Avaliação da performance de redes neurais para análise do comportamento reológico de fluidos de perfuração

Abstract

Este trabalho visa desenvolver um modelo preditivo baseado em redes neurais para prever o comportamento reológico de fluidos de perfuração em testes de reinício de escoamento. A necessidade surge devido aos desafios enfrentados com métodos experimentais tradicionais, que são demorados e custosos. A metodologia envolve o uso de redes neurais profundas para modelar o comportamento complexo destes fluidos, visando reduzir a dependência de testes experimentais. A análise foca em dados de fluidos à base de óleo, comparando previsões da rede neural com modelos matemáticos tradicionais. Os resultados quantitativos mostram uma diferença absoluta média (AAD) de 5,25% a 8,07%, evidenciando a precisão do modelo preditivo baseado em redes neurais. A conclusão destaca a eficácia das redes neurais em minimizar o número de testes necessários, funcionando como um "reômetro digital". Este avanço representa um potencial significativo para aplicações industriais complexas e abre caminho para futuras pesquisas em reologia de fluidos complexos usando aprendizado de máquina. Este estudo é um passo importante na direção de técnicas mais avançadas e eficientes para a análise reológica, com implicações práticas significativas na indústria de perfuração.

This work aims to develop a neural network to predict the rheological behavior of drilling fluids in flow restart tests. The need arises due to the challenges of traditional experimental methods, which are time-consuming and costly. The methodology involves using deep neural networks to model the complex behavior of these fluids, aiming to reduce the dependence on experimental tests. The analysis focuses on data from oil-based fluids, comparing neural network predictions with traditional mathematical models. The quantitative results show an Average Absolute Deviation (AAD) of 5.25% to 8.07%, demonstrating the precision of the neural network. The conclusion highlights the effectiveness of neural networks in minimizing the number of necessary tests, functioning as a "digital rheometer". This advancement represents significant potential for complex industrial applications and paves the way for future research in complex fluid rheology using machine learning. This study is an important step towards more advanced and efficient techniques for rheological analysis, with significant practical implications in the drilling industry.