Banca de DEFESA: LAURA PELLIZARI PEREIRA

Uma banca de DEFESA de MESTRADO foi cadastrada pelo programa.
DISCENTE : LAURA PELLIZARI PEREIRA
DATA : 06/07/2026
HORA: 13:00
LOCAL: Sala de Reuniões GPESC
TÍTULO:

AutoDrill: Framework AutoML para Previsão da Taxa de Perfuração em Poços de Petróleo

PALAVRAS-CHAVES:

AutoML, Previsão, ROP, Aprendizado de Máquina, Perfuração de Poços, Petróleo, Otimização.

PÁGINAS: 70
RESUMO:

A predição da Taxa de Perfuração (ROP, do inglês Rate of Penetration) desempenha papel central na otimização de operações na indústria de óleo e gás, influenciando diretamente a eficiência operacional e os custos associados à perfuração. Entretanto, modelos convencionais de aprendizado de máquina apresentam limitações nesse contexto em razão da forte não-linearidade das variáveis envolvidas e, sobretudo, da elevada heterogeneidade litológica e da baixa confiabilidade de sensores de fundo de poço, que resultam em séries temporais ruidosas e com lacunas. Neste trabalho, propõe-se o AutoDrill, um framework de Automated Machine Learning (AutoML) especificamente projetado para o domínio de perfuração. Em contraste com abordagens generalistas, o AutoDrill incorpora um pipeline de pré-processamento especializado em sinais de perfuração (incluindo suavização adaptativa, correção de transientes e interpolação de dados) acoplado a um mecanismo automatizado de busca e ajuste de hiperparâmetros. A avaliação experimental foi conduzida em diversos conjuntos de dados e cenários geológicos, utilizando registros provenientes de três repositórios offshore (Equinor Volve, USROP e NEATS NOPIMS). O desempenho do AutoDrill foi comparado aos frameworks AutoGluon e H2O AutoML, considerados representativos do estado da arte em AutoML. Os resultados indicam que o AutoDrill apresenta desempenho consistente e competitivo, alcançando coeficiente de determinação (R2) médio de 0,91 ao longo de todos os cenários analisados, com destaque para ambientes caracterizados por elevada heterogeneidade e ruído, como no caso do NEATS NOPIMS. Nesse cenário específico, o AutoDrill superou de forma significativa os frameworks de referência, reduzindo o erro absoluto médio (MAE) em até 80% e elevando o R2 de níveis inferiores a 0,20 para 0,94. Conclui-se, assim, que a incorporação sistemática de conhecimento de domínio no ciclo de automação do aprendizado de máquina é determinante para a robustez da predição em tempo real. Nessa perspectiva, o AutoDrill configura-se como uma abordagem prática, escalável e orientada ao domínio para a predição de ROP, contribuindo para o avanço da aplicação de técnicas de aprendizado de máquina na engenharia de petróleo.

MEMBROS DA BANCA:
Presidente - 1999579 - JOAO PAULO REUS RODRIGUES LEITE
Interno - 1634986 - EDVARD MARTINS DE OLIVEIRA
Externo ao Programa - 1328510 - ANDREAS NASCIMENTO - UNIFEIExterno à Instituição - FERNANDO GOMES MARTINS - UNIPORTO