Machine Learning Models for Forecasting Discharge Pressure and Flow Rate of Electrical Submersible Pumps for Performance Enhancement and Failure Prediction
تُظهر هذه الدراسة أن نماذج تعلم الآلة، ولا سيما خوارزمية XGBoost للانحدار وRandom Forest للتصنيف، يمكنها التنبؤ بفعالية بضغط تدفق مضخة الغاطسة الكهربائية ومعدل التدفق مع تحديد أعطال النظام، مما يتيح الصيانة الاستباقية لتقليل وقت التوقف وتعزيز الكفاءة التشغيلية.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل
في أعماق الأرض، في عالم النفط المظلم والثقيل، تعمل الآلات بلا كلل لجلب النفط الخام إلى السطح. ومن بين أكثر هذه الآلات حيوية هي المضخة الكهربائية الغاطسة، وهي عبارة عن محرك ضخم ومجموعة من الدفاعات (الدوارات) تُنزل في بئر النفط لتدفع السوائل إلى الأعلى ضد ضغط هائل. تعد هذه المضخات بمثابة القلب النابض لإنتاج النفط الحديث، حيث تحافظ على تدفق الآبار عندما يتلاشى الضغط الطبيعي. ومع ذلك، فهي تعمل في بيئة قاسية من الحرارة العالية، والسوائل المسببة للتآكل، والاهتزاز المستمر. وعندما تفشل المضخة، يتوقف البئر عن الإنتاج، مما يؤدي إلى خسائر مالية كبيرة وحاجة إلى إصلاحات مكلفة ومعطلة للعمل. ولعقود من الزمن، راقب المهندسون هذه المضخات عبر ترقب علامات التحذير مثل الاهتزازات غير العادية أو التغيرات في التيار الكهربائي، لكن هذه الأساليب غالباً ما كانت رد فعل، حيث تحدد المشكلة فقط بعد بدء الضرر بالفعل. وكان السؤال الذي يواجه الصناعة هو ما إذا كان من الممكن استشراف المستقبل، والتنبؤ بكيفية أداء المضخة ومتى قد تتعطل قبل أن تنكسر الآلة فعلياً.
لقد توجه فريق من الباحثين من جامعة الخرطوم وجامعة الملك فهد للبترول والمعادن في المملكة العربية السعودية إلى أداة قوية للإجابة على هذا السؤال: تعلم الآلة. هذا الفرع من الذكاء الاصطناعي يسمح للحواسيب بتعلم الأنماط من كميات هائلة من البيانات التاريخية دون أن يتم برمجتها صراحة بقواعد محددة. وفي هذه الدراسة، جمع الباحثون مجموعة بيانات ضخمة من أربعة وأربعين بئراً نفطياً في الشرق الأوسط، حيث جمعوا أكثر من اثني عشر ألف سجل من العمليات في الوقت الفعلي. وقد ركزوا على قياسين حاسمين يرويان قصة صحة المضخة: الضغط الذي تدفع به المضخة السائل للخارج، ومعدل تدفق ذلك السائل. ومن خلال تغذية هذه البيانات في نماذج حاسوبية متطورة، هدف الفريق إلى إنشاء نظام يمكنه التنبؤ بهذه القيم بدقة عالية، والأهم من ذلك، رصد العلامات المبكرة للعطل.
اختبر الباحثون أنواعاً مختلفة من خوارزميات تعلم الآلة لمعرفة أي منها يمكنه محاكاة السلوك المعقد للمضخات بشكل أفضل. وقارنوا بين طريقة تُعرف باسم "انحدار متجه الدعم"، وهي جيدة في إيجاد الحدود في البيانات، مقابل تقنية أكثر تقدماً تسمى "تعزيز التدرج الشديد"، والتي تبني سلسلة من أشجار القرار لتنقيح تنبؤاتها خطوة بخطوة. كما طوروا نموذجاً منفصلاً مصمماً خصيصاً لتصنيف ما إذا كانت المضخة تعمل بشكل طبيعي أم أنها تتجه نحو الفشل. وجاءت البيانات التي استخدموها من آبار تنتج نفطاً ثقيلاً، وهو سائل سميك ولزج يضع ضغطاً إضافياً على المعدات، مما يجعل مهمة التنبؤ أكثر صعوبة. وكانت الآبار تقع في تكوينات صخرية كربونية، وكان للنفط متوسط جاذبية يصنفه كنفط ثقيل، مما يعني أنه يتدفق بصعوبة أكبر من النفط الخفيف.
وعندما وُضعت النماذج تحت الاختبار، كانت النتائج مذهلة. فقد أثبت نموذج تعزيز التدرج الشديد أنه الأكثر دقة في التنبؤ بأداء المضخة؛ حيث استطاع التنبؤ بضغط التصريف بهامش خطأ يقل عن واحد بالمائة، ومعدل التدفق بهامش خطأ يقل قلي-اً عن أربعة بالمائة. ومن الناحية العملية، هذا يعني أن الحاسوب يمكنه التنبؤ بدقة بكمية الضغط التي تولدها المضخة وكمية النفط التي تنقلها، مطابِقاً القياسات الواقعية بشكل شبه مثالي. لقد أدت النماذج الأخرى أداءً جيداً، لكن هذه الخوارزمية تحديداً تعاملت مع الواقع غير الخطي والمضطرب لبيانات حقول النفط باتساق فائق. لقد تعلمت أن عوامل مثل درجة حرارة المحرك، وضغط مدخل المضخة، وحجم صمام الخنق، كلها تتفاعل بطرق معقدة لتحديد الناتج النهائي، وقد نجحت في التقاط هذه العلاقات بشكل أفضل من الطرق الأخرى.
وبعيداً عن التنبؤ بالأداء، بنى الفريق أيضاً نظاماً لتحديد الأعطل قبل حدوثها. فقد قاموا بتدريب نموذج تصنيف للتعرف على الانحرافات الطفيفة في الضغط والتدفق التي تشير إلى أن المضخة على وشك التعثر أو التعطل. وتم اختبار النموذج مقابل سبعة أنواع شائعة من الأعطال، تتراوح من الأعطال الكهربائية في مصدر الطاقة إلى الانسدادات في الأنابيب. ومن خلال ضبط كيفية وزن الحاسوب للأدلة، حقق الباحثون نظاماً حدد الأعطال بدقة بلغت ستة وتسعين بالمائة. وبينما كان النموذج يشير أحياناً إلى مضخة سليمة على أنها معطلة، إلا أنه نجح في رصد الغالبية العظمى من المشكلات الفعلية، مما يوفر نافذة زمنية للمشغلين للتدخل. هذا النهج ينقل الاستراتيجية من مجرد رد الفعل تجاه مضخة مكسورة إلى الصيانة الاستباقية لواحدة تعمل.
تثبت الدراسة أن عصر الصيانة القائمة على رد الفعل البحت لهذه الآلات الحيوية قد يقترب من نهايته. فمن خلال استخدام البيانات في الوقت الفعلي والخوارزميات المتقدمة، يمكن للمهندسين الآن توقع كيفية سلوك المضخة في ظل ظروف متغيرة، مثل التغيرات في لزوجة السوائل أو ضغط المكمن. وتؤكد الأبحاء أن ضغط التصريف ومعدل التدفق هما أكثر المؤشرات موثوقية لحالة المضخة، وأن تعلم الآلة يمكنه تتبعها بمستوى من الدقة يضاهي المستشعرات الفيزيائية. هذا لا يعني أن المضخات نفسها قد تغيرت، بل إن الطريقة التي نراقبها بها هي التي تطورت. إن القدرة على التنبؤ بالأداء والفشل بهذه الدقة توفر مساراً نحو عمليات أكثر كفاءة، واستهلاك أقل للطاقة، وإمدادات أكثر موثوقية من النفط من أعماق الأرض.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.