Diagnóstico de condições de operação do bombeio centrífugo submerso utilizando machine learning
Autor(a) principal: | |
---|---|
Data de Publicação: | 2022 |
Tipo de documento: | Dissertação |
Idioma: | por |
Título da fonte: | Repositório Institucional da UFRN |
Texto Completo: | https://repositorio.ufrn.br/handle/123456789/49240 |
Resumo: | Na elevação artificial, as técnicas de Automação são empregadas também com o intuito de aumentar a eficiência e produção dos poços de petróleo. No método de elevação por Bombeio Centrífugo Submerso (BCS), a utilização de ferramentas de Automação se torna imprescindível na interpretação dos dados disponíveis em campo, visto que, a análise desses dados nem sempre é suficiente para analisar, interpretar, monitorar e diagnosticar o desempenho e a integridade do poço, além da operação do BCS e eficiência em tempo real. No entanto, ainda que esses poços operem com sistemas automatizados, alguns danos na produção podem ser identificados diminuindo a eficiência da bomba BCS e poderão ocorrer perdas significativas nas vazões obtidas. O diagnóstico inicial do sistema BCS pode levar a uma grande economia de custos e menos manutenção devido a tecnologias implementadas em campos de produção. Em campos de petróleo, para identificar as condições de operação de um poço BCS, utilizam-se as cartas amperimétricas, que são gráficos de corrente versus tempo. A análise dessas cartas, geralmente, é realizada por operadores que possuem um elevado número de poços para examinar, e essa sobrecarga, muitas vezes, diminui a eficiência no processo de leitura das condições de operação da bomba BCS. Atualmente, tecnologias em tempo real baseadas em algoritmos de Aprendizado de Máquina (Machine Learning - ML) têm desafiado e estimulado empresas a criarem soluções para diagnosticar precocemente anormalidades na operação dos poços. Dessa forma, este trabalho tem como intuito fornecer uma proposta de detecção das condições de operação (operação normal, operação normal com gás, interferência de gás e bloqueio por gás) da bomba BCS a partir da análise dos dados de corrente elétrica obtidos a partir de 24 poços de Mossoró, RN, Brasil. Algoritmos de classificação de Aprendizado de Máquina foram implementados na linguagem de programação Python no ambiente Google Colaboratory®. Os algoritmos de classificação utilizados foram Árvore de Decisão (AD), Máquinas de Vetores de Suporte (SVM - Support Vector Machine), Classificação do Vizinho Mais Próximo (KNN - K-Nearest Neighbor) e Rede Neural do tipo Multi-Layer Perceptron (MLP). Como os conjuntos de dados possuíam pontos variando de 159 a 344, realizou-se uma padronização com uma técnica de interpolação para que todos os conjuntos de dados tivessem 344 pontos, o número máximo de pontos coletados. Os algoritmos foram testados sem e com sintonia de hiperparâmetros, tendo em vista que para cada técnica de ML havia um conjunto de hiperparâmetros específico. Além disso, foram realizados testes de balanceamento (oversampling) dos conjuntos de dados de treinamento para identificar a diferença em relação ao conjunto de dados desbalanceados. Os resultados obtidos e apresentados ao longo do trabalho, confirmam que a aplicação do algoritmo ML é viável para a classificação das condições de operação apresentadas, pois todos tiveram uma acurácia superior a 87%, tendo como melhor resultado a aplicação do modelo SVM, que alcançou uma acurácia de 93%. |
id |
UFRN_a648a222b4e369f6405f4d47c7474456 |
---|---|
oai_identifier_str |
oai:https://repositorio.ufrn.br:123456789/49240 |
network_acronym_str |
UFRN |
network_name_str |
Repositório Institucional da UFRN |
repository_id_str |
|
spelling |
Brasil, Jéssica Alveshttp://lattes.cnpq.br/0874113052311486http://lattes.cnpq.br/2621516646153655Maitelli, Carla Wilza Souza de Paulahttps://orcid.org/0000-0002-3893-6010http://lattes.cnpq.br/2441911467149645Diniz, Anthony Andrey RamalhoGalvão, Edney Rafael Viana Pinheirohttp://lattes.cnpq.br/3142315953748654Chiavone Filho, Osvaldo2022-09-02T00:11:33Z2022-09-02T00:11:33Z2022-05-30BRASIL, Jéssica Alves. Diagnóstico de condições de operação do bombeio centrífugo submerso utilizando machine learning. 2022. 88f. Dissertação (Mestrado em Engenharia Química) - Centro de Tecnologia, Universidade Federal do Rio Grande do Norte, Natal, 2022.https://repositorio.ufrn.br/handle/123456789/49240Na elevação artificial, as técnicas de Automação são empregadas também com o intuito de aumentar a eficiência e produção dos poços de petróleo. No método de elevação por Bombeio Centrífugo Submerso (BCS), a utilização de ferramentas de Automação se torna imprescindível na interpretação dos dados disponíveis em campo, visto que, a análise desses dados nem sempre é suficiente para analisar, interpretar, monitorar e diagnosticar o desempenho e a integridade do poço, além da operação do BCS e eficiência em tempo real. No entanto, ainda que esses poços operem com sistemas automatizados, alguns danos na produção podem ser identificados diminuindo a eficiência da bomba BCS e poderão ocorrer perdas significativas nas vazões obtidas. O diagnóstico inicial do sistema BCS pode levar a uma grande economia de custos e menos manutenção devido a tecnologias implementadas em campos de produção. Em campos de petróleo, para identificar as condições de operação de um poço BCS, utilizam-se as cartas amperimétricas, que são gráficos de corrente versus tempo. A análise dessas cartas, geralmente, é realizada por operadores que possuem um elevado número de poços para examinar, e essa sobrecarga, muitas vezes, diminui a eficiência no processo de leitura das condições de operação da bomba BCS. Atualmente, tecnologias em tempo real baseadas em algoritmos de Aprendizado de Máquina (Machine Learning - ML) têm desafiado e estimulado empresas a criarem soluções para diagnosticar precocemente anormalidades na operação dos poços. Dessa forma, este trabalho tem como intuito fornecer uma proposta de detecção das condições de operação (operação normal, operação normal com gás, interferência de gás e bloqueio por gás) da bomba BCS a partir da análise dos dados de corrente elétrica obtidos a partir de 24 poços de Mossoró, RN, Brasil. Algoritmos de classificação de Aprendizado de Máquina foram implementados na linguagem de programação Python no ambiente Google Colaboratory®. Os algoritmos de classificação utilizados foram Árvore de Decisão (AD), Máquinas de Vetores de Suporte (SVM - Support Vector Machine), Classificação do Vizinho Mais Próximo (KNN - K-Nearest Neighbor) e Rede Neural do tipo Multi-Layer Perceptron (MLP). Como os conjuntos de dados possuíam pontos variando de 159 a 344, realizou-se uma padronização com uma técnica de interpolação para que todos os conjuntos de dados tivessem 344 pontos, o número máximo de pontos coletados. Os algoritmos foram testados sem e com sintonia de hiperparâmetros, tendo em vista que para cada técnica de ML havia um conjunto de hiperparâmetros específico. Além disso, foram realizados testes de balanceamento (oversampling) dos conjuntos de dados de treinamento para identificar a diferença em relação ao conjunto de dados desbalanceados. Os resultados obtidos e apresentados ao longo do trabalho, confirmam que a aplicação do algoritmo ML é viável para a classificação das condições de operação apresentadas, pois todos tiveram uma acurácia superior a 87%, tendo como melhor resultado a aplicação do modelo SVM, que alcançou uma acurácia de 93%.In artificial lift, Automation techniques are also used in order to increase the efficiency and production of oil wells. In the Electrical Submersible Pump (ESP) lift method, the use of Automation tools becomes essential in the interpretation of data available in the field, since the analysis of these data is not always sufficient to analyze, interpret, monitor and diagnose the performance, and well integrity, in addition to ESP operation and real-time efficiency. However, even though these wells operate with automated systems, some damages in production can be identified, reducing the efficiency of the ESP pump and significant losses in the flows obtained may occur. Initial diagnosis of the ESP system can lead to great cost savings and less maintenance due to technologies implemented in production fields. In oil fields, to identify the operating conditions of a ESP well, amperimetric charts are used, which are graphs of current versus time. The analysis of these charts is usually performed by operators who have a large number of wells to examine, and this overload often decreases the efficiency in the process of reading the operating conditions of the ESP pump. Currently, real-time technologies based on Machine Learning (ML) algorithms have challenged and encouraged companies to create solutions for early diagnosis of abnormalities in well operation. Thus, this work aims to provide a proposal for detecting the operating conditions (normal operation, normal operation with gas, gas interference and gas locking) of the ESP pump from the analysis of electrical current data obtained from 24 wells from Mossoró, RN, Brazil. Machine Learning classification algorithms were implemented in the Python programming language in the Google Colaboratory® environment. The classification algorithms used were Decision Tree (DT), Support Vector Machine (SVM), K-Nearest Neighbor (KNN) and Multi-Layer Perceptron Neural Network (MLP). As the data sets had points ranging from 159 to 344, a standardization was performed with an interpolation technique so that all data sets had 344 points, the maximum number of points collected. The algorithms were tested with and without hyperparameter tuning, considering that for each ML technique there was a specific set of hyperparameters. In addition, balancing tests (oversampling) of the training datasets were performed to identify the difference in relation to the unbalanced dataset. The results obtained and presented throughout the work confirm that the application of the ML algorithm is viable for the classification of the operating conditions presented, since all of them had an accuracy greater than 87%, with the best result being the application of the SVM model, which reached an accuracy of 93%.Agência Nacional do Petróleo, Gás Natural e Biocombustíveis (ANP)Universidade Federal do Rio Grande do NortePROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA QUÍMICAUFRNBrasilCNPQ::ENGENHARIAS::ENGENHARIA QUIMICAElevação artificialBombeio centrífugo submersoAprendizado de máquinaAlgoritmos de classificaçãoDiagnóstico de condições de operação do bombeio centrífugo submerso utilizando machine learninginfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisinfo:eu-repo/semantics/openAccessporreponame:Repositório Institucional da UFRNinstname:Universidade Federal do Rio Grande do Norte (UFRN)instacron:UFRNORIGINALDiagnosticocondicoesoperacao_Brasil_2022.pdfapplication/pdf1669799https://repositorio.ufrn.br/bitstream/123456789/49240/1/Diagnosticocondicoesoperacao_Brasil_2022.pdf4f4eb6321daf14172fbbeff41a3d4fb6MD51123456789/492402022-09-01 21:12:23.862oai:https://repositorio.ufrn.br:123456789/49240Repositório de PublicaçõesPUBhttp://repositorio.ufrn.br/oai/opendoar:2022-09-02T00:12:23Repositório Institucional da UFRN - Universidade Federal do Rio Grande do Norte (UFRN)false |
dc.title.pt_BR.fl_str_mv |
Diagnóstico de condições de operação do bombeio centrífugo submerso utilizando machine learning |
title |
Diagnóstico de condições de operação do bombeio centrífugo submerso utilizando machine learning |
spellingShingle |
Diagnóstico de condições de operação do bombeio centrífugo submerso utilizando machine learning Brasil, Jéssica Alves CNPQ::ENGENHARIAS::ENGENHARIA QUIMICA Elevação artificial Bombeio centrífugo submerso Aprendizado de máquina Algoritmos de classificação |
title_short |
Diagnóstico de condições de operação do bombeio centrífugo submerso utilizando machine learning |
title_full |
Diagnóstico de condições de operação do bombeio centrífugo submerso utilizando machine learning |
title_fullStr |
Diagnóstico de condições de operação do bombeio centrífugo submerso utilizando machine learning |
title_full_unstemmed |
Diagnóstico de condições de operação do bombeio centrífugo submerso utilizando machine learning |
title_sort |
Diagnóstico de condições de operação do bombeio centrífugo submerso utilizando machine learning |
author |
Brasil, Jéssica Alves |
author_facet |
Brasil, Jéssica Alves |
author_role |
author |
dc.contributor.authorLattes.pt_BR.fl_str_mv |
http://lattes.cnpq.br/0874113052311486 |
dc.contributor.advisorLattes.pt_BR.fl_str_mv |
http://lattes.cnpq.br/2621516646153655 |
dc.contributor.referees1.none.fl_str_mv |
Diniz, Anthony Andrey Ramalho |
dc.contributor.referees2.none.fl_str_mv |
Galvão, Edney Rafael Viana Pinheiro |
dc.contributor.referees2Lattes.pt_BR.fl_str_mv |
http://lattes.cnpq.br/3142315953748654 |
dc.contributor.author.fl_str_mv |
Brasil, Jéssica Alves |
dc.contributor.advisor-co1.fl_str_mv |
Maitelli, Carla Wilza Souza de Paula |
dc.contributor.advisor-co1ID.fl_str_mv |
https://orcid.org/0000-0002-3893-6010 |
dc.contributor.advisor-co1Lattes.fl_str_mv |
http://lattes.cnpq.br/2441911467149645 |
dc.contributor.advisor1.fl_str_mv |
Chiavone Filho, Osvaldo |
contributor_str_mv |
Maitelli, Carla Wilza Souza de Paula Chiavone Filho, Osvaldo |
dc.subject.cnpq.fl_str_mv |
CNPQ::ENGENHARIAS::ENGENHARIA QUIMICA |
topic |
CNPQ::ENGENHARIAS::ENGENHARIA QUIMICA Elevação artificial Bombeio centrífugo submerso Aprendizado de máquina Algoritmos de classificação |
dc.subject.por.fl_str_mv |
Elevação artificial Bombeio centrífugo submerso Aprendizado de máquina Algoritmos de classificação |
description |
Na elevação artificial, as técnicas de Automação são empregadas também com o intuito de aumentar a eficiência e produção dos poços de petróleo. No método de elevação por Bombeio Centrífugo Submerso (BCS), a utilização de ferramentas de Automação se torna imprescindível na interpretação dos dados disponíveis em campo, visto que, a análise desses dados nem sempre é suficiente para analisar, interpretar, monitorar e diagnosticar o desempenho e a integridade do poço, além da operação do BCS e eficiência em tempo real. No entanto, ainda que esses poços operem com sistemas automatizados, alguns danos na produção podem ser identificados diminuindo a eficiência da bomba BCS e poderão ocorrer perdas significativas nas vazões obtidas. O diagnóstico inicial do sistema BCS pode levar a uma grande economia de custos e menos manutenção devido a tecnologias implementadas em campos de produção. Em campos de petróleo, para identificar as condições de operação de um poço BCS, utilizam-se as cartas amperimétricas, que são gráficos de corrente versus tempo. A análise dessas cartas, geralmente, é realizada por operadores que possuem um elevado número de poços para examinar, e essa sobrecarga, muitas vezes, diminui a eficiência no processo de leitura das condições de operação da bomba BCS. Atualmente, tecnologias em tempo real baseadas em algoritmos de Aprendizado de Máquina (Machine Learning - ML) têm desafiado e estimulado empresas a criarem soluções para diagnosticar precocemente anormalidades na operação dos poços. Dessa forma, este trabalho tem como intuito fornecer uma proposta de detecção das condições de operação (operação normal, operação normal com gás, interferência de gás e bloqueio por gás) da bomba BCS a partir da análise dos dados de corrente elétrica obtidos a partir de 24 poços de Mossoró, RN, Brasil. Algoritmos de classificação de Aprendizado de Máquina foram implementados na linguagem de programação Python no ambiente Google Colaboratory®. Os algoritmos de classificação utilizados foram Árvore de Decisão (AD), Máquinas de Vetores de Suporte (SVM - Support Vector Machine), Classificação do Vizinho Mais Próximo (KNN - K-Nearest Neighbor) e Rede Neural do tipo Multi-Layer Perceptron (MLP). Como os conjuntos de dados possuíam pontos variando de 159 a 344, realizou-se uma padronização com uma técnica de interpolação para que todos os conjuntos de dados tivessem 344 pontos, o número máximo de pontos coletados. Os algoritmos foram testados sem e com sintonia de hiperparâmetros, tendo em vista que para cada técnica de ML havia um conjunto de hiperparâmetros específico. Além disso, foram realizados testes de balanceamento (oversampling) dos conjuntos de dados de treinamento para identificar a diferença em relação ao conjunto de dados desbalanceados. Os resultados obtidos e apresentados ao longo do trabalho, confirmam que a aplicação do algoritmo ML é viável para a classificação das condições de operação apresentadas, pois todos tiveram uma acurácia superior a 87%, tendo como melhor resultado a aplicação do modelo SVM, que alcançou uma acurácia de 93%. |
publishDate |
2022 |
dc.date.accessioned.fl_str_mv |
2022-09-02T00:11:33Z |
dc.date.available.fl_str_mv |
2022-09-02T00:11:33Z |
dc.date.issued.fl_str_mv |
2022-05-30 |
dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/masterThesis |
format |
masterThesis |
status_str |
publishedVersion |
dc.identifier.citation.fl_str_mv |
BRASIL, Jéssica Alves. Diagnóstico de condições de operação do bombeio centrífugo submerso utilizando machine learning. 2022. 88f. Dissertação (Mestrado em Engenharia Química) - Centro de Tecnologia, Universidade Federal do Rio Grande do Norte, Natal, 2022. |
dc.identifier.uri.fl_str_mv |
https://repositorio.ufrn.br/handle/123456789/49240 |
identifier_str_mv |
BRASIL, Jéssica Alves. Diagnóstico de condições de operação do bombeio centrífugo submerso utilizando machine learning. 2022. 88f. Dissertação (Mestrado em Engenharia Química) - Centro de Tecnologia, Universidade Federal do Rio Grande do Norte, Natal, 2022. |
url |
https://repositorio.ufrn.br/handle/123456789/49240 |
dc.language.iso.fl_str_mv |
por |
language |
por |
dc.rights.driver.fl_str_mv |
info:eu-repo/semantics/openAccess |
eu_rights_str_mv |
openAccess |
dc.publisher.none.fl_str_mv |
Universidade Federal do Rio Grande do Norte |
dc.publisher.program.fl_str_mv |
PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA QUÍMICA |
dc.publisher.initials.fl_str_mv |
UFRN |
dc.publisher.country.fl_str_mv |
Brasil |
publisher.none.fl_str_mv |
Universidade Federal do Rio Grande do Norte |
dc.source.none.fl_str_mv |
reponame:Repositório Institucional da UFRN instname:Universidade Federal do Rio Grande do Norte (UFRN) instacron:UFRN |
instname_str |
Universidade Federal do Rio Grande do Norte (UFRN) |
instacron_str |
UFRN |
institution |
UFRN |
reponame_str |
Repositório Institucional da UFRN |
collection |
Repositório Institucional da UFRN |
bitstream.url.fl_str_mv |
https://repositorio.ufrn.br/bitstream/123456789/49240/1/Diagnosticocondicoesoperacao_Brasil_2022.pdf |
bitstream.checksum.fl_str_mv |
4f4eb6321daf14172fbbeff41a3d4fb6 |
bitstream.checksumAlgorithm.fl_str_mv |
MD5 |
repository.name.fl_str_mv |
Repositório Institucional da UFRN - Universidade Federal do Rio Grande do Norte (UFRN) |
repository.mail.fl_str_mv |
|
_version_ |
1797777039851257856 |