Desenvolvimento de um sistema baseado em transformers multimodais para diagnóstico de eventos em plataformas offshore de extração de óleo e gás.

• Processo: 25/09605-0
• Modalidade de apoio: Bolsas no Brasil - Iniciação Científica
• Data de Início da vigência: 01 de julho de 2025
• Data de Término da vigência: 30 de junho de 2026
• Área de conhecimento: Engenharias - Engenharia Elétrica - Eletrônica Industrial, Sistemas e Controles Eletrônicos
• Pesquisador responsável: Eduardo Aoun Tannuri
• Beneficiário: Guilherme Luiz Müller Machado Filho
• Instituição Sede: Escola Politécnica (EP). Universidade de São Paulo (USP). São Paulo , SP, Brasil
• Empresa: Universidade de São Paulo (USP). Escola Politécnica (EP)
• Vinculado ao auxílio: 22/03698-8 - OTIC Centro de Inovação em Tecnologia Offshore, AP.PCPE
• Assunto(s): Inteligência artificial Aprendizado computacional
• Palavra(s)-Chave do Pesquisador: Diagnóstico de Eventos | Inteligência Artificial | machine learning | Plataforma Offshore | transformer | transformer multimodal | Inteligência Artificial

Resumo

As plataformas de petróleo offshore possuem diversos sensores para monitorar se os sistemas de extração de petróleo estão funcionando corretamente. Em caso de alguma falha, os operadores responsáveis precisam seguir três passos fundamentais: 1- a detecção em tempo hábil da falha2- diagnosticar as suas causas3- tomar as atitudes adequadas para voltar todos os processos da plataforma ao funcionamento normal [1].No entanto, com o avanço tecnológico, as plataformas offshore dispõem de cada vez mais sensores, o que torna mais difícil para uma equipe de técnicos ficar atenta a todos os dados do sistema em tempo real. Assim, podem surgir alguns problemas, como:1- a detecção tardia da falha2- o diagnóstico errôneo da falha3- a demora em determinar o diagnóstico das causas4- a demora em determinar qual a ação de controle mais adequadaUm exemplo de acidente causado, por exemplo, por uma detecção tardia de falha foi a explosão da Plataforma P-36 em 2001, que causou 11 mortes e um prejuízo calculado em US$ 500 milhões[2].Portanto, para evitar prejuízos e perdas humanas no setor de plataformas offshore, é necessário desenvolver uma ferramenta que seja capaz de lidar com grandes volumes de dados e de fazer inferências corretas a partir disso em um pequeno intervalo de tempo. Uma tecnologia com essa capacidade e que está avançando cada vez mais são os modelos de inteligência artificial, em específico os que são baseados na arquitetura de transformers multimodais[3], capazes de lidar com dados de diversos formatos, como imagens, tabelas, texto, etc. Alguns usos nos quais os transformers multimodais já foram aplicados, por exemplo, são diagnósticos médicos de exames de imagem, detecção de objetos em fotos e transcrição de áudio para texto. Visto que os dados de sensores das plataformas offshore geralmente podem ser representados por gráficos e números (ou seja, dois formatos de dados diferentes), esses modelos são promissores para a detecção e diagnóstico de falhas em tais sistemas.Assim, o objetivo deste trabalho é investigar a aplicação de modelos de transformers multimodais no ambiente de plataformas offshore, visto que esses programas conseguem processar e analisar grandes quantidades de dados e fazer inferências a partir desses dados de maneira muito mais rápida do que um ser humano. Esses modelos serão usados para desenvolver um sistema de detecção e diagnóstico de falhas em plataformas de petróleo offshore. O sistema será capaz de gerar alertas em caso de eventos anormais e também poderá ser consultado pelos funcionários responsáveis para fornecer informações sobre as causas de alguma possível anomalia e a melhor forma de lidar com ela.Atualmente, a aplicação de modelos de inteligência artificial em plataformas de petróleo offshore tem apresentado resultados promissores, com a aplicação de modelos que recebem séries temporais e detectam eventos anormais que possam estar acontecendo[1]. Esse trabalho busca contribuir com esses avanços utilizando modelos de redes neurais mais robustos capazes de interpretar dados mais complexos.1 - VARGAS, R. E. V. et al. A realistic and public dataset with rare undesirable real events in oil wells. Journal of Petroleum Science and Engineering, v. 181, p. 106223, 2019.2 - AGÊNCIA NACIONAL DO PETRÓLEO, GÁS NATURAL E BIOCOMBUSTÍVEIS (ANP); DIRETORIA DE PORTOS E COSTAS (DPC). Análise do acidente com a plataforma P-36: relatório da Comissão de Investigação ANP/DPC. Rio de Janeiro: ANP, jul. 2001.3 - XU, Peng; ZHU, Xiatian; CLIFTON, David A. Multimodal learning with transformers: a survey. IEEE Transactions on Pattern Analysis and Machine Intelligence, jun. 2022. (AU)