{"id":{"repo_id":"brazil-uff","oai_identifier":"oai:app.uff.br:1/39358"},"canonical_url":"https://search.dev.ndltd.org/etd/brazil-uff/oai:app.uff.br:1/39358","repository":{"repo_id":"brazil-uff","name":"Brazil UFF","base_url":"https://app.uff.br/oai/request"},"display":{"title":"Aplicação de aprendizado de máquina não-supervisionado na determinação da rota de completação de poços","abstract":"Tendo em vista a crescente demanda por aumento da exploração de poços de petróleo e gás no cenário brasileiro, as operações de completação de poços têm ganhado relevância, uma vez que são elementos vitais para assegurar a integridade das estruturas, a produtividade dos campos e a preservação ambiental. Nesse contexto, destacam-se dois grandes subgrupos de estratégias de completação, convencional e inteligente. Diante desse cenário, o presente trabalho teve como objetivo implementar um sistema baseado em aprendizado de máquina não supervisionado para determinar a rota ideal de completação de poços de petróleo. A metodologia foi estruturada de forma sequencial, iniciando-se pela coleta e análise de dados históricos sobre completações, considerando variáveis como profundidade, número de zonas, diâmetro do poço, porosidade, permeabilidade, densidade, temperatura e pressão, além das técnicas previamente utilizadas. Foi aplicada a técnica de aprendizado de máquina não supervisionado, utilizando o algoritmo K-means para realizar a clusterização dos dados e identificar padrões que indicassem as melhores rotas de completação. Ferramentas como o método do cotovelo, o índice de silhouette e o diagrama de Voronoi foram empregadas para determinar a quantidade ideal de clusters. A avaliação do modelo considerou métricas como precisão e eficiência. A etapa de validação utilizou novos conjuntos de dados rotulados para comparar as previsões obtidas com os métodos tradicionais, possibilitando ajustes e melhorias no sistema. A partir da análise do conjunto de dados rotulados, os resultados indicaram que a utilização de três clusters apresentou acurácia de 87%, superior ao modelo com dois clusters, que obteve 52%. Esses resultados sugerem que a aplicação de aprendizado de máquina não supervisionado pode ser uma alternativa promissora para a tomada de decisão em operações de completação, contribuindo para a inovação tecnológica na indústria de petróleo e gás.","abstract_html":"Tendo em vista a crescente demanda por aumento da exploração de poços de petróleo e gás no cenário brasileiro, as operações de completação de poços têm ganhado relevância, uma vez que são elementos vitais para assegurar a integridade das estruturas, a produtividade dos campos e a preservação ambiental. Nesse contexto, destacam-se dois grandes subgrupos de estratégias de completação, convencional e inteligente. Diante desse cenário, o presente trabalho teve como objetivo implementar um sistema baseado em aprendizado de máquina não supervisionado para determinar a rota ideal de completação de poços de petróleo. A metodologia foi estruturada de forma sequencial, iniciando-se pela coleta e análise de dados históricos sobre completações, considerando variáveis como profundidade, número de zonas, diâmetro do poço, porosidade, permeabilidade, densidade, temperatura e pressão, além das técnicas previamente utilizadas. Foi aplicada a técnica de aprendizado de máquina não supervisionado, utilizando o algoritmo K-means para realizar a clusterização dos dados e identificar padrões que indicassem as melhores rotas de completação. Ferramentas como o método do cotovelo, o índice de silhouette e o diagrama de Voronoi foram empregadas para determinar a quantidade ideal de clusters. A avaliação do modelo considerou métricas como precisão e eficiência. A etapa de validação utilizou novos conjuntos de dados rotulados para comparar as previsões obtidas com os métodos tradicionais, possibilitando ajustes e melhorias no sistema. A partir da análise do conjunto de dados rotulados, os resultados indicaram que a utilização de três clusters apresentou acurácia de 87%, superior ao modelo com dois clusters, que obteve 52%. Esses resultados sugerem que a aplicação de aprendizado de máquina não supervisionado pode ser uma alternativa promissora para a tomada de decisão em operações de completação, contribuindo para a inovação tecnológica na indústria de petróleo e gás.","abstract_has_math":false,"creators":["Sousa, Gabriel Maia"],"institution":null,"degree_name":null,"degree_level":null,"degree_discipline":null,"degree_department":null,"school":null,"contributors":[],"advisors":[],"committee_chairs":[],"committee_members":[],"year":null,"date_issued":"","date_published":null,"updated_at":"2026-07-27T19:00:59Z","subjects":[],"languages":["pt_BR"],"rights":["Open Access"],"rights_urls":[],"identifier_entries":[]},"links":{"outbound_url":"https://app.uff.br/riuff/handle/1/39358","outbound_label":"Repository record","outbound_source":"dc:identifier.uri"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["Sousa, Gabriel Maia"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date.accessioned","label":"Dc Date Accessioned","values":["2025-07-21T19:04:08Z"]},{"key":"dc:date.available","label":"Dc Date Available","values":["2025-07-21T19:04:08Z"]},{"key":"dc:type","label":"Dc Type","values":["Trabalho de conclusão de curso"]}]},{"id":"language_rights","label":"Language and Rights","entries":[{"key":"dc:language.iso","label":"Language (ISO)","values":["pt_BR"]},{"key":"dc:rights","label":"Dc Rights","values":["Open Access"]}]},{"id":"identifiers","label":"Identifiers","entries":[{"key":"dc:identifier.uri","label":"Identifier URI","values":["https://app.uff.br/riuff/handle/1/39358"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description.abstract","label":"Abstract","values":["Tendo em vista a crescente demanda por aumento da exploração de poços de petróleo e gás no cenário brasileiro, as operações de completação de poços têm ganhado relevância, uma vez que são elementos vitais para assegurar a integridade das estruturas, a produtividade dos campos e a preservação ambiental. Nesse contexto, destacam-se dois grandes subgrupos de estratégias de completação, convencional e inteligente. Diante desse cenário, o presente trabalho teve como objetivo implementar um sistema baseado em aprendizado de máquina não supervisionado para determinar a rota ideal de completação de poços de petróleo. A metodologia foi estruturada de forma sequencial, iniciando-se pela coleta e análise de dados históricos sobre completações, considerando variáveis como profundidade, número de zonas, diâmetro do poço, porosidade, permeabilidade, densidade, temperatura e pressão, além das técnicas previamente utilizadas. Foi aplicada a técnica de aprendizado de máquina não supervisionado, utilizando o algoritmo K-means para realizar a clusterização dos dados e identificar padrões que indicassem as melhores rotas de completação. Ferramentas como o método do cotovelo, o índice de silhouette e o diagrama de Voronoi foram empregadas para determinar a quantidade ideal de clusters. A avaliação do modelo considerou métricas como precisão e eficiência. A etapa de validação utilizou novos conjuntos de dados rotulados para comparar as previsões obtidas com os métodos tradicionais, possibilitando ajustes e melhorias no sistema. A partir da análise do conjunto de dados rotulados, os resultados indicaram que a utilização de três clusters apresentou acurácia de 87%, superior ao modelo com dois clusters, que obteve 52%. Esses resultados sugerem que a aplicação de aprendizado de máquina não supervisionado pode ser uma alternativa promissora para a tomada de decisão em operações de completação, contribuindo para a inovação tecnológica na indústria de petróleo e gás."]},{"key":"dc:title","label":"Title","values":["Aplicação de aprendizado de máquina não-supervisionado na determinação da rota de completação de poços"]}]}],"canonical_facts":{"dc:creator":["Sousa, Gabriel Maia"],"dc:date.accessioned":["2025-07-21T19:04:08Z"],"dc:date.available":["2025-07-21T19:04:08Z"],"dc:description.abstract":["Tendo em vista a crescente demanda por aumento da exploração de poços de petróleo e gás no cenário brasileiro, as operações de completação de poços têm ganhado relevância, uma vez que são elementos vitais para assegurar a integridade das estruturas, a produtividade dos campos e a preservação ambiental. Nesse contexto, destacam-se dois grandes subgrupos de estratégias de completação, convencional e inteligente. Diante desse cenário, o presente trabalho teve como objetivo implementar um sistema baseado em aprendizado de máquina não supervisionado para determinar a rota ideal de completação de poços de petróleo. A metodologia foi estruturada de forma sequencial, iniciando-se pela coleta e análise de dados históricos sobre completações, considerando variáveis como profundidade, número de zonas, diâmetro do poço, porosidade, permeabilidade, densidade, temperatura e pressão, além das técnicas previamente utilizadas. Foi aplicada a técnica de aprendizado de máquina não supervisionado, utilizando o algoritmo K-means para realizar a clusterização dos dados e identificar padrões que indicassem as melhores rotas de completação. Ferramentas como o método do cotovelo, o índice de silhouette e o diagrama de Voronoi foram empregadas para determinar a quantidade ideal de clusters. A avaliação do modelo considerou métricas como precisão e eficiência. A etapa de validação utilizou novos conjuntos de dados rotulados para comparar as previsões obtidas com os métodos tradicionais, possibilitando ajustes e melhorias no sistema. A partir da análise do conjunto de dados rotulados, os resultados indicaram que a utilização de três clusters apresentou acurácia de 87%, superior ao modelo com dois clusters, que obteve 52%. Esses resultados sugerem que a aplicação de aprendizado de máquina não supervisionado pode ser uma alternativa promissora para a tomada de decisão em operações de completação, contribuindo para a inovação tecnológica na indústria de petróleo e gás."],"dc:identifier.uri":["https://app.uff.br/riuff/handle/1/39358"],"dc:language.iso":["pt_BR"],"dc:rights":["Open Access"],"dc:title":["Aplicação de aprendizado de máquina não-supervisionado na determinação da rota de completação de poços"],"dc:type":["Trabalho de conclusão de curso"]},"updated_at":"2026-07-27T19:00:59Z"}