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

DOI: https://doi.org/10.5753/eniac.2019.9301

Abstract

This paper proposes the development of a tool to optimize classification of textual records related to failures in offshore drilling rig equipment. Given the high cost of offshore drilling rigs and the high amount of time spent reading and interpreting textual data, this tool translates into a practical and efficient way to tackle this type of data. After some adjustments on the database, the tools performance achieved outstanding results.

Keywords: Machine Learning, Text and Web Mining

References

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.