Please use this identifier to cite or link to this item:
http://dspace.sti.ufcg.edu.br:8080/jspui/handle/riufcg/33055
Full metadata record
DC Field | Value | Language |
---|---|---|
dc.description.resumo | O trabalho tece análise de séries temporais no potencial de produção de óleo em plataformas marítimas. O estudo contempla o desafiador cenário de amadurecimento da Bacia geográfica de campos, essas que possuem um declínio de produção natural difícil de prever. O modelo aplica decomposição com STL, de modo a ajustar a série histórica com retirada da tendência para a aplicação dos métodos de previsão, e com sua posterior reincorporação para análise do erro. Esse tratamento é realizado devido à alta presença de tendência de declínio da série histórica. Compara-se a previsão de métodos estatísticos (ETS, ARIMA, Prophet) com métodos de redes neurais que fazem uso de aprendizado de máquina (MLP, RBF e ELM). É verificado que o MLP e o ELM apresentaram os menores erros em relação aos demais. Atribui-se os melhores resultados ao alto processamento computacional dos métodos de aprendizado de máquina, e principalmente, devido a metodologia que separa a tendência do restante da série histórica, dessa forma os métodos de redes neurais conseguem interpretar melhor os dados remanescentes que são não lineares. | pt_BR |
dc.publisher.country | Brasil | pt_BR |
dc.publisher.initials | UFCG | pt_BR |
dc.subject.cnpq | Engenharia de Produção. | pt_BR |
dc.citation.issue | 11 | pt_BR |
dc.title | Previsão do potencial de produção em plataformas marítimas: comparação entre métodos estatísticos e redes neurais. | pt_BR |
dc.date.issued | 2023 | - |
dc.identifier.uri | http://dspace.sti.ufcg.edu.br:8080/jspui/handle/riufcg/33055 | - |
dc.date.accessioned | 2023-11-21T23:25:22Z | - |
dc.date.available | 2023-11-21 | - |
dc.date.available | 2023-11-21T23:25:22Z | - |
dc.type | Artigo de Evento | pt_BR |
dc.subject | Produção de óleo | pt_BR |
dc.subject | Métodos de previsão | pt_BR |
dc.subject | Métodos estatísticos | pt_BR |
dc.subject | Multilayer percepton - MLP | pt_BR |
dc.subject | Radial basis function | pt_BR |
dc.subject | Redes neurais | pt_BR |
dc.subject | Extreme learning machine | pt_BR |
dc.subject | Suavização exponencial | pt_BR |
dc.subject | ARIMA - método estatístico | pt_BR |
dc.subject | Oil production | pt_BR |
dc.subject | Forecasting methods | pt_BR |
dc.subject | Statistical methods | pt_BR |
dc.subject | Multilayer percepton - MLP | pt_BR |
dc.subject | Radial basis function | pt_BR |
dc.subject | Neural networks | pt_BR |
dc.subject | Exponential smoothing | pt_BR |
dc.subject | ARIMA - statistical method | pt_BR |
dc.subject | Plataformas marítimas | pt_BR |
dc.rights | Acesso Aberto | pt_BR |
dc.creator | MARQUES, Vitor Hugo Pinheiro. | - |
dc.creator | CYRINO, Fernando Luiz. | - |
dc.creator | CASTRO, Antônio Orestes de Salvo. | - |
dc.creator | BOMFIM, Gabriel Alcântara. | - |
dc.publisher | Universidade Federal de Campina Grande | pt_BR |
dc.language | por | pt_BR |
dc.title.alternative | Forecasting production potential on offshore platforms: comparison between statistical methods and neural networks. | pt_BR |
dc.identifier.citation | MARQUES, Vitor Hugo Pinheiro; CYRINO, Fernando Luiz; CASTRO, Antônio Orestes de Salvo; BOMFIM, Gabriel Alcântara. Previsão do potencial de produção em plataformas marítimas: comparação entre métodos estatísticos e redes neurais. In: XI SIMPÓSIO DE ENGENHARIA DE PRODUÇÃO, 11, 2023. Anais [...]. Campina Grande - PB, Garden Hotel & Resort,, 2023. ISSN: 2318-9258. Disponível em: http://dspace.sti.ufcg.edu.br:8080/jspui/handle/riufcg/33055 | pt_BR |
Appears in Collections: | Anais do Simpósio de Engenharia de Produção SIMEP |
Files in This Item:
File | Description | Size | Format | |
---|---|---|---|---|
PREVISÃO DO POTENCIAL DE PRODUÇÃO EM PLATAFORMAS MARÍTIMAS - COMPARAÇÃO ENTRE MÉTODOS - ANAIS XI SIMEP ARTIGO 2023.pdf | Previsão do potencial de produção em plataformas marítimas: comparação entre métodos estatísticos e redes neurais. - Anais XI SIMEP Artigo 2023 | 237.68 kB | Adobe PDF | View/Open |
Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.