IA combina sensores e comentários de operadores e reduz erro em teste de medição de vazão de petróleo

Faça um comentário

3 min de leitura

IA combina sensores e comentários de operadores e reduz erro em teste de medição de vazão de petróleo

Escrito por Fabio Lucas Carvalho

Publicado em 19/10/2026 às 20:01

Atualizado em 19/10/2026 às 21:50

Ciência e Tecnologia

Grupo

Seja o primeiro a reagir!

Prefira o CPG no Google

Pesquisadores na Noruega combinaram sensores e comentários operacionais para selecionar dados de treinamento de um medidor virtual de vazão. Em testes sintéticos de petróleo e gás, o erro caiu, mas falta validação em operações reais.

Pesquisadores na Noruega testaram uma forma de melhorar a estimativa de vazão em poços de petróleo e gás: usar comentários operacionais junto aos números dos sensores. Em dados sintéticos, o erro percentual absoluto médio caiu de 7,1% para 5,4%.

O trabalho reúne pesquisadores da Universidade de Stavanger e da empresa Solution Seeker. Foi submetido ao arXiv em 14 de outubro de 2026. A página do estudo original informa que o artigo foi aceito na conferência FAIEMA 2026.

O que significa a redução do erro

A diferença equivale a 1,7 ponto percentual, ou cerca de 24% de redução relativa do erro. Isso não significa aumento de 24% na produção. A comparação trata da qualidade das estimativas geradas pelo medidor virtual.

ARTIGO CONTINUA ABAIXO

Veja também

Nesse indicador, chamado MAPE, calcula-se quanto cada previsão se afasta do valor de referência, em termos percentuais. Depois, obtém-se a média dos desvios absolutos. Assim, erros para cima e para baixo não se anulam no resultado.

Por ser uma média, esse número não descreve, sozinho, o pior caso. Algumas previsões podem apresentar desvios maiores ou menores que o percentual divulgado no estudo.

Como a inteligência artificial seleciona os dados

O sistema usa inteligência artificial para decidir quais registros entram no ajuste de um medidor virtual. Cada amostra recebe uma indicação para ser mantida ou excluída. O modelo de vazão é calibrado posteriormente com os dados selecionados.

Esse medidor estima a vazão de líquido a partir do comprimento do poço e da diferença de pressão entre fundo e cabeça. A proposta atua na escolha dos dados usados para ajustar seus parâmetros.

A comparação de 7,1% com 5,4% envolve duas versões da filtragem por modelo de linguagem: uma recebe somente sensores; a outra também recebe textos. Portanto, o resultado mede especificamente a contribuição adicional dos comentários nesse experimento.

Sem qualquer filtragem, o erro foi de 12,5%. Com os filtros estatísticos Tukey e Mahalanobis, ficou em 10% e 9,4%, respectivamente. A combinação de sensores e comentários também elevou de 84% para 87% a parcela de previsões com erro de até 10%.

Testes usaram um simulador de poços

Os dados foram gerados com o ManyWells, ferramenta que simula escoamento de líquidos e gás em poços. O programa representa petróleo e água como uma fase líquida misturada e permite gerar dados de produção para experimentos computacionais.

Segundo a documentação do simulador, ele também pode ser empregado para prever vazão mediante calibração com dados históricos e investigar como alterações nas variáveis afetam o comportamento calculado. Essas possibilidades descrevem usos da ferramenta, sem transformar simulações em medições de campo.

Resultado ainda precisa de validação em operações reais

O teste de filtragem abrangeu 13 configurações de poços, sendo três de referência e dez para treinamento. Os comentários foram inspirados em registros offshore noruegueses, com textos em inglês e norueguês. As anomalias foram introduzidas deliberadamente.

Há uma simplificação importante: os registros normais não receberam comentários indicando anomalias, e os registros anômalos não receberam notas de normalidade. Esse desenho limita a representação de documentos contraditórios encontrados numa operação.

Os autores reconhecem que resultados reais podem ser diferentes. Todos os experimentos com modelos de linguagem utilizaram o Claude Sonnet 4.6. A validação com dados industriais reais continua necessária para avaliar a aplicação prática.