Diagnóstico de condições de operação do bombeio centrífugo submerso utilizando machine learning

• Ano de defesa: 2022
• Autor(a) principal: Brasil, Jéssica Alves
• Orientador(a): Chiavone Filho, Osvaldo
• Tipo de documento: Dissertação
• 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 QUÍMICA
• País: Brasil
• Palavras-chave em Português: Elevação artificial; Bombeio centrífugo submerso; Aprendizado de máquina; Algoritmos de classificação
• Área do conhecimento CNPq: CNPQ::ENGENHARIAS::ENGENHARIA QUIMICA
• Link de acesso: https://repositorio.ufrn.br/handle/123456789/49240

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%.