Com o avanço da tecnologia, métodos baseados em dados tornaram-se cada vez mais relevantes tanto na academia quanto na indústria, acompanhando as novas tecnologias tanto de processamento quanto de aquisição de dados. a grande vantagem de se utilizar modelagem baseada em dados (data-driven) é de não depender do conhecimento da fenomenologia física de um sistema, visto que os modelos levantados são puramente obtidos pela aquisição de dados. para o contexto de controle de processos, abordagens baseadas em dados podem ser benéficas, pois modelos fenomenológicos estão geralmente sujeitos a incertezas paramétricas e/ou estruturais, ou podem não ser representativos com relação ao processo a ser controlado. além disso, utilizando modelos data-driven pode-se executar o controle de uma planta com o mínimo necessário de informação prévia. um dos processos os quais potencialmente se beneficiam de abordagens baseadas em dados é o de extração de petróleo, devido à composição do escoamento multifásico e do reservatório não serem totalmente conhecidas, o que aumenta severamente as incertezas estruturais envolvidas em qualquer modelo fenomenológico, podendo assim resultar em um modelo pouco representativo do processo. utilizar metodologias data-driven para controle em plataformas de petróleo é vantajoso, pois evita a necessidade de saber o tipo exato de escoamento dentro de um reservatório. a ideia de controle data-driven está intimamente ligada com as disciplinas de inteligência artificial e aprendizado de máquina. nessas áreas de conhecimento, existem ferramentas convenientes para aplicações de identificação de sistemas e controle, entre elas as redes neurais recorrentes (rnn), que são modelos simplificados de um cérebro e que servem principalmente como aproximador universal de sistemas dinâmicos. a desvantagem de uma rnn está em seu treinamento (backpropagation through time) não ser um problema de otimização convexo, implicando em mínimos locais e uma aprendizagem mais lenta. além disso, há outros problemas como o vanishing gradient, que leva um mau condicionamento numérico devido ao gradiente ser quase nulo em certos pontos. diversas formas de mitigar essas desvantagens foram desenvolvidas na literatura, uma delas é através das redes de estado de eco (echo state network, esn), um subtipo de rnns onde apenas os pesos de saída são treinados, mantendo as capacidades de aproximação de uma rnn dado que a parte interna da rede possua a propriedade de “estado de eco”. nessas condições, o treinamento da rede passa a ser a resolução de um problema de mínimos quadrados, possuindo apenas um ótimo global. as redes de estado de eco são adequadas para aplicações de controle data-driven, seja em controle preditivo (mpc), ou controles onde o modelo precisa ser atualizado online. os objetivos gerais desta dissertação incluem montar, aplicar e implementar estratégias de controle data-driven utilizando redes de estado de eco em sistemas de produção de petróleo. a primeira estratégia, encontrada na literatura, utiliza redes de estado de eco para obter o modelo inverso online de um processo, utilizando-o para computar uma ação de controle para seguimento de referência. esse controle online por modelo inverso é aplicado em um sistema de dois poços e um riser conectado por um manifold, resolvendo problemas de seguimento de referência e rejeição de perturbação. o segundo controlador utilizado consiste em um controle preditivo não-linear prático (practical nonlinear model predictive control, pnmpc), onde a esn é utilizada como modelo de predição. esse, por sua vez, é aplicado em apenas um poço de petróleo com elevação por injeção de gás, resolvendo problemas de seguimento de referência. o controle online por modelo inverso utiliza duas esns, uma delas responsável pela obteção de dados através do algoritmo de mínimos quadrados recursivos (recursive least squares, rls), recebendo como saída desejada uma ação de controle aplicada em um instante de tempo no passado, e como entrada a saída atual e a saída no mesmo instante de tempo da ação de controle passada; a outra rede é responsável por traduzir os dados obtidos pela rede de treinamento em ação de controle, tendo como entrada a saída atual e uma saída desejada futura. a rede de treinamento transfere a informação através dos pesos que, a partir de um certo valor de saída passada e ação de controle passada, o valor de saída atual do sistema foi atingido, e com essa informação a rede de controle deve calcular a ação de controle necessária para colocar o sistema num valor de saída futura desejado a partir da saída atual. no pnmpc, um modelo não linear é capaz de ser divido entre uma resposta livre, obtida por simulação do sistema não-linear dado uma ação de controle mantida no valor corrente, e uma resposta forçada, obtida por aproximação em série de taylor com respeito à ação de controle. o método original utiliza o método de diferenças finitas para calcular o gradiente do modelo, por assumir que o mesmo não está presente ou é difícil de calcular. como uma esn está sendo usada como modelo de predição, a derivada analítica é facilmente obtida, evitando os problemas de explosão combinatória inerentes no método de diferenças finitas. para a implementação dos dois sistemas de controle, é utilizado a linguagem de programação python e, no caso do pnmpc, a biblioteca cvxopt para resolução dos problemas de otimização quadrática. os testes se dão por simulações de modelos das plantas propostas, estes descritos utilizando a linguagem modelica e interpretados em python. para a primeira aplicação, é utilizado um modelo composicional entre dois poços com elevação via gás de injeção, um riser e um manifold. o poço é representado por um modelo complexo de ordem reduzida que utiliza dois volumes de controle, o ânulo, onde se armazena e se transfere o gás de elevação, e a tubulação, onde se transfere o fluido de produção junto com o gás de elevação. possui como condições de contorno a pressão no reservatório, a pressão na cabeça do poço, e a pressão na entrada do gás de elevação, sendo o poço manipulado através de uma válvula na entrada de gás e uma válvula choke na cabeça do poço. o modelo do riser considera dois volumes de controle, o de uma tubulação horizontal, e o de uma tubulação vertical perpendicular, onde o fluido é elevado, além de uma válvula no topo referida como “choke de produção”. suas condições de contorno são as vazões mássicas de gás e líquido na entrada, e a pressão na saída. ambos os modelos possuem comportamento qualitativo similar ao simulador comercial olga (oil and gas simulator), e utilizam perda de carga em sua formulação, deixando o sistema bastante não linear. o manifold conecta a cabeça dos dois poços com a entrada do riser, sem que a perda de carga seja considerada. neste trabalho, o controle online por modelo inverso resolve três problemas de controle distintos relativos a esse sistema: o controle de pressão de entrada do riser através do choke de produção do mesmo, o controle da pressão de entrada do riser através das válvulas de gas-lift do poço, e o controle de pressão de fundo de cada poço utilizando seus respectivos chokes de cabeça. no caso da segunda aplicação, apenas o modelo de poço com elevação por gás de injeção é utilizado, em um problema que envolve o controle da pressão de fundo do poço utilizando tanto o choke da cabeça de poço quanto a válvula de elevação por gás. o controlador também obedece restrições tanto nos valores e nas variações das variáveis manipuladas, quanto na pressão de topo do poço. o controle online por modelo inverso obteve êxito ao efetuar seguimento de referência nas três tarefas propostas. nas três configurações de controle propostas, as redes de estado de eco foram capazes de aprender o modelo inverso do sistema, e o controlador resultante foi capaz de efetuar o seguimento de referência em cada um dos casos. também foi efetuada uma busca de parâmetros em grade para decidir os melhores parâmetros a serem utilizados no controlador para os três casos, com resultados diversos. esse controlador se saiu bem em um caso siso com uma forte não linearidade no ganho, miso onde as entradas (válvula de gás de elevação) estão fisicamente distantes da saída (pressão de entrada do riser), e um caso mimo onde há um certo acoplamento entre as variáveis. no caso dos poços, houve também rejeição de perturbação, que é uma mudança paramétrica no modelo ao longo do tempo, do ponto de vista das esns. para o controle esn-pnmpc, ele efetua o seguimento de referência em diferentes pontos de operação, mesmo com uma pequena discrepância entre o comportamento dinâmico da esn e do modelo real do poço. além disso, o controlador não violou nenhuma das restrições propostas, inclusive o limite superior na pressão de cabeça do topo, que era medida utilizando as predições da esn. esse seguimento de referência se deu pelo fator de correção da resposta livre, o qual corrige erros de modelagem e perturbações no sistema. este trabalho contribui à literatura ao mostrar que ambas as estratégias de controle com esn são efetivas em sistemas dinâmicos complexos como os modelos de poços de petróleo utilizados, assim como uma prova de conceito da proposição de utilizar uma esn no pnmpc. levanta também a ideia de utilizar abordagens data-driven para tais aplicações, que se beneficiam mais do levantamento de modelos através da obtenção de dados. como a pesquisa considera modelos simplificados sem ruídos, um trabalho futuro interessante seria aplicar essas metologias desenvolvidas no contexto de processos reais, para assim avaliar sua tolerância a ruídos e outros fatores.