18,19].
As abordagens foram aplicadas a dados
de condições normais e de eventos
indesejados (falhas). O caso estudado levou
em consideração um grau de confiança de
95% e limite de variância acumulada (CPV)
de 90%.
4.3 Espectros variância e covariância
Por último, empregou-se as técnicas de
análise de dados com base nas assinaturas
estatísticas correspondente aos espectros de
variância e covariância. O principal
objetivo é avaliar o padrão estatístico das
variáveis durante o período normal e
durante o período de falha, visando
identificar padrões de comportamento pela
mudança do espectro.
Espera-se que o espectro de variância
informe o comportamento da variabilidade
dos dados e as condições de saturação.
Quanto ao espectro de covariância, deseja-
se avaliar o grau de dependência funcional
entre as variáveis e a sua mudança em
períodos de falha.
Por conta do elevado volume de dados e
de ausência de determinadas variáveis para
cada poço, foram estabelecidos três estudos
de caso:
 COQ866 – Estimação de Parâmetros e Planejamento Experimental

i. Determinar comportamento estatístico

das variáveis pela aplicação da técnica Tabela 1 – Registro dos arquivos de dados da
para dois turnos (~5h) de coleta de condição de operação Normal.
dados, comparando-os e verificando se
estão correlacionados ou não. Condição Normal (0) Arquivos
ii. Comparar os espectros entre poços para well-00001 94
avaliar o seu comportamento dinâmico. well-00002 210
iii. Aplicar a técnica para diferentes well-00003 26
condições de falha, buscando identificar well-00004 12
padrões de comportamento. well-00005 81
well-00006 115
5 RESULTADOS well-00007 2
A seção trata dos principais resultados well-00008 57
obtidos para a caracterização estatística dos Total 597
dados e para a aplicação das técnicas de
análise dos componentes principais e de
espectro de variância e de covariância (ou
correlação) para cada um dos estudos de
caso definidos na seção anterior. As rotinas
computacionais utilizadas encontram-se
disponíveis no Apêndice B.

5.1 Caracterização estatística e

comportamento dinâmico dos poços
A etapa de caracterização estatística
consistiu na avaliação dos conjuntos de
dados explorados, permitindo identificar as
variáveis que precisam ser excluídas das
análises posteriores devido a sua
irrelevância do ponto de vista numérico,
assim como a determinação da média e da Figura 2 – Ilustração da árvore de natal submarina em um
variância das demais variáveis. poço de elevação natural (Vargas et al., 2019).
O primeiro passo consistiu na análise
exploratória dos dados correspondentes a
condição normal do sistema, permitindo
determinar um conjunto de interesse

Tabela 2 – Relatório estatístico de variáveis e observações ausentes.

Série de dados - Condição Nº observações Nº observações Variáveis Variáveis

Normal por variável ausentes ausentes congeladas
WELL-00001_20170201020207 17874 17874 1 2
WELL-00001_20170201070114 17927 17927 1 2
WELL-00002_20170209120022 17979 17979 1 3
WELL-00007_20170801180000 7185 14370 2 0

8
 COQ866 – Estimação de Parâmetros e Planejamento Experimental

Tabela 3 – Relatório estatístico da média e variância das séries de dados multivariadas da condição normal em análise.

Característica P-MON- T-JUS- P-JUS- T-JUS-

Série de dados estatística P-PDG P-TPT T-TPT CKP CKP CKGL CKGL QGL

Média - 100,55 119,03 15,8 84,23 15,66 - -

WELL-
00001_20170201020207 Variância - 0,045 0,0013 3,18 0,17 0,00012 - -

Média - 100,19 119,03 15,76 84,15 15,7 - -

WELL-
00001_20170201020207 Variância - 0,031 0,00081 3,19 0,18 0,00011 - -

Média - 82,48 117,03 17,45 73,97 - - -

WELL-
00002_20170209120022 Variância - 0,22 0,033 6,76 0,35 - - -

Média 224,49 130,29 55,8 34,42 39,83 - - 1,58

WELL-
00007_20170801180000 Variância 0,0028 0,012 0,0002 0,2 0,007 - - 0,00011

composto pelas oito variáveis medidas.
Como resultado, foi possível realizar um
registro da quantidade de poços de petróleo
(oil wells) e dos seus arquivos
disponíveis (Tabela 1). As variáveis
medidas são: P-PDG, P-TPT, T-TPT, P-
MON-CKP, T-JUS- CKP, P-JUS-CKGL,
T-JUS-CKGL e QGL.
Em uma primeira etapa, foi gerado o
relatório estatístico para cada um dos casos
de estudo detalhados na Tabela 2. Nota-se a
ausência de alguma variável em todas os
casos selecionados, que é uma característica
comum ao trabalhar com dados reais. Nesse
caso, é ainda mais extremo, pois os
dispositivos de medição estão submetidos a
condições ambientais severas. Por exemplo,
a variável P-PDG corresponde a medida de
pressão de uma válvula de fundo de poço,
localizada no tubo de produção (Figura 2),
interno a árvore de natal submarina (subsea
christmas tree), próximo ao fundo do mar.
Sua localização torna sua manutenção
custosa em caso de falha, justificando a
ausência da sua medida em vários dos
conjuntos de dados explorados e que serão
exibidos em uma etapa posterior.[7,20]

Figura 3 – Sinal da instância normal para o poço WELL-00001 (2017-02-01/02-07h).

9
 COQ866 – Estimação de Parâmetros e Planejamento Experimental
Figura 4 – Sinal da instância normal para o poço WELL-00001 (2017-02-01/02-07h).
A Tabela 3 apresenta as características
estatísticas de média e variância dos
principais conjuntos de dados analisados no
presente trabalho. Verifica-se a ausência de
uma ou mais variáveis nos conjuntos de
dados analisados, característica que
Figura 5 – Diagrama de variância acumulada para a
análise PCA aplicada aos dois primeiros turnos do poço
WELL-00001 (2017-02-01/02-07h) e (2017-02-01/07-
12h).
10
dificulta a aplicação efetiva das técnicas
estatísticas para estudo do comportamento
dinâmico do sistema, assim como a
determinação de métricas para detecção de
falhas.
5.1.1 Dinâmica dos poços de petróleo
entre turnos de operação
O estudo do comportamento dinâmico
dos poços iniciou-se com a comparação das
características estatísticas e dos sinais
provenientes dos dispositivos de medição
entre dois turnos sequenciais de operação.
Os dados de caracterização estatística
presentes na Tabela 3 para o poço W-00001
demonstram que não há diferença
significativa entre as suas médias e
variâncias, podendo ser um indicativo de
que os turnos não representam eventos
independentes, eles estão correlacionados,
que é o comportamento esperado. O mesmo
comportamento pode ser verificado pela
comparação dos sinais presentes nas
Figuras 3 e 4, os quais apresentam
visualmente baixa variabilidade de
intensidade de sinal.
De modo a fortalecer essa observação, a
técnica PCA foi aplicada aos dois conjuntos
de dados. Para isso, foram realizados
tratamentos para a remoção de valores NaN
e nulos e foi considerado que o dispositivo
responsável pela variável P-JUS-CKGL
estava com defeito, pois sua baixa
 COQ866 – Estimação de Parâmetros e Planejamento Experimental

variabilidade não é um comportamento de comportamento não é explicado pela

esperado para um sistema real. Apesar das
variáveis P-TPT e T-TPT terem
apresentado comportamentos constantes
durante vários intervalos de coleta de dados,
suas medidas não foram desprezadas nesse
estudo. Como resultado, foram obtidos 4
componentes principais para ambos os
casos (Figuras 5), indicando que essas
variáveis não se correlacionam. É válido
ressaltar que uma simulação foi realizada
para verificar a influência da variável P-
JUS-CKGL na análise, resultando no
mesmo número de componentes principais
por conta de um indicativo de correlação
com as outras variáveis de medidas de
pressão.
Quanto aos índices SQE, dado pelas
Figuras 6 e 7, verificou-se violações do
limite de confiança de 95% com um
comportamento quase-periódico, podendo
ser interpretado como uma possível
característica dinâmica do poço. Esse tipo
técnica PCA devido a sua base linear.
É conhecido que a técnica PCA
considera distribuição gaussiana para o
conjunto de dados e o SQE considera
distribuição qui-quadrado. Com o propósito
de assegurar que os resultados provenientes
dessas técnicas são válidos, verificou-se o
cumprimento dessas condições pelas
distribuições de dados na forma de gráfico
de barras presentes no Apêndice A. Esse
estudo permitiu verificar que os sensores T-
MON-CPK e T-JUS-CPK apresentaram um
perfil semelhante ao gaussiano,
comportamento ideal para a aplicação das
técnicas em questão. No entanto, as
variáveis correspondentes ao dispositivo
TPT apresentaram um perfil completamente
diferente, com picos esporádicos ao longo
do tempo, violando completamente as
hipóteses da técnica PCA. Apesar de um
forte indicativo de que a técnica PCA em
sua forma primitiva não é adequada para a
análise estatística do conjunto de conjunto

Figura 6 – Limite SPE junto ao PCA para o poço WELL-00001 (2017-02-01/02-07h).

Figura 7 – Limite SPE junto ao PCA para o poço WELL-00001 (2017-02-01/07-12h).

11
 COQ866 – Estimação de Parâmetros e Planejamento Experimental

Figura 8 – Espectro de variância da variável P-TPT para o poço WELL-00001 (2017-02-01/02-07h).

de dados em questão, optou-se por utilizá-la uso de janelas de tamanho variável

para verificar o comportamento de um outro
poço de petróleo, com resultados mostrados
em uma etapa posterior.
Como o presente trabalho consiste na
exploração de dados de operação de poços
de petróleo, é mais coerente fazer uso de
técnicas que não sejam baseadas em modelo
e que permitam avaliar as características
estatísticas das variáveis. Nesse sentido,
empregou-se a técnica de espectro de
variância que permite desmembrar as
grandezas estatísticas (médias, medianas e
variância) em várias escalas de tempo pelo
(acopladas e desacopladas). Para isso, foi
utilizada a classe Spectra criada por
Melo[21] no projeto spectra, com base nas
técnicas de espectro de variância,
covariância e correlação propostas pro
Feital e Pinto[6].Os espectros gerados para o
primeiro turno do poço W-0001 são
ilustrados pelas Figuras 8-12, podendo ser
analisados com base na caracterização do
seu comportamento, na observação da
influência do tamanho de janela e na
amplitude da variância capturada.

Figura 9 – Espectro de variância da variável T-TPT para o poço WELL-00001 (2017-02-01/02-07h).

12
 COQ866 – Estimação de Parâmetros e Planejamento Experimental

Figura 10 – Espectro de variância da variável P-MON-CKP para o poço WELL-00001 (2017-02-01/02-07h).

Figura 11 – Espectro de variância da variável T-JUS-CKP para o poço WELL-00001 (2017-02-01/02-07h).

Como pode-se notar, quase todos os Os espectros correspondentes as

espectros correspondentes a janelas
disjuntas apresentaram saltos e para janelas
adjuntas surgiram pequenas “barrigas”
provenientes de flutuações nas variâncias,
conforme observado por Melo no projeto
spectra[21]. A única exceção corresponde a
variável P-JUS-CKGL (Figura 12) que
apresentou um crescimento bem
comportado da variância com o aumento do
tamanho de janela, com janelas disjuntas
menos dispersas. Acredita-se que este
comportamento de baixa variabilidade
esteja associado ao crescimento linear da
pressão ao longo do tempo.
variáveis P-MON-CKP e T-JUS-CKP
(Figuras 10 e 11) apresentaram saturação
rápida de variância, com um tamanho de
janela pequeno. Notou-se um
comportamento curioso para a variável P-
MON-CKP, em que há uma redução da
variância com o aumento do tamanho de
janela. Maiores informações só podem ser
obtidas pela comparação com a dinâmica de
outros poços.
É importante destacar que
aparentemente o espectro de variância não
foi influenciado pelo comportamento
anormal aparesentado pela distribuição dos

13
 COQ866 – Estimação de Parâmetros e Planejamento Experimental

Figura 12 – Espectro de variância da variável P-JUS-CKGL para o poço WELL-00001 (2017-02-01/02-07h).

dados para os dispositivos TPT comentado indicativo de que não há correlações

anteriormente. Dessa forma, o proeminentes entre as variáveis com dados
comportamento característico dessas disponíveis. Apesar disso, empregou-se a
distribuições não é relevante para o presente técnica de espectro de correlação dinâmico
trabalho. para conferir a evolução da correlação entre
Com o propósito de descobrir métricas as variáveis à medida que um determinado
para a detecção de falhas, realizou-se uma comprimento de janela avança na série
busca por variáveis com alto grau de temporal com um passo constante. Os
correlação. A técnica PCA já havia dado um espectros foram gerados com tamanhos de

Figura 13 – Espectro de correlação entre as variáveis P-TPT/P-MON-CKP (𝑤 = 50 e ∆𝑡 = 10) para o poço

WELL-00001 (2017-02-01/02-07h).

14
 COQ866 – Estimação de Parâmetros e Planejamento Experimental

Figura 14 – Espectro de correlação entre as variáveis P-TPT/P-MON-CKP (𝑤 = 100 e ∆𝑡 = 10) para o poço
WELL-00001 (2017-02-01/02-07h).

janela variando de 50 a 100 e passo de correlação entre as variáveis P-TPT e P-

tempo (∆𝑡) fixo de 10 unidades de tempo.
Como resultado, foi confirmada a baixa
correlação entre as variáveis, que pode estar
associado a ausência de observações
relatada na Tabela 2. Por conta da baixa
correlação, os espectros não apresentaram
mudanças significativas com a variação do
tamanho de janela, conforme exemplo da
MON-CKP ilustrado pelas Figuras 13 e 14.
A mesma análise estatística foi aplicada
ao conjunto de dados correspondente ao
segundo turno do poço em questão. Notou-
se que os espectros de variância (Figuras
15-19) não apresentaram mudanças
significativas nas grandezas estatísticas,

Figura 15 – Espectro de variância da variável P-TPT para o poço WELL-00001 (2017-02-01/07-12h).

15
 COQ866 – Estimação de Parâmetros e Planejamento Experimental

Figura 16 – Espectro de variância da variável T-TPT para o poço WELL-00001 (2017-02-01/07-12h).

Figura 17 – Espectro de variância da variável P-MON-CKP para o poço WELL-00001 (2017-02-01/07-12h).

Figura 18 – Espectro de variância da variável T-JUS-CKP para o poço WELL-00001 (2017-02-01/02-07h).

16
 COQ866 – Estimação de Parâmetros e Planejamento Experimental

Figura 19 – Espectro de variância da variável P-JUS-CKGL para o poço WELL-00001 (2017-02-01/02-07h).

comportamento o qual já tinha sido 5.1.2 Comportamento dinâmico entre

verificado nos dados presentes na Tabela 3.
Com base em todos os resultados pode-
se afirmar que o comportamento entre os
vários turnos de um mesmo dia para o
mesmo poço estão altamente
correlacionados, não trazendo informações
adicionais sobre a variabilidade do poço.
Portanto, nota-se a baixa relevância do uso
das suas estatísticas para atribuição de
métricas de detecção de falhas.
poços de petróleo
Dando sequência ao estudo do
comportamento dinâmico dos poços,
aplicou-se ao poço de petróleo W-00002 o
procedimento metodológico realizado
anteriormente pelo uso da técnica PCA e
das técnicas de espectros de variância e
correlação.
A média e variância do conjunto de
dados se encontram na Tabela 3. Nota-se
um aumento da variância quando
comparado ao caso anterior, com variação

Figura 20 – Sinal da instância normal para o poço WELL-00002 (2017-02-09/12-17h).

17
 COQ866 – Estimação de Parâmetros e Planejamento Experimental
Figura 21 – Diagrama de variância acumulada para a
análise PCA aplicada aos dados do poço WELL-00002
(2017-02-09/12-17h).
de média expressiva somente para a
variável P-TPT. Com base nisso, é
interessante verificar como o espectro de
variância se comporta perante essas
mudanças.
A Figura 20 apresenta o sinal
correspondente a cada uma das variáveis em
análise. O mesmo comportamento de sinal
constante em determinados períodos foi
observado para as leituras do dispositivo
TPT. Além disso, há a ausência de sinal da
variável P-MON-CKGL que foi
desconsiderada na análise anterior por
apresentar crescimento constante.
A aplicação da técnica PCA resultado em
quatro componentes principais, cada um
correspondendo a uma variável, assim
como ocorreu na análise realizada na seção
anterior. O gráfico de variância acumulada
Figura 22 – Limite SPE junto ao PCA para o poço WELL-00002 (2017-02-09/12-17h).
18
(Figura 21) mostra o crescimento lento da
interpretação da variabilidade do sistema
com o aumento do número de componentes,
com primeiro componente caracterizando,
aproximadamente, 36% da variância total.
Regras adicionais que geralmente são
estabelecidas para escolher um menor
número de componentes principais para
reconstrução das variáveis que
correspondam, por exemplo, a pelo menos
70% da variância total não foram
consideradas nesse trabalho.
Pelo gráfico SPE, dado pela Figura 22,
verifica-se uma mudança de intensidade de
sinal ao longo da série temporal, assim
como uma série de violações do limite de
confiança dos dados. Os comportamentos
observados podem constituir um indicativo
de que as técnicas PCA e SPE, em sua
forma padrão, não são apropriadas para
estabelecer métricas de detecção de falhas.
A técnica apresenta uma série de
limitações que podem estar associadas aos
comportamentos anormais observados,
como a sua ineficácia diante de sistemas
não-lineares, já que uma de suas hipóteses
supõe que há dependência linear entre as
variáveis, com determinação direta pela
matriz de covariância e correlação. Além
disso, a hipótese de que os resíduos formam
parcelas de comportamento idêntico é
fisicamente improvável para esse sistema
em que há medições de variáveis de
diferentes características físicas, como
temperatura e vazão. Ainda se tratando da
característica física do processo, há
 COQ866 – Estimação de Parâmetros e Planejamento Experimental
mudanças de condições dinâmicas inerentes
as condições de operação que invalidam a
hipótese de dados estacionários. Por fim,
seus sistemas de medição estão sujeitos a
condições extremas e a possíveis distúrbios
externos que podem conduzir a sinais
anormais e a erros diferentes nas diferentes
variáveis.[18]
Algumas alternativas presentes na
literatura que podem se adequar melhor aos
problemas acima mencionados são as
técnicas de PCA modificados, como o não-
linear, dinâmico, robusto, entre outros. [12,18]
A aplicação dos espectros de variância
aos dados desse poço de petróleo resultou
em assinaturas estatísticas dos dispositivos
de medição similares as observadas na
seção anterior, com destaque para os saltos
nos espectros com janelas disjuntas
inerentes as flutuações nas variâncias. Os
sensores P-TPT e T-TPT apresentaram o
mesmo comportamento crescente, com
formação de “barrigas” para os espectros
com janelas adjuntas (Figuras 23 e 24).
Nota-se um crescimento mais lento da
variância com o aumento do tamanho de
janela, tendo um aumento suave, sem
indicativos de saturação para ambas as
variáveis. Quando comparado com o caso
anterior, o espectro com janelas adjuntas
para P-TPT apresentou medidas de
variância superiores, com crescimento
Figura 23– Espectro de variância da variável P-TPT para o poço WELL-00002 (2017-02-09/12-17h).
19
constante. Por sua vez, o espectro T-TPT
com janelas adjuntas não apresentou uma
mudança de perfil tão significativa,
diferindo com relação a maior variância
capturada.
O espectro correspondente a variável P-
MON-CKP (Figura 25) apresentou o
mesmo comportamento de redução da
variância, com acentuado espalhamento
para janelas disjuntas. A grande diferença
com relação ao caso anterior é a saturação
mais lenta, em uma janela de tamanho
próximo a 200, com uma maior variância.
Já para variável T-JUS-CKP foi observado
o um pico de variância em um tamanho de
janela muito curto, seguido do seu aumento
bem-comportado para as janelas adjuntas e
agressivo para as janelas disjuntas. Foram
realizados testes com alterações na
frequência de amostragem dos dados, os
quais não apresentaram mudanças
significativas.
Mais uma vez, as variáveis apresentaram
pouca correlação. De modo a comparar o
comportamento do espectro com o poço
estudado na seção anterior, a Figura 27
mostra o espectro dinâmico de correlação
para as variáveis P-TPT e P-MON-CKP. É
possível identificar um comportamento
simular de flutuação dos espectros de
correlação ao redor de zero. É curioso que
exista uma pequena correlação entre as
 COQ866 – Estimação de Parâmetros e Planejamento Experimental

Figura 24 – Espectro de variância da variável T-TPT para o poço WELL-00002 (2017-02-09/12-17h).

Figura 25 – Espectro de variância da variável P-MON-CKP para o poço WELL-00002 (2017-02-09/12-17h).

Figura 26 – Espectro de variância da variável T-JUS-CKP para o poço WELL-00002 (2017-02-09/12-17h).

20
 COQ866 – Estimação de Parâmetros e Planejamento Experimental

Figura 27 – Espectro de correlação entre as variáveis P-TPT/P-MON-CKP (𝑤 = 100 e ∆𝑡 = 10) para o poço
WELL-00002 (2017-02-09/12-17h).

variáveis para tamanho de janelas muito por apresentar os mesmos dispositivos de

pequenos, a qual termina por se desfazer à
medida que o tamanho de janela aumenta.
Quanto aos demais poços de petróleo,
promoveu-se uma busca exaustiva por
variáveis altamente correlacionadas. O
poço Well-00003 foi descartado da busca
medição em funcionamento que os poços
anteriores. Os demais poços, com exceção
do Well-00007, apresentaram diversos
dispositivos congelados ou com defeitos,
com variáveis restantes fracamente
correlacionadas.

Figura 28 – Sinal da instância normal para o poço WELL-00007 (2017-08-01/20-22h).

21
 COQ866 – Estimação de Parâmetros e Planejamento Experimental

O poço Well-00007 apresenta um variância. O espectro correspondente a

conjunto de dados em que há leitura dos
dispositivos P-TPT e QGL, com sinais
representados na Figura 28. É importante
ressaltar que os dados foram amostrados em
uma frequência de 15 segundos, menor do
que a das demais análises (40 segundos),
devido a menor quantidade de observações.
As Figuras 29-34 representam os
espectros de variância para o conjunto de
dados em análise. Observa-se um
comportamento muito parecido entre os
espectros P-PDG e P-TPT, com mudanças
relacionadas a amplitude da variância
alcançada (Figuras 29-30). Mais uma vez
foram observados saltos nos espectros
disjuntos ocasionados por flutuações de
variável T-TPT (Figura 31) apresentou
comportamento similar ao observado para o
poço Well-00001. Por sua vez, para a
variável P-MON-CKP, a construção do
espectro (Figura 32) resultou no aumento da
variância com o tamanho de janela,
resultado totalmente diferente das análises
anteriores.
Com relação a variável T-JUS-CKP,
nota-se uma suavização da determinação
das grandezas estatísticas com o aumento de
janela. Por fim, gerou-se o espectro da
variável QGL relacionada a vazão
volumétrica padrão, o qual apresenta
aumento da variância com o aumento de
tamanho de janela, com saltos

Figura 29 – Espectro de variância da variável P-PDG para o poço WELL-00007 (2017-08-01/20-22h).

Figura 30 – Espectro de variância da variável P-TPT para o poço WELL-00007 (2017-08-01/20-22h).

22
 COQ866 – Estimação de Parâmetros e Planejamento Experimental

Figura 31 – Espectro de variância da variável T-TPT para o poço WELL-00007 (2017-08-01/20-22h).

Figura 32 – Espectro de variância da variável P-MON-CKP para o poço WELL-00007 (2017-08-01/20-22h).

Figura 33 – Espectro de variância da variável P-JUS-CKP para o poço WELL-00007 (2017-08-01/20-22h).

23
 COQ866 – Estimação de Parâmetros e Planejamento Experimental

Figura 34 – Espectro de variância da variável QGL para o poço WELL-00007 (2017-08-01/20-22h).

Figura 35 – Espectro dinâmico de correlação entre as variáveis P-PDG/P-TPT (𝑤 = 50 e ∆𝑡 = 10) para o poço
WELL-00007 (2017-08-01/20-22h).

24
 COQ866 – Estimação de Parâmetros e Planejamento Experimental
característicos para o espectro com janelas
disjuntas.
A busca exaustiva resultou na
determinação do conjunto de dados em
questão, no qual o medidor de pressão PDG
encontra-se em funcionamento. Como
consequência, foi possível determinar a sua
correlação com a variável P-PTP. Pelo
espectro de correlação (Figura 35) é
possível verificar o grau de dependência
funcional direto existente entre as variáveis,
com um aumento deste à medida em que a
janela vai avançando na série temporal.
Essa correlação tem sentido físico, pois
ambos os sensores se encontram na árvore
de natal submarina. Sendo assim, atribuiu-
se esta condição como referência para a
detecção de falhas.
5.2 Caracterização das condições de
falha
Os resultados obtidos tiveram como
premissa o efeito de quebra de correlação
durante um evento anormal, aqui
denominado como falha. Promoveu-se a
alteração da instância dos conjuntos de
dados normais para a de eventos
indesejados, os quais são classificados de 1
a 8 conforme descrição presente na seção
2.4. Esta etapa teve como desafio a busca
por eventos contendo atividade mútua das
Figura 36 – Sinal da instância 2 (Encerramento abrupto do DSHV) para o poço WELL-00003 (2017-07-28/15-17h).
25
variáveis P-PDG e P-TPT, já que o
dispositivo de medição de pressão PDG
encontra-se em uma situação mais instável
e suas medidas geralmente estão
indisponíveis.
Todos os procedimentos de análise de
dados foram realizados com dados reais.
Adicionalmente, foram consideras somente
as instâncias que apresentaram período
normal maior ou igual a 20 minutos
(1,2,5,6,7,8) para detecção de eventos
anormais, assim como foi sugerido por
Vargas et al.[7].
Nenhuma observação real presente na
instância 1, relacionada ao evento de
aumento abrupto de BSW, apresentou
medidas do dispositivo PDG. Logo, esse
evento não pode ser explorado pelo critério
de correlação estabelecido.
Para a instância 2, correspondente ao
fechamento espúrio da válvula de segurança
de fundo de poço (DHSV), observou-se
uma baixa variabilidade dos sinais das
variáveis P-PDG e T-TPT para o poço Well-
00003 (Figura 36), o que pode estar
associado a uma inerente transição para
uma falha desde o início da série temporal.
Apesar disso, o espectro dinâmico de
correlação (para 𝑤 = 100 e ∆𝑡 = 20) foi
capaz de identificar a mudança de
correlação entre as variáveis, as quais
 COQ866 – Estimação de Parâmetros e Planejamento Experimental

Figura 37 – Espectro dinâmico de correlação entre as variáveis P-PDG/P-TPT (𝑤 = 100 e ∆𝑡 = 20) para o poço
WELL-00003 (2017-07-28/15-17h) com evento de encerramento abrupto do DSHV.
estavam diretamente correlacionadas antes
do evento e passaram a ser indiretamente
correlacionadas a medida que ocorreu a
transição para a condição de falha,
conforme ilustrado na Figura 37.
A mudança do tipo de correlação
verificado anteriormente pode ser
interpretada com base no posicionamento
dos dispositivos na árvore de natal
submarina. Conforme explicado na seção
2.4, a válvula DHSV encontra-se
posicionada no duto de produção, com
medidor PDT posicionado na extremidade
inferior do duto, próximo ao fundo do poço,
e o transdutor TPT em uma posição superior
da árvore. Como resultado da localização
física dos dispositivos, é compreensível que
o fechamento da válvula provoca aumento
da pressão a montante e queda de pressão a
jusante, resultando nas medidas de pressão
verificadas pelos dispositivos durante o
evento. Conforme citado por Vargas et
al.[7], esse evento não é verificado pelos
dispositivos de medição presentes na
superfície, pois está relacionado
diretamente ao dispositivos submarinos.
Uma observação curiosa é que as
medidas de pressão e temperatura do
dispositivo TPT que anteriormente não
possuíam correlação alguma, passaram a ser
diretamente correlacionadas com o evento,
assim como pode ser verificado pelo
espectro dinâmico de correlação (Figura
38). Por sua vez, passa a existir a mesma
correlação indireta entre as variáveis T-TPT
e P-PDG.
Quanto ao evento 5 (perda de
produtividade), não houve mudança de
correlação significativa entre as variáveis P-
PDG e P-TPT que possibilitasse o seu uso
como medida de detecção de falhas. Seu
espectro dinâmico (Figura 39) mostra a
dependência funcional direta entre as
variáveis dada pela correlação.
Para o evento 6, correspondente a
restrição rápida no estrangulador de
produção (PCK), não foi encontrada
nenhuma observação real com medidas do

26
 COQ866 – Estimação de Parâmetros e Planejamento Experimental

Figura 38 – Espectro dinâmico de correlação entre as variáveis P-TPT/T-TPT (𝑤 = 100 e ∆𝑡 = 20) para o poço
WELL-00003 (2017-07-28/15-17h) com evento de encerramento abrupto do DHSV.

Figura 39 – Espectro dinâmico de correlação entre as variáveis P-TPT/T-TPT (𝑤 = 100 e ∆𝑡 = 10) para o poço
WELL-00016 (2018-04-05/02-03h) com evento de perda de produtividade.

27
 COQ866 – Estimação de Parâmetros e Planejamento Experimental

dispositivo PDG disponíveis. Por sua vez,
sabe-se que esse dispositivo se encontra na
superfície, então não é esperado que
variáveis correspondentes a dispositivos
submersos possam interpretar eventos de
superfície. A mesma condição de ausência
de observações foi verificada para o evento
7 de incrustação no PCK.
Por fim, a formação de hidrato na linha
de produção, uma das ocorrências mais
problemáticas, classificado como evento 8,
não pode ser interpretada pela correlação
entre as variáveis P-PDG e P-TPT já que
estas são mantidas durante o período de
falha, conforme verificado para o poço
Well-00021 e demonstrado pelo espectro
dinâmico de correlação (Figura 40).
A análise estatística resultou no número
de variáveis ausentes e/ou congeladas,
assim como o número de observações
ausentes. Além disso, foi possível
determinar a média e a variância do
conjunto de dados, possibilitando
caracterizar a dinâmica de cada poço
analisado. Por fim, foi possível concluir que
sempre há ausência de uma ou mais
variáveis no conjunto de dados 3W,
característica que torna desafiador o uso e
interpretação dos resultados obtidos por
técnicas baseadas em assinaturas
estatísticas.
A técnica PCA não foi capaz de reduzir
a dimensionalidade do sistema e nem
reproduzir as variáveis através dos seus

Figura 40 – Espectro dinâmico de correlação entre as variáveis P-TPT/T-TPT (𝑤 = 100 e ∆𝑡 = 10) para o poço
WELL-00021 (2017-05-09/13:35-20h) com evento de formação de hidrato na linha de produção.

6 CONCLUSÃO componentes principais por conta da

Técnicas de análise e monitoramento
estatístico foram aplicadas ao conjunto de
dados de poços de petróleo denominado
3W, sendo composto por oito variáveis
correspondentes a medidas de pressão,
temperatura e vazão volumétrica.
violação das suas hipóteses de normalidade
dos dados e ausência de comportamentos
dinâmicos. Concluiu-se que as técnicas
PCA dinâmico, PCA não-linear e/ou PCA
robusto podem ser mais adequadas para
aplicação no monitoramento de sistemas.

28
 COQ866 – Estimação de Parâmetros e Planejamento Experimental
A técnica de espectro de variância
possibilitou verificar a evolução das
características estatísticas com o avanço de
diferentes janelas ao longo das séries
temporais. Sua aplicação permitiu concluir
que os diversos turnos de um mesmo poço
não representam eventos distintos e que os
poços classificados como 1 e 2 mostraram
comportamento dinâmico similar para todas
as variáveis analisadas, diferindo quanto a
sua variabilidade.
A técnica de espectro dinâmico de
correlação permitiu verificar um alto grau
de correlação entre as variáveis P-PDT e P-
TPT no poço de petróleo número 7.
Conclui-se que essa correlação está
associada a localização física dessas
variáveis na árvore de natal submarina.
Com essa técnica, foi possível concluir que
o evento fechamento espúrio da válvula de
segurança de fundo de poço provoca a
alteração do grau de dependência funcional
das variáveis citadas anteriormente, que
passam a ter correlação indireta. Essa
mudança está relacionada ao aumento da
pressão a montante e a sua redução a
jusante, provando aumento das leituras do
medidor PDG e redução das leituras do
transdutor, tanto de pressão quanto de
temperatura.
Concluiu-se que o uso das técnicas de
possibilitou estudar o comportamento
dinâmico dos poços em condições normais
e de falha. Outros estudos podem ser
realizados para estabelecer métricas de
detecção de falha, por exemplo, a aplicação
da técnica de matriz de recorrências, a qual
não pode ser explorada no presente
trabalho.
7 REFERÊNCIAS
[1] Jamsa-Jounela, S.-L., Future trends in
process automation, Anual Reviews in
Control, v. 31, 2007, p. 211-220.
[2] Russel, E., Chiang, L.H., Braatz, R.D.,
Data-driven Methods for Fault Detection
and Diagnosis in Chemical Processes,
Springer, 2000.
29
[3] Kruger, U., Xie, L., Statistical
Monitoring of Complex Multivariate
Process: With Application in Industrial
Process Control, John Wiley & Sons,
United Kingdom, 2012.
[4] Kourti, T., Lee, J., Macgregor, J.F.,
Experiences with Industrial Applications of
Projection Methods for Multivariate
Statistical Process Control, Comp. Chem.
Eng., Pergamon, 1996.
[5] Kourti, T., Process Analysis and
Abnormal Situation Detection: From
Theory to Practice, IEEE Control Systems
Magazine, 2002.
[6] Feital, T., Pinto, J.C., Use of Variance
Spectra for In-Line Validation of Process
Measurements in Continuos Processes, The
Can. J. of Chem. Eng., v. 93, 2015.
[7] Vargas, R.E.V. et al., A realistic and
public dataset with rare undesirable real
events in oil wells, J. of Petr. Sci. and Eng.,
v. 181, 2019.
[8] Pearson, K., On lines and planes of
closest fit to systems of points in space,
Philosof. Mag., v. 2, 1901, p. 559-572.
[9] Kourti, T., Application of Latent
Variable Methods to Process Control and
Multivariate Statistical Process Control in
Industry, Int. J. of Adapt. Control and
Signal Process., v. 19, 2005, p. 213–246.
[10] Saporta, G., Niang, N., Principal
component analysis: application to
statistical process control. In: G. Govaert,
ed. Data Analysis. John Wiley & Sons,
London, 2009, p. 1–23.
[11] Hou, Z., Jin, S., Data-Driven Model-
Free Adaptive Control for a Class of MIMO
Nonlinear Discrete-Time Systems, IEEE
Transactions Neural Networks, v. 22, n. 12,
2011, p. 2173-2187.
 COQ866 – Estimação de Parâmetros e Planejamento Experimental

Kalman Filter vs. Artificial Neural

[12] Fadel, F.E.F., Uma Avaliação Crítica
sobre Técnicas Baseadas em PCA para
Detecção de Falhas em Processos da
Indústria Química. Dissertação de
Mestrado, Universidade Federal do Rio de
Janeiro, Rio de Janeiro, 2018, jun.
Networks, IFAC, v. 28, 2019, p. 508-513.
[21] Melo, A. Espectros de variância,
covariância e correlação. [Online].
https://github.com/afraeq/spectra/blob/mast
er/notebooks/primeira_apresentacao.ipynb

[13] Abdi, H., Williams, L. J., Principal

component analysis, WIRES
Computational Statistics, John Wiley &
Sons, v. 2, p. 433-459, 2010.

[14] Jiang, Q., Yan, X., Zhao, W., Fault

Detection and Diagnosis in Chemical
Process Using Sensitive Principal
Components Analysis, Ind. Eng. Chem.
Res., v. 52, p. 1653-1644, 2013.

[15] Malekzaged, R., Henkes, R. A. W. M.,

Mudde, R. F., Severe slugging in a long
pipeline-riser system: Experiments and
predictions, Internation Journal of
Multiphase Flow, v. 46, p. 9-21, 2012.

[16] DUCHENE, Aurelie et al. System and

method downhole inorganic scale
monitoring and intervention in a production
well. Depositante: Baker Hughes (US).
Depósito: 23 jul. 2015. Concessão: 19 jun.
2019.

[17] Adisasmito, S., Parubak, E. Ethylene

glycol injection for hydrate formation
prevention in deepwater gas pipelines.
MATEC Web of Conferences, v. 268, 2019.

[18] Feital, T. S., Monitoramento da

Condição de Processos Químicos
Industriais. Tese de Doutorado,
Universidade Federal do Rio de Janeiro,
Rio de Janeiro, 2011, nov.

[19] Schwaab, M., Pinto, J. C., Análise de

Dados Experimentais I: Fundamentos de
Estatística e Estimação de Parâmetros. E-
papers: Rio de Janeiro, 2007.

[20] Apio, A. et al., PDG Pressure

Estimation in Offshore Oil Well: Extended
30