3W Dataset 2.0.0: a realistic and public dataset with rare undesirable real events in oil wells

Dieser Beitrag stellt Version 2.0.0 des 3W-Datensatzes vor, einer öffentlich zugänglichen, von Experten annotierten Ressource multivariater Zeitreihen, die seltene, unerwünschte reale Ereignisse in Ölbohrungen enthält und darauf abzielt, KI-gestützte Methoden zur Früherkennung voranzutreiben sowie wirtschaftliche, umweltbezogene und sicherheitsrelevante Risiken in der Branche zu mindern.

Das Wesentliche

Stellen Sie sich die Ölindustrie als ein riesiges, komplexes Orchester vor. Jede Ölquelle ist ein Musiker, der ein spezifisches Instrument spielt. Normalerweise spielen sie eine glatte, vorhersehbare Melodie (Normalbetrieb). Aber manchmal schlägt ein Musiker eine falsche Note, das Instrument klemmt oder der Notenblatt wird zerrissen. Dies sind die „unerwünschten Ereignisse" – wie etwa ein unerwartetes Schließen eines Ventils oder die Bildung einer Verstopfung in einer Rohrleitung. Wenn der Dirigent (das Ölunternehmen) diese Fehler nicht sofort bemerkt, könnte das gesamte Orchester abstürzen, was zu Geldverschwendung, Umweltverschmutzung oder sogar Verletzungen führt.

Dieser Artikel stellt eine neue, aktualisierte „Notenbibliothek" namens 3W Dataset 2.0.0 vor. Es ist eine öffentliche Sammlung von Aufzeichnungen (Daten), die Computern hilft, diese Fehler zu erkennen, bevor das Orchester abstürzt.

Hier ist eine Aufschlüsselung dessen, was dieser Artikel behauptet, unter Verwendung einfacher Analogien:

1. Was ist dieser Datensatz?

Stellen Sie sich den Datensatz als eine riesige Bibliothek von Zeitreisenden-Aufnahmen vor.

• Die Aufnahme: Anstatt Audio zeichnet sie 27 verschiedene „Sensoren" (wie Druck, Temperatur und Durchflussraten) von Ölquellen auf, die jede einzelne Sekunde ticken.
• Das Etikett: Jede Aufnahme kommt mit einem „Aufkleber" von einem menschlichen Experten. Der Aufkleber besagt: „Dieser Teil war normal", „Dieser Teil war ein plötzliches Ventilschließen" oder „Dieser Teil war eine sich bildende Verstopfung".
• Das Ziel: Das Ziel ist es, Künstlicher Intelligenz (KI) beizubringen, diese Aufkleber zu lesen und die Muster zu lernen, damit sie ein Problem in einer neuen Aufnahme erkennen kann, ohne dass ein Mensch sie zuerst ansehen muss.

2. Die drei Arten von „Musikern" (Datenquellen)

Der Artikel erklärt, dass sie nicht einfach Aufnahmen aus dem echten Leben gegriffen haben; sie verwendeten drei verschiedene Methoden, um diese Bibliothek aufzubauen, jede mit ihrem eigenen Charakter:

• Echtes Leben (Das Live-Konzert): Dies sind tatsächliche Aufnahmen von echten Ölquellen, die Petrobras (ein brasilianischer Ölriese) gehört.
  • Der Haken: Das echte Leben ist chaotisch. Manchmal hört das Mikrofon (Sensor) auf zu funktionieren oder das Band bleibt stecken (eingefrorene Daten). Die Autoren haben diese Chaos-Szenarien absichtlich in den Daten beibehalten. Warum? Weil sie die KI so trainieren wollen, dass sie stark genug ist, um einen echten, chaotischen Konzertsaal zu bewältigen, nicht nur ein perfektes Studio.
• Simuliert (Die Generalprobe): Einige Probleme (wie eine bestimmte Art von Rohrverstopfung) sind im echten Leben so selten, dass sie fast nie vorkommen. Um genügend Beispiele zu erhalten, nutzte das Team einen Supercomputer-Simulator (OLGA), um diese Katastrophen zu „generalproben".
  • Der Haken: Dies sind perfekte, saubere Aufnahmen. Kein Rauschen, keine fehlenden Noten. Sie eignen sich hervorragend, um der KI beizubringen, wie eine „perfekte" Katastrophe aussieht.
• Handgezeichnet (Die Skizze): Einige Probleme sind so seltsam, dass selbst der Supercomputer sie nicht genau simulieren kann. Daher nahmen menschliche Experten Stift und Papier und zeichneten auf, wie die Sensorwerte während dieser seltenen Ereignisse aussehen sollten.
  • Der Haken: Dies ist wie die Skizze eines Musikers zu einem Lied. Sie fangen das Wesentliche und die Form des Problems ein, auch wenn sie keine echte Aufnahme sind.

3. Was ist neu in Version 2.0.0?

Die erste Version dieser Bibliothek erschien 2019. Dieser Artikel kündigt Version 2.0.0 an, die wie ein großes Erweiterungspaket für ein Videospiel ist. Hier ist, was sich geändert hat:

• Mehr Quellen: Sie haben die Anzahl der aufgenommenen echten Ölquellen verdoppelt (von 21 auf 42).
• Mehr Sensoren: Sie haben 20 neue „Mikrofone" (Variablen) zu den Aufnahmen hinzugefügt, was ein viel klareres Bild dessen liefert, was passiert.
• Neue Probleme: Sie haben eine neue Art von Katastrophe zur Liste hinzugefügt: „Hydrat in der Service-Leitung" (eine bestimmte Art von eisartiger Verstopfung).
• Bessere Etiketten: Sie haben eine neue Art von „Aufkleber" namens Zustandskennzeichnung hinzugefügt. Früher sagten die Aufkleber nur „Normal" oder „Defekt". Jetzt sagen sie auch, was die Quelle zu diesem Moment tat (z. B. „Wir spülen sie mit Diesel", „Wir schalten sie ab" oder „Wir starten sie neu"). Dies hilft der KI, den Kontext zu verstehen, nicht nur das Rauschen.
• Besseres Format: Sie sind von alten, sperrigen Dateiformaten (CSV) zu einem modernen, hochgeschwindigkeitsfähigen Format namens Parquet gewechselt, was wie der Wechsel von einer Diskette zu einer Solid-State-Festplatte ist.

4. Warum ist das wichtig?

Der Artikel behauptet, dass das Vorhandensein dieser spezifischen, hochwertigen Bibliothek es Forschern und Unternehmen ermöglicht:

• Bessere KI zu trainieren: Da die Daten „chaotische" Probleme aus der realen Welt enthalten, wird die KI, die darauf trainiert wurde, nicht verwirrt, wenn sie auf echte Ölquellen trifft.
• Probleme frühzeitig erkennen: Die KI kann die subtilen „Erschütterungen" in den Daten lernen, die bevor eine Katastrophe zuschlägt auftreten, sodass Betreiber sie frühzeitig beheben können.
• Wissen teilen: Da dies ein öffentliches Datensatz ist, kann jeder (Studenten, Start-ups, andere Ölunternehmen) ihn herunterladen und versuchen, bessere Erkennungstools zu entwickeln.

5. Was der Artikel nicht behauptet

• Er behauptet nicht, dass diese KI derzeit in jeder Ölquelle der Welt läuft. Es ist ein Werkzeug für Forschung und Entwicklung.
• Er behauptet nicht, das Problem von Ölverschmutzungen oder Unfällen gelöst zu haben. Er behauptet, die Daten bereitzustellen, die notwendig sind, um Lösungen zu entwickeln, die diese verhindern könnten.
• Er diskutiert nicht medizinische Anwendungen oder andere Industrien, obwohl die Technologie (Zeitreihenanalyse) theoretisch anderswo eingesetzt werden könnte. Der Artikel konzentriert sich strikt auf Ölquellen.

Kurz gesagt: Dieser Artikel ist eine Einladung an die Welt, eine riesige, aktualisierte und sehr realistische Bibliothek von „Soundtracks" für Ölquellen zu nutzen, um Computern beizubringen, bessere Detektive zu sein, die Probleme in Ölquellen erkennen, bevor sie zu einer Katastrophe werden.

Technische Zusammenfassung

1. Problemstellung

In der Öl- und Gasindustrie führen unerwünschte Ereignisse in Ölbohrungen (z. B. Geräteausfälle, Strömungsinstabilitäten, Hydratbildung) zu erheblichen wirtschaftlichen Verlusten, Umweltunfällen und Personenschäden. Während Künstliche Intelligenz (KI) und maschinelles Lernen (ML) vielversprechende Lösungen für die Früherkennung dieser Ereignisse durch das Management anomaler Ereignisse (AEM) bieten, hängt ihr Erfolg stark von der Verfügbarkeit von hochwertigen, gelabelten und realistischen Datensätzen ab.

Vor dieser Arbeit bestand eine kritische Lücke an öffentlichen Datensätzen, die reale industrielle Daten mit seltenen, unerwünschten Ereignissen enthalten. Bestehende Datensätze fehlten oft an der Komplexität realer Betriebsabläufe (z. B. fehlende Werte, Sensor-Einfrieren, Rauschen) oder waren nicht öffentlich zugänglich, was die Entwicklung robuster, generalisierbarer Detektionsmodelle behinderte.

2. Methodik

Das Papier beschreibt die Evolution und Struktur des 3W Dataset 2.0.0, eines multivariaten Zeitreihendatensatzes (MTS), der von Petrobras verwaltet wird. Der Datensatz wird unter Verwendung von drei unterschiedlichen Methoden zur Datengenerierung erstellt, um ein Gleichgewicht zwischen Realismus, Volumen und Abdeckung seltener Ereignisse zu gewährleisten:

A. Datenquellen und Generierungsmethoden

1. Reale Instanzen (Realwelt-Daten):

   • Quelle: Extrahiert aus den Plant Information Management Systems (PIMS) von Petrobras, speziell aus AVEVA PI System-Umgebungen.
   • Merkmale: Diese Instanzen bewahren die „Unordnung" realer industrieller Daten, einschließlich eingefrorener Variablen, fehlender Werte und Ausreißer, die unbehandelt gelassen werden, um Algorithmen herauszufordern, reale Bedingungen zu bewältigen.
   • Abtastung: 1 Hz Frequenz (1-Sekunden-Intervalle).
   • Labeling: Durchgeführt von Petrobras-Experten mit einem proprietären Web-Tool, validiert durch ein Expertengremium und finalisiert durch einen Kurator.

2. Simulierte Instanzen (Physikbasierte Simulation):

   • Quelle: Generiert mit OLGA, einem dynamischen Mehrphasenströmungssimulator, der in der Industrie weit verbreitet ist.
   • Merkmale: Die Daten sind perfekt periodisch ohne fehlende Werte oder Rauschen. Sie werden verwendet, um Daten für seltene Ereignisse zu generieren, die in realen Betriebsabläufen nur schwer häufig erfasst werden können.
   • Labeling: Vollautomatisiert basierend auf Simulationsparametern.

3. Manuell gezeichnete Instanzen (Expertenwissen):

   • Quelle: Erstellt von Petrobras-Experten mit einem proprietären Bildverarbeitungstool. Experten zeichneten manuell Zeitreihendiagramme, die spezifische Ereignis-Signaturen darstellen.
   • Merkmale: Digitalisiert von Papiercharts. Werden für Ereignisse verwendet, die sowohl selten als auch schwer präzise zu simulieren sind.
   • Labeling: Direkt abgeleitet aus den Markierungen der Experten auf den ursprünglichen Diagrammen.

B. Datenstruktur und Nomenklatur

• Format: Der Datensatz ist in Apache Parquet-Dateien organisiert (spaltenorientiert, mit Brotli komprimiert) für effiziente Speicherung und Abruf, wodurch das CSV-Format der Version 1.0.0 ersetzt wird.
• Variablen: Jede Instanz enthält 27 Variablen, die physikalische Größen (Druck, Temperatur, Durchflussrate, Ventilzustände) im gesamten Bohrlochproduktionsystem (unterseeischer Weihnachtsbaum, Umbilical usw.) repräsentieren.
• Labels: Der Datensatz führt ein duales Labeling-System ein:
  • Klassen-Labels: Geben die Art des Ereignisses an (z. B. Normaler Betrieb, Plötzlicher Anstieg von BSW, Hydratbildung). Die Codes reichen von 0 (Normal) bis 9 (Spezifische Ereignisse) und 101–109 (Transiente Zustände).
  • Zustands-Labels: Geben den Betriebszustand des Bohrlochs an (z. B. Offen, Abgedichtet, Spülen mit Diesel/Gas, Bullheading, Druckentlastung).

C. Umfang

Der Datensatz deckt satellitentyppfliche Offshore-Ölproduktionsbohrungen ab, die ohne ein Verteilerkranzsystem (Manifold) betrieben werden. Er enthält Daten von 42 verschiedenen Bohrungen aus dem Zeitraum von 2011 bis 2023.

3. Hauptbeiträge

Der primäre Beitrag dieses Papiers ist die Veröffentlichung und detaillierte Dokumentation des 3W Dataset 2.0.0, der eine erhebliche Verbesserung gegenüber Version 1.0.0 darstellt. Zu den wichtigsten Fortschritten gehören:

• Erweiterter Ereignisabdeckung: Einführung eines neuen Ereignistyps, „Hydrat in der Serviceleitung", und erhöhte Instanzen für bestehende seltene Ereignisse.
• Erhöhtes Datenvolumen:
  • Die Gesamtzahl der Instanzen stieg von ca. 1.984 auf 2.228.
  • Reale Instanzen stiegen um 94; simulierte Instanzen stiegen um 150.
  • Die Anzahl der abgedeckten realen Bohrungen verdoppelte sich (von 21 auf 42).
• Erweiterter Variablensatz: Eine Variable wurde eingestellt und 20 neue Variablen hinzugefügt, was insgesamt 27 ergibt und einen umfassenderen Blick auf das Produktionssystem ermöglicht.
• Neue Labeling-Dimension: Die Hinzufügung von Zustands-Labels ermöglicht es Forschern, spezifische Betriebsverfahren (z. B. „Bullheading") mit Variablenverhalten zu korrelieren und so ein nuancierteres Modelltraining zu ermöglichen.
• Infrastruktur:
  • Migration zum Parquet-Format für bessere Leistung.
  • Entwicklung des 3W Toolkit (Python-basiert) zur Erleichterung des Datenladens, der Visualisierung und der Berechnung von Metriken.
  • Etablierung einer 3W Community und eines Open-Lab-Moduls zur Förderung der kollaborativen Forschung.

4. Ergebnisse und Statistiken

Das Papier bietet einen statistischen Überblick über die Zusammensetzung und Qualität des Datensatzes:

• Verteilung: Der Datensatz enthält 1.119 reale Instanzen, 1.089 simulierte Instanzen und 20 manuell gezeichnete Instanzen.
• Realismus-Metriken: Der reale Daten-Teilbereich zeigt erhebliche „Realwelt"-Herausforderungen:
  • 65,90 % der Variablenbeobachtungen sind fehlend.
  • 9,77 % der Variablen sind eingefroren.
  • 5,26 % der Beobachtungen sind ungelabelt.
• Community-Impact: Das Papier hebt die Adoption des Datensatzes hervor und zitiert über 100 veröffentlichte Arbeiten (einschließlich Dissertationen, Fachartikel und Konferenzbeiträge), die das 3W Dataset nutzen, was seine wachsende Rolle als grundlegender Benchmark für die Fehlererkennung und -diagnose (FDD) in der Ölindustrie unterstreicht.

5. Bedeutung

Das 3W Dataset 2.0.0 ist aus mehreren Gründen bedeutsam:

1. Überbrückung der Datenlücke: Es adressiert die Knappheit an öffentlichen, gelabelten industriellen Zeitreihendaten, speziell für seltene und kritische Ausfallmodi in Ölbohrungen.
2. Realismus für Robustheit: Durch die bewusste Bewahrung von Datenunvollkommenheiten (fehlende Werte, eingefrorene Sensoren) erzwingt es die Entwicklung von ML-Modellen, die robust genug sind, um in tatsächlichen industriellen Umgebungen eingesetzt zu werden, anstatt nur auf sauberen, synthetischen Daten zu funktionieren.
3. Potenzial für Transfer Learning: Das große Volumen und die Vielfalt der Daten machen es zu einer idealen „Pre-Training"-Ressource für Transfer-Learning-Frameworks, sodass Modelle, die auf diesem Datensatz trainiert wurden, für spezifische, datenarme Zielaufgaben feinabgestimmt werden können.
4. Open Science und Zusammenarbeit: Verwaltet unter einer CC BY 4.0-Lizenz und gehostet auf GitHub/Figshare, fördert es offene Innovation und ermöglicht es Forschern, Start-ups und Betreibern, an der Verbesserung von Früherkennungssystemen zusammenzuarbeiten, was letztendlich die Sicherheit erhöht und wirtschaftliche Verluste im Energiesektor reduziert.

Zusammenfassend präsentiert das Papier einen ausgereiften, gemeinschaftsgetriebenen und technisch rigorosen Datensatz, der als kritischer Enabler für die Weiterentwicklung von KI-gestützter Sicherheit und Effizienz in der Öl- und Gasindustrie dient.