Esta pesquisa visa estimar correntes oceânicas locais que afetam uma plataforma FPSO (Floating, Production, Storage, and Offloading) localizada na costa brasileira. Condições ambientais severas, como ventos, ondas e correntes, podem impactar a eficácia da exploração de petróleo em alto mar, reduzindo o período de transferência de óleo e gerando situações de risco. Nos FPSOs com amarração do tipo Turret, devido ao seu casco ser semelhante aos dos navios e também à sua propriedade de alinhamento a resultante das condições ambientais, a utilização de sensores capazes de aferir essas forças da natureza, além de medir a respectiva resposta da plataforma, trariam grandes vantagens na operação dessas plataformas. Não obstante, sensores de corrente não são tipicamente empregados. Nesse sentido, Redes Neurais Artificiais MLP foram implementadas para determinar as propriedades da corrente local - velocidade e direção, com base nos movimentos da Plataforma. Para gerar o conjunto de dados de treinamento, aproximadamente 29.000 condições ambientais observadas na região de interesse foram coletadas. Estas condições foram consideradas como entrada para simulações numéricas para um FPSOTurret (comprimento entre perpendiculares: 257 m, boca: 52 m), com duas condições de carregamento: plena carga e lastro, calados de 15,6 m e 10,5 m, respectivamente. As simulações forneceram respostas da plataforma no domínio do tempo, a partir das quais estatísticas de movimento (média e desvio padrão) foram calculadas para gerar o conjunto de dados final imputados nas MLP, composto pelo aproamento médio e desvios padrão de elevação, adernamento, arfagem e cabeceio; além da velocidade e direção do vento. Este conjunto de dados foi dividido na proporção 70/20/10. O maior conjunto foi utilizado para treinar as quatro Redes Neurais (duas para a condicao de plena carga uma para velocidade e outra para direção da corrente e as outras duas para a condição em lastro). Os demais dados foram utilizados para otimizar/validar os hiperparâmetros dos modelos de estimação e para o teste. Devido à propriedade de direcionalidade das condições ambientais, há muita informação sobre a direção de corrente para os quadrantes Noroeste a Sudoeste e poucos dados na direção oposta. Isso faz com que o conjunto de dados final fique desequilibrado. Além disso, sabe-se que a resposta não linear da plataforma às condições ambientais é capaz de gerar mais de um aproamento final para condições ambientais semelhantes ou vice-versa, dificultando a correlação entre o aproamento final e a direção das correntes. Esses obstáculos levaram ao pós-processamento dos resultados das MLPs. Os resultados para ambos os calados demonstraram uma forte relação entre os valores estimados e de referência (correlações de 70% e 90% para a velocidade e direção da corrente, respectivamente, para as duas condições de carregamento), e erros absolutos médios de 0,11 m/s e 25° para condição de plena carga e 0,1 m/s e 26°, quando em lastro.

This research proposes estimating local ocean currents affecting a Turret-Moored FPSO (Floating, Production, Storage, and Offloading) platform offshore the Brazilian coast. Strong environmental conditions, such as winds, waves, and currents, may impact the effectiveness of oil exploration at deep sea, reducing the offloading time and even generating risky situations. With TurretMoored FPSOs, due to their hull-shaped format and the weathervaning property, onboard sensors, capable of estimating these conditions and the respective platform response, are very important for the operation of these platforms. Since obtaining accurate measurements of ocean currents is difficult with ordinary onboard sensors, a motion-based Multi-Layer Perceptron Neural Network (MLP) is proposed to determine local current properties speed and direction. To generate the training dataset, a set of 29,000 observed environmental conditions in the offshore basin was collected. These conditions were considered as input to numerical simulations for a Turret-FPSO (length between perpendiculars: 257 m, beam: 52 m), with two loading conditions: fully loaded and ballasted, drafts of 15.6 m and 10.5 m, respectively. The simulations provided time-domain platform responses, from which motion statistics (mean and standard deviation) were computed to generate the final dataset inputted into the MLP, composed of heading, Standard deviations of heave, roll, pitch and yaw; and wind speed and direction. This dataset was split in the proportion 70/20/10. The largest dataset was used to train four Neural Networks (two for the complete load condition one for current speed and the other for current direction and the other two for the ballast condition). The remaining data were used to optimize/validate the hyperparameters of the estimation models and for testing. Due to the directionality property of environmental conditions, there is much information on the current direction to the Northwest to Southwest quadrants and only a few data in the opposite direction. This makes the final dataset to be unbalanced. Besides that, considering that the FPSO heading is essential for determining the current properties, the non-linear platform response to environmental conditions hampers the estimation process by generating more than one equilibrium heading position for the same input or vice-versa. These hindrances led to a static postprocessing analysis of MLP outcomes. Results for both drafts have demonstrated a strong relationship between estimated and reference values (correlations of 70% and 90% for current speed and direction, respectively, for the two loading conditions), and mean absolute errors of 0.11 m/s and 25° for complete load condition, and 0.10 m/s and 26° when in ballast.