Classificação de falhas de equipamentos de unidade de intervenção em construção de poços marítimos por meio de mineração textual

  • Marcus Cesar Petrobras S.A.
  • Marley Vellasco PUC-Rio
  • Karla Figueiredo UERJ

Resumo


Este trabalho propõe o desenvolvimento de uma ferramenta para otimizar a classificação de registros textuais de falhas ocorridas em equipamentos de plataformas de perfuração de poços marítimos. Dado o alto custo de utilização destas plataformas e o elevado tempo dispendido para leitura e interpretação de dados textuais, tal ferramenta se traduz em uma forma prática e eficiente de tratamento deste tipo de dado. Após correções na base de dados, a ferramenta apresentou resultados acima dos obtidos em fase de avaliação.

Palavras-chave: Machine Learning, Text and Web Mining

Referências

Aranha, C. N. (2007) Uma abordagem de pré-processamento automático para mineração de textos em português: sob o enfoque da inteligência computacional, Tese de Doutorado, PUC-Rio, Rio de Janeiro, Brasil.

Cesar, M. V. G. (2017) Classificação de falhas de equipamentos de unidades de intervenção em construção de poços marítimos por meio de mineração textual. Dissertação de mestrado, PUC-Rio, Rio de Janeiro, Brasil.

Cortes C., Vapnik V. (1995) Support Vector Networks. Machine Learning 20:273-297.

Dias, M. A. L., Malheiros M. G. (2004) Estudo de Técnicas de Radicalização para a Língua Portuguesa. Centro Universitário UNIVATES, Lajeado, Rio Grande do Sul, Brasil.

Feinerer I., Hornik K. (2015) Tm: Text Mining Package. R package version 0.6-2.

Gunn, S. (1998) Support Vector Machines for Classification and Regression. ISIS Technical Report.

Gomes, N. O. (2013) Categorização de textos - estudo de caso: documentos de pedidos de patente no idioma português. Tese de Doutorado, PUC-Rio, Rio de Janeiro, Brasil.

He H., Garcia E. A. (2009) Learning from Imbalanced Data. IEEE Trans. Knowledge and Data Engineering, vol. 21, issue 9, pp. 1263-1284.

Hsu C., Chang C., Lin C. A (2010) Practical Guide to Support Vector Classification. Department of Computer Science, National Taiwan University, Taipei, Taiwan.

Hsu, C., Lin, C. (2012) A Comparison on Methods for Multi-class Support Vector Machines. In IEEE Transactions on Neural Networks, vol. 13 (2), pp. 415-425.

IHS, (Information Handling Services Petrodata) (2016) Offshore Rig Day Rate Trends. Disponível em: https://www.ihs.com/products/oil-gas-drilling-rigs-offshore-dayrates.html. Acessado em: 01/02/2017.

Kaiser, M. J. (2009) Modeling the time and cost to drill an offshore well. Elsevier Energy Jornal, vol. 34, Issue 9, pp. 1043-1422.

Landmark (2017) Open Wells® Operations Reporting – Software para registro de operações em construções de poços. Disponível em:< https://www.landmark.solutions/OpenWells>. Acesso em: 12 de jan. 2017.

Lopes, M. C. S. (2004) Mineração de dados textuais utilizando técnicas de clustering, para o idioma português. Dissertação de mestrado, UFRJ, Rio de Janeiro, Brasil.

Paice, C. D. (1983) Another Stemmer. Department of Computing. Lancaster University, Reino Unido.

Salton G., Mcgill M. J. (1986) Introduction to modern information retrieval. McGraw-Hill.

Silva, A. A. (2007). Aîuri: Um portal para Mineração de Textos integrado a Grids, Dissertação de Mestrado, UFRJ, Rio de Janeiro, Brasil.

Soares, F. A. (2013) Categorização Automática de Textos Baseada em Mineração de Textos, Tese de Doutorado, PUC-Rio, Rio de Janeiro, Brasil.

Sokolova M., Lapalme, G. (2009) A systematic analysis of performance measures for classification tasks. Information Processing and Management 45, pp. 427-437. Elsevier.
Publicado
15/10/2019
Como Citar

Selecione um Formato
CESAR, Marcus; VELLASCO, Marley; FIGUEIREDO, Karla. Classificação de falhas de equipamentos de unidade de intervenção em construção de poços marítimos por meio de mineração textual. In: ENCONTRO NACIONAL DE INTELIGÊNCIA ARTIFICIAL E COMPUTACIONAL (ENIAC), 16. , 2019, Salvador. Anais [...]. Porto Alegre: Sociedade Brasileira de Computação, 2019 . p. 401-412. DOI: https://doi.org/10.5753/eniac.2019.9301.