Diagnóstico das condições de operação e falhas de sensor em poços operando por bombeio mecânico utilizando Machine Learning

• Ano de defesa: 2023
• Autor(a) principal: Nascimento, João Maria Araújo do
• Orientador(a): Maitelli, André Laurindo
• Tipo de documento: Tese
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Federal do Rio Grande do Norte
• Programa de Pós-Graduação: PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA ELÉTRICA E DE COMPUTAÇÃO
• País: Brasil
• Palavras-chave em Português: Bombeio mecânico; Machine learning; Cartas dinamométricas
• Área do conhecimento CNPq: CNPQ::ENGENHARIAS::ENGENHARIA ELETRICA
• Link de acesso: https://repositorio.ufrn.br/handle/123456789/54867

Em campos petrolíferos com muitos poços operando por bombeio mecânico, devido à falta de diagnóstico precoce das condições de operação ou falhas de sensores, vários problemas podem passar despercebidos, podendo causar grandes prejuízos, como aumento do tempo de inatividade, aumento das despesas operacionais (OPEX), diminuição da eficiência e perda de produção. Na prática, a identificação e o diagnóstico das condições de operação são primordialmente realizados a partir de cartas dinamométricas de superfície e fundo, por meio de padrões pré-estabelecidos, com esforço visual humano nos centros de operação. Essa tarefa consome muito tempo e trabalho, além de exigir experiência, pois pode ser influenciada por fatores subjetivos. Porém, nos últimos anos, com as facilidades inerentes aos algoritmos de Aprendizagem de Máquina (Machine Learning - ML), várias pesquisas realizadas sobre o assunto alcançaram bons resultados no diagnóstico de condições de operação, evidenciando que ML pode ser utilizado para esse fim. Todavia, ainda é comum a existência de dúvidas sobre o nível de dificuldade da tarefa de classificação de cartas dinamométricas, o melhor algoritmo, o melhor descritor de formas, as melhores métricas e qual o impacto dos conjuntos de dados desequilibrados. Na busca por respostas a essas questões, neste trabalho foram utilizados dados reais de 38 poços que operam por bombeio mecânico na região de Mossoró, RN, Brasil. Mais de 50.000 cartas foram classificadas pelo autor do trabalho e distribuídas em oito modos de operação e duas falhas de sensor, comuns neste campo. Setenta e três testes foram realizados e divididos em nove grupos. Três algoritmos foram testados (com e sem sintonia de hiperparâmetros): árvore de decisão, Random Forest e XGBoost, além de pipelines fornecidos via Automated Machine Learning (AutoML). Os descritores utilizados foram: Centróide, Fourier e Wavelet, além dos valores de carga da carta dinamométrica de fundo. Conjuntos de dados balanceados e desbalanceados também foram testados. Os resultados confirmam a viabilidade da aplicação de ML para diagnóstico de condições de operação e falha de sensores em sistemas de bombeio mecânico, uma vez que 80,82% dos testes alcançaram acurácia acima de 90% e foi alcançada uma acurácia de 99,9%. Por fim, uma parte das implementações sugeridas nesta pesquisa foi avaliada em ambiente de produção. Foram avaliadas cartas de mais de uma centena de poços, alcançando uma acurácia superior a 96%, o que reforça a eficácia das implementações em um contexto real. No geral, os resultados evidenciam o potencial do ML como uma abordagem promissora para o diagnóstico de condições de operação e falhas de sensores em sistemas de bombeio mecânico.