Análise da Degradação de Fluidos por meio da Regressão Logística

Inácio Cordeiro Lima Júnior¹, Tácio Cavalcante Xavier¹, Palloma Alves Albuquerque¹, Luciana Viana Amorim¹, Waleska Rodrigues Pontes da Costa¹,
Tiago Almeida de Oliveira², Michelli Barros¹.
inaciojr2003@gmail.com; taciocavalcantex@gmail.com; pallomaalves920@gmail.com; tadolive@servidor.uepb.edu.br; michellikarinne@uaest.ufcg.edu.br
¹Universidade Federal de Campina Grande, Rua Aprígio Veloso, 882. Bairro Universitário.²Universidade Estadual da Paraíba, Rua Baraúnas, 351. Bairro Universitário.

INTRODUÇÃO RESULTADOS
Este trabalho visa avaliar o desempenho de um fluido de
amortecimento formulado com bentonita sódica, agente polimérico e
salmoura de cloreto de sódio, quando exposto a diferentes
temperaturas. Os ensaios de laboratório foram realizados para
verificar a manutenção das propriedades reológicas e de controle de
filtração, utilizando o volume de filtrado HPHT (high pressure high
temperature) como parâmetro de avaliação. Esse parâmetro é
fundamental para avaliar se o fluido mantém suas propriedades em
temperaturas ambiente ou se ocorre degradação.

Um modelo estatístico de regressão logística foi aplicado para

relacionar a probabilidade de degradação do fluido com as diferentes
temperaturas de exposição [1]. Essa compreensão contribuirá para o
desenvolvimento de fluidos de amortecimento mais eficientes,
seguros e sustentáveis na indústria de petróleo e gás, melhorando a
segurança e a eficiência das operações de perfuração.
Figura 1. Médias e desvios padrão do volume de filtrado em função dos
METODOLOGIA dias, para as temperaturas de 95, 135 e 140°C. Fonte: Os autores

O modelo de regressão logística é uma técnica estatística utilizada Com base na análise do modelo estatístico de regressão logística,
para prever e analisar variáveis binárias ou dicotômicas. É uma foi possível obter interpretações significativas sobre a relação entre
extensão do modelo de regressão linear, adaptado para tratar a temperatura e a probabilidade de degradação do fluido de
variáveis de resposta binárias. A regressão logística utiliza uma amortecimento. Os resultados demonstraram que o aumento da
função chamada de função logito, que mapeia a variável resposta temperatura está diretamente associado ao aumento da
binária em uma escala continua. probabilidade de degradação do fluido.
Tabela 1. Estimativas dos parâmetros, erro-padrão e nível descrito
Para explicar a probabilidade do fluido degradar em função da referentes ao modelo de regressão logística
temperatura consideramos um modelo de regressão logístico[2]. A Parâmetros Estimativas Erro Padrão Valor-p
variável resposta é a ocorrência de degradação do fluido (Y = 1, que 𝛼 -3,296 1,018 0,0016
é equivalente ao volume de filtrado, VF ≥ 11,5) ou ausência de
degradação (Y = 0, que é equivalente ao VF < 11,5). Neste caso, β2 2,197 1,108 0,0050
β3 4,054 1,065 0,0002
Yij Ber(πij), i = 1…,103, j = 1, 2, 3,
Fonte: Os autores
em que , em que para a temperatura de referência 95°C, j representa
o efeito da temperatura e πij representa a probabilidade do fluido CONSIDERAÇÕES FINAIS
degradar na temperatura j. Este estudo avaliou um fluido de amortecimento com bentonita
sódica, agente polimérico e salmoura de cloreto de sódio em
Para estimar os coeficientes do modelo de regressão logística, é diferentes temperaturas. O modelo de regressão logística revelou
utilizado o método da máxima verossimilhança, que busca encontrar que o aumento da temperatura aumenta a probabilidade de
os valores que maximizam a probabilidade de obter os dados degradação do fluido, fornecendo informações cruciais para a
observados [3]. A estimação foi feita utilizando o pacote gamlss[4] indústria prevenir e mitigar riscos em várias condições térmicas.
do software R, as análises também foram realizadas no software R.
Esses coeficientes podem ser interpretados como razão de chances,
AGRADECIMENTOS (Times New Roman, tamanho 44)
essa interpretação será feita considerando a casela de referência, que
Agradecemos à Petrobras pelo financiamento .
foi a temperatura de 95°C.

Para garantir a validade dos resultados, verificamos as suposições do
modelo de regressão logística, incluindo a linearidade das variáveis
independentes, a independência dos erros e a presença de
observações atípicas, usando gráficos e análise de resíduos.
REFERÊNCIAS (Times New Roman, tamanho 44)
[1] Collet, D., 2002, “Modelling Binary Data,” 2. ed. London: Chapman & Hall.
[2] Hosmer, D. W. and Lemeshow, S., 2013, “Applied Logistic Regression,” 3 ed.
New York: John Wiley.
[3] Paula, G. A., 2013, “Modelos de Regressão com Apoio Computacional,” São
Paulo: IME/USP. https://www.ime.usp.br/~giapaula/texto_2013.pdf
[4] Stasinopoulos, M.; Bob, R. and Mikis, M., 2006, “The gamlss Package,” R
help files.