Utilizando modelos de Aprendizado Profundo para detecção de falhas em linhas de amarração de plataformas em alto mar
Sistemas de detecção de falhas em sistemas de amarração de plataformas FPSOs
Motivação
Plataformas flutuantes são utilizadas para exploração de recursos em alto mar. A estabilidade dessas plataformas offshores é mantida por seus sistemas de amarração, cuja integridade é muito importante para a operação segura da unidade. O monitoramento constante da integridade das linhas de amarração é de suma importância, dado que a estrutura flutuante está sempre exposta às condições ambientais do mar (ondas, ventos e correntes).
Esquema de uma produção offshore.
Objetivo
O projeto tem o objetivo de desenvolver um método de monitoramento das linhas de amarração utilizando algoritmos recentes e no estado da arte de Aprendizado Profundo (ou Deep Learning (DL), em inglês), a partir dos dados de movimento da plataforma. O sistema é composto por
(1) módulo DL de previsão de movimentos futuros da plataforma.
(2) cálculo do erro entre o movimento previsto e o medido e
(3) módulo de classificação do estado das linhas de amarração em função dos erros, indicando se houve ou não rompimento em alguma linha.
Arquitetura de Software
Foco: desenvolver um modelo de previsão de movimentos de alta precisão.
Modelo: optou-se pelo modelo DL recente Temporal Fusion Transformer (TFT).
Projeto: adota uma arquitetura e ferramentas que facilitam a execução e acompanhamento de experimentos.
Resultados do sistema
A previsão dos movimentos com o Temporal Fusion Transformer resultou em desempenho bastante promissor, permitindo clara distinção no erro quando ocorre rompimento em uma linha.
A partir dos erros entre os movimentos previstos pelo modelo de regressão e os movimentos reais, O classificador utilizado, CatBoost, obteve uma taxa de acerto de 99,9% em conjuntos de teste.
