Lean Six Sigma e apprendimento automatico per l'ottimizzazione: Prevedere la viscosità degli oli pesanti con il machine learning ottimizzare l'iniezione di vapore ridurre gli sprechi energetici

Lo sfruttamento del petrolio pesante presenta notevoli sfide energetiche e operative a causa dell'elevata viscosità, che incide direttamente sull'efficienza dei processi di recupero termico. Nel giacimento di Tsimiroro, in Madagascar, una previsione accurata della viscosità è fondamentale per ottimizzare l'iniezione di vapore e mitigare gli eccessivi sprechi energetici. Questo studio adotta la metodologia Lean Six Sigma come quadro strutturato per eliminare i Mudas operativi (rifiuti) legati al consumo eccessivo di vapore. È stato sviluppato un quadro predittivo basato sull'apprendimento automatico, confrontando sei architetture distinte: regressione lineare, regressione polinomiale di secondo grado, Support Vector Machine (SVM), rete neurale artificiale (ANN), foresta casuale e XGBoost. I risultati dimostrano che mentre il modello polinomiale raggiunge un'elevata precisione statistica (R² = 0,995, RMSE = 154,62 cSt), l'architettura della rete neurale artificiale offre una robustezza superiore (R² = 1.000, RMSE = 154,62 cSt) nell'acquisizione di comportamenti termici non lineari complessi. XGBoost e Random Forest mostrano prestazioni competitive con valori R² rispettivamente di 0,90 e 0,91, mentre SVM mostra gli errori di previsione più elevati (RMSE ¿ 780 cSt).

Pagina's: 56, Paperback, Edizioni Sapienza