Lean Six Sigma e aprendizagem automática para otimização: Previsão da viscosidade de óleos pesados com otimizar a injeção vapor reduzir o desperdício energia

A exploração de petróleo pesado apresenta desafios energéticos e operacionais significativos devido à alta viscosidade, o que impacta diretamente na eficiência dos processos de recuperação térmica. No campo Tsimiroro de Madagascar, a previsão precisa da viscosidade é crítica para otimizar a injeção de vapor e mitigar o desperdício excessivo de energia. Este estudo adota a metodologia Lean Six Sigma como framework estruturado para eliminar Mudas (desperdícios) operacionais relacionados ao consumo excessivo de vapor. Uma estrutura preditiva baseada em aprendizado de máquina foi desenvolvida, comparando seis arquiteturas distintas: Regressão Linear, Regressão Polinomial de Segundo Grau, Máquina de Vetores de Suporte (SVM), Rede Neural Artificial (RNA), Floresta Aleatória e XGBoost. Os resultados demonstram que enquanto o modelo polinomial atinge alta precisão estatística (R² = 0,995, RMSE = 154,62 cSt), a arquitetura da Rede Neural Artificial oferece robustez superior (R² = 1,000, RMSE = 154,62 cSt) na captura de comportamentos térmicos não lineares complexos. XGBoost e Random Forest apresentam desempenho competitivo com valores de R² de 0,90 e 0,91 respectivamente, enquanto SVM exibe os maiores erros de predição (RMSE ¿ 780 cSt).