COMPUTAÇÃO UBÍQUA E ENGENHARIA PETROLÍFERA: MODELOS PREDITIVOS E ESTATÍSTICOS PARA AS EXPLORAÇÕES PETROLÍFERAS NA REGIÃO DA SADC E EM ANGOLA

Autores/as

  • Pedro Silva Autor

DOI:

https://doi.org/10.63330/armv2n6-009

Palabras clave:

Computação Ubíqua, Machine Learning, Engenharia Petrolífera, SADC, Angola, Modelos Preditivos, Inteligência Artificial, IoT, Geoestatística

Resumen

O presente artigo científico analisa o cruzamento epistemológico entre a Computação Ubíqua e a Engenharia Petrolífera, propondo modelos preditivos e estatísticos para otimizar as explorações petrolíferas na região da Comunidade para o Desenvolvimento da África Austral (SADC), com enfoque especial em Angola. Partindo da visão pioneira de Mark Weiser (1991) sobre a computação ubíqua, o trabalho demonstra como a convergência das tecnologias de Machine Learning, Internet das Coisas (IoT), sensoriamento remoto e análise de big data podem transformar estruturalmente os processos de prospeção, extração e gestão dos recursos petrolíferos angolanos. Os modelos desenvolvidos incorporam variáveis geológicas, sísmicas e económicas da Bacia do Congo, da região do Pré-Sal e das bacias onshore da SADC. Os resultados preliminares apontam para uma redução de até 34% nos custos exploratórios e um aumento de 28% na taxa de sucesso das perfurações, quando integrados sistemas preditivos baseados em redes neuronais artificiais e modelos de regressão estocástica. O artigo visa apoiar o Ministério de Tutela Petrolífera Angolano na concepção de políticas alinhadas com os padrões internacionais da Agência Internacional de Energia (AIE) e da OPEP+.

Descargas

Los datos de descarga aún no están disponibles.

Referencias

AFREC – African Energy Commission. (2023). African Energy Outlook 2040. Addis Abeba: AFREC.

Agência Nacional de Petróleo, Gás e Biocombustíveis (ANPG). (2024). Relatório Anual da Indústria Petrolífera Angolana 2023. Luanda: ANPG.

Cressie, N. (1993). Statistics for Spatial Data (Rev. ed.). New York: John Wiley & Sons.

Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep Learning. Cambridge: MIT Press.

Hochreiter, S., & Schmidhuber, J. (1997). Long Short-Term Memory. Neural Computation, 9(8), 1735–1780. https://doi.org/10.1162/neco.1997.9.8.1735

International Energy Agency (IEA). (2024). Africa Energy Outlook 2024. Paris: IEA Publications.

Journel, A. G., & Huijbregts, C. J. (1978). Mining Geostatistics. London: Academic Press.

Matheron, G. (1963). Principles of Geostatistics. Economic Geology, 58(8), 1246–1266.

OPEC. (2024). World Oil Outlook 2045. Vienna: OPEC Secretariat.

Rystad Energy. (2024). Sub-Saharan Africa E&P Review. Oslo: Rystad Energy AS.

Silva, P. (2025). Computação Ubíqua e Engenharia Petrolífera: Modelos Preditivos e Estatísticos para as Explorações Petrolíferas na Região da SADC e em Angola. Luanda: Universidade Lusíada de Angola.

Sociedade Nacional de Combustíveis de Angola (SONANGOL). (2023). Relatório e Contas 2022. Luanda: Sonangol E.P.

Society of Petroleum Engineers (SPE). (2023). Digitalization in the Oil and Gas Industry (SPE Technical Report). Richardson: SPE.

Weiser, M. (1991). The Computer for the 21st Century. Scientific American, 265(3), 94–104. https://doi.org/10.1038/scientificamerican0991-94

World Economic Forum (WEF). (2024). The Future of Jobs Report 2024. Geneva: WEF.

Zhang, Y., Li, X., & Chen, Z. (2022). Machine Learning Applications in Petroleum Engineering: A Review. Journal of Petroleum Science and Engineering, 210, 110153. https://doi.org/10.1016/j.petrol.2021.110153

Publicado

2026-06-18

Cómo citar

Silva, P. (2026). COMPUTAÇÃO UBÍQUA E ENGENHARIA PETROLÍFERA: MODELOS PREDITIVOS E ESTATÍSTICOS PARA AS EXPLORAÇÕES PETROLÍFERAS NA REGIÃO DA SADC E EM ANGOLA. Aurum Revista Multidisciplinar, 2(6), 1-10. https://doi.org/10.63330/armv2n6-009