Defesa de Dissertação de Lesly Shessira Ttito Ugarte, 09/07/25, 14h, por videoconferência

Defesa de Dissertação de Lesly Shessira Ttito Ugarte, 09/07/25, 14h, por videoconferência

 

Link para defesa: meet.google.com/tem-eyzu-iep


Comparative Analysis on the Identification of Anomalies in Time Series Using One Class Deep Learning Algorithms Applied to Subsea Valves

Resumo:

 

A indústria petrolífera representa uma fonte significativa de receita para o Brasil, e a empresa nacional mais representativa neste campo é a PETROBRAS. A PETROBRAS tem feito investimentos consideráveis ​​na melhoria de seus processos através do que hoje é chamado de manufatura inteligente, incluindo a análise de válvulas submarinas em poços de petróleo usando diferentes técnicas, começando com matemática, estatística e inteligência artificial. Portanto, identificar anomalias presentes nas séries temporais multivariadas capturadas por sensores nessas válvulas submarinas antes que elas ocorram tem um impacto financeiro significativo. Neste contexto, este artigo de pesquisa compara três modelos de aprendizado profundo para detecção de anomalias em válvulas submarinas em poços de petróleo usando o conjunto de dados público chamado 3W, que contém dados de 21 poços de petróleo e oito tipos de anomalias. Os seguintes modelos foram aplicados: CNN, LSTM e Informer. A técnica de classificação One-Class também foi usada para treinar os modelos e introduzir anomalias na fase de testes. A técnica SlidingWindow foi usada para gerar janelas de 400 segundos. Os experimentos foram divididos em 6 e 4, com valores de hiperparâmetros variáveis em cada caso. Os resultados mostram que o modelo Informer oferece melhor desempenho e melhores resultados para o problema proposto graças ao uso do ProbSparseAttention, que aprende relações globais e oferece escalabilidade superior. O LSTM é conservador e, com ajuste fino, o modelo CNN pode alcançar bons resultados para o problema proposto.

Abstract:

 

The oil industry represents a significant source of revenue for Brazil, and the most representative national company in this field is PETROBRAS. PETROBRAS has made considerable investments in improving its processes through what is now called smart manufacturing, including the analysis of subsea valves in oil wells using different techniques, starting with mathematics, statistics, and artificial intelligence. Therefore, identifying anomalies present in the multivariate time series captured by sensors in these subsea valves before they occur has a significant financial impact. In this context, this research paper compares three deep learning models for detecting anomalies in subsea valves in oil wells using the public dataset called 3W, which contains data from 21 oil wells and eight types of anomalies. The following models were applied: CNN, LSTM, and Informer. The One-Class classification technique was also used to train the models and introduce anomalies into the testing phase. The SlidingWindow technique was used to generate 400-second windows. The experiments were divided into 6 and 4, with variable hyperparameter values in each case. The results show that the Informer model offers better performance and better results for the proposed problem thanks to the use of ProbSparseAttention, which learns global relationships and offers superior scalability. The LSTM is conservative, and with fine-tuning, the CNN model can achieve good results for the proposed problem.

Banca  examinadora:

 

Profa. Flavia Cristina Bernardini, UFF – Presidente

Prof. Esteban Walter Gonzalez Clua, UFF

Prof. Carlos Eduardo Pantoja, CEFET/RJ

Dr. Eduardo de Oliveira Andrade, BlueShift Brasil

Related Posts

Leave a Reply