Três bolsistas do PRH 38.1 tiveram seus trabalhos aprovados para apresentação no Rio Oil & Gas Expo and Conference 2022. A 20ª edição do maior evento de óleo e gás da América Latina, acontecerá pela primeira vez num formato híbrido, no Boulevard Olímpico Rio de Janeiro, dos dias 26 a 29 de setembro de 2022.

A conferência terá diversos debates, apresentações e sessões com o objetivo de gerar conhecimento, ampliar o networking dos congressistas e desbravar novos caminhos com inovação e sustentabilidade. Abinadi Rufino, Thales Castro e Plínio Ramos, bolsistas de graduação, mestrado e doutorado, respectivamente, apresentarão os seguintes trabalhos:

Sensores raman distribuídos de temperatura à fibra óptica para poço de petróleo - análise de confiabilidade e testes acelerados de vida: O monitoramento de temperatura ao longo do poço de petróleo tem como objetivo obter informações importantes sobre a temperatura do fluido de produção e assim otimizar processos, planejamento operacional e segurança. Nos últimos anos, sensores à fibra óptica vem sendo amplamente utilizados para esse fim. As aplicações de fibras podem estar expostas a altas temperaturas (até 380 °C), altas pressões (até 20000 bar), e expostos a agentes químicos agressivos como água, H2S, CO2, e óleo cru. Contudo, poucos dados de confiabilidade e desempenho dos sensores ópticos para poços são conhecidos. Sendo assim, o trabalho apresenta uma análise de confiabilidade para o sensor raman distribuído de temperatura, baseado em metodologias de testes acelerados desenvolvidas de forma experimental, com base na literatura e opinião das partes interessadas na sua aplicação em poço de petróleo.

Sensor de índice de refração à fibra óptica com perfil D para aplicações em misturas de óleo combustível e detecção de vazamentos: O trabalho apresenta os processos de fabricação e caracterização de um sensor de índice de refração à fibra óptica de plástico com perfil D para aplicação na detecção de misturas de óleos combustíveis. Esse dispositivo tem potencial para a análise de concentrações de combustíveis e presença de contaminantes e na detecção de derramamento de óleo (bruto ou refinado) em água. O processo de fabricação consiste em retirar parcialmente ou totalmente a casca da fibra óptica através de polimento, expondo o núcleo e possibilitando a interação entre o sinal óptico que trafega no interior da fibra e o meio externo. A caracterização, por sua vez, se deu pela execução de medições em meios com índices de refração já conhecidos e misturas de água, álcool combustível, gasolina e óleo diesel, permitindo o cálculo da sensibilidade e da resolução do dispositivo. O sensor mostrou-se capaz de detectar variações no índice de refração devido a alterações nas concentrações das substâncias que compõem o meio externo à fibra óptica. O dispositivo tem potencial para ser utilizado em diversas aplicações, como no controle de qualidade de combustíveis, na detecção de derramamentos de óleo em água, na caracterização de substâncias e na detecção de vazamentos ou contaminações.

Drowsiness detection based on data fusion and advanced machine learning models: O trabalho busca identificar antecipadamente alguns comportamentos de fadiga/sonolência dos operadores em tarefas críticas para a segurança do trabalho e meio ambiente, como operadores de sala de controle de plataformas de petróleo ou monitoramento remoto. De fato, discute-se na literatura que fatores humanos, bem como fatores relacionados à tarefa, estão associados à fadiga, reduzindo o desempenho geral dos funcionários em ambientes de trabalho e levando à sonolência. Além disso, está em crescente interesse a possibilidade de investigar parâmetros biológicos a fim de aumentar a segurança do processo através da confiabilidade humana. Para isso, foi proposto um sistema de inteligência artificial de detecção de sonolência considerando três fontes de informações diferentes: dados faciais, registros de sinais de eletroencefalograma (EEG) e eletrooculograma (EOG). Foram analisados o desempenho de três modelos individuais, um para cada tipo de dado, sendo treinados e testados com técnicas de Machine e Deep Learning. Posteriormente, esses modelos foram combinados para prever a classificação final entre alerta e sonolência. Um banco de dados público de um experimento real de sonolência foi utilizado, considerando sinais de diferentes canais de EEG, EOG e imagens de vídeo.

Os textos dos trabalhos aprovados e vídeos das apresentações ficarão publicados na biblioteca online do IBP (Instituto Brasileiro de Petróleo e Gás), com registro ISSN e DOI.