Dissertação de Mestrado

A medição de vazão de gás por placa de orifício permanece como uma das tecnologias mais difundidas na indústria de petróleo e gás, destacando-se por sua simplicidade e baixo custo. Em um cenário focado em alta eficiência operacional e conformidade legal, o monitoramento contínuo do desempenho desses medidores e a detecção de anomalias são cruciais. Este trabalho avalia e compara o desempenho de modelos de aprendizado profundo, baseados em Autoencoders (AE) e Redes Siamesas (SNN), para a tarefa de detecção de anomalias em dados de medição por placa de orifício. A avaliação foi conduzida utilizando tanto dados sintéticos, gerados por um medidor virtual desenvolvido para este fim, quanto dados operacionais reais coletados de plataformas de produção. Os resultados em dados sintéticos demonstraram que ambas as arquiteturas são capazes de aprender representações complexas dos dados, com as Redes Siamesas apresentando um desempenho de classificação consistentemente superior ao dos AEs, validando a hipótese de que sua função de perda promove uma melhor separabilidade no espaço latente. Arquiteturas baseadas em LSTM (Long Short-Term Memory) alcançaram o melhor desempenho geral, embora modelos MLP (Perceptron de Múltiplas Camadas) e Convolucionais também se tenham mostrado viáveis. Nos dados reais, o desempenho foi heterogêneo: excelente em sistemas com dados estáveis, mas insatisfatório em sistemas com alta variabilidade e ruído. Essa análise revelou uma limitação fundamental da abordagem: a subotimalidade de um limiar de decisão global para dados multivariados, onde variáveis ruidosas podem mascarar anomalias em outras mais estáveis. Conclui-se que, embora o aprendizado profundo ofereça um potencial significativo, não existe uma arquitetura superior, e a sua aplicação bem-sucedida é fortemente condicionada pelas características dos dados de cada sistema de medição. Adicionalmente, o estudo reforça a importância de dados sintéticos para o desenvolvimento e a avaliação controlada de modelos de detecção de anomalias.

Gas flow measurement by orifice plate remains one of the most widespread technologies in the oil and gas industry, noted for its simplicity and low cost. In a scenario focused on high operational efficiency and compliance, it is important to continuously monitor the performance of these meters and detect anomalies. This work evaluates and compares the performance of deep learning models, based on Autoencoders (AE) and Siamese Networks (SNN), for the task of anomaly detection in orifice plate measurement data. The evaluation was conducted using both synthetic data, generated by a virtual flowmeter, and real operational data collected from production platforms. The results on synthetic data demonstrated that both architectures are capable of learning complex data representations, with Siamese Networks consistently showing superior classification performance compared to AEs. This validates the hypothesis that their loss function promotes better separability in the latent space. LSTM (Long Short-Term Memory) based architectures achieved the best overall performance, although MLP (Multilayer Perceptron) and Convolutional models also proved to be viable. On real-world data, performance was heterogeneous: excellent in systems with stable data, but unsatisfactory in those with high variability and noise. This analysis revealed a fundamental limitation of the approach: the sub-optimality of a global decision threshold for multivariate data, where noisy variables can mask anomalies in more stable ones. It is concluded that, while deep learning offers significant potential, no single architecture is universally superior, and its successful application is strongly conditioned by the intrinsic characteristics of data from each measurement system. Additionally, the study reinforces the importance of synthetic data for the controlled development and evaluation of anomaly detection models.