Machine Learning Models for Forecasting Discharge Pressure and Flow Rate of Electrical Submersible Pumps for Performance Enhancement and Failure Prediction

Tief unter der Erde, in der dunklen und schweren Welt der Ölreservoirs, arbeiten Maschinen unermüdlich daran, Rohöl an die Oberfläche zu fördern. Zu den wichtigsten dieser Maschinen gehört die elektrische Untergrundpumpe, eine massive Motor- und Impeller-Baugruppe, die in ein Bohrloch abgesenkt wird, um die Flüssigkeit gegen immensen Druck nach oben zu drücken. Diese Pumpen sind das Herz der modernen Ölproduktion und halten die Brunnen am Fließen, wenn der natürliche Druck nachlässt. Dennoch arbeiten sie in einer brutalen Umgebung aus hoher Hitze, korrosiven Flüssigkeiten und ständiger Vibration. Wenn eine Pumpe ausfällt, steht die Produktion des Brunnens still, was zu erheblichen finanziellen Verlusten und dem Bedarf an teuren, störenden Reparaturen führt. Jahrzehntelang haben Ingenieure diese Pumpen überwacht, indem sie auf Warnsignale wie ungewöhnliche Vibrationen oder Veränderungen im elektrischen Strom achten, aber diese Methoden sind oft reaktiv und identifizieren ein Problem erst, wenn der Schaden bereits begonnen hat. Die Frage, vor der die Industrie stand, war, ob es möglich sei, vorauszuschauen – zu prognostizieren, wie eine Pumpe arbeitet und wann sie ausfallen könnte, bevor die Maschine tatsächlich bricht.

Ein Forscherteam der Universität von Khartoum und der King Fahd University of Petroleum and Minerals in Saudi-Arabien hat sich einem leistungsstarken Werkzeug zugewandt, um diese Frage zu beantworten: maschinelles Lernen. Dieser Zweig der künstlichen Intelligenz ermöglicht es Computern, Muster aus riesigen Mengen historischer Daten zu lernen, ohne explizit mit spezifischen Regeln programmiert zu sein. In dieser Studie sammelte das Team einen massiven Datensatz aus vierundvierzig Ölquellen im Nahen Osten und erfasste dabei über zwölftausend Datensätze des Echtzeitbetriebs. Sie konzentrierten sich auf zwei kritische Messwerte, die die Geschichte über die Gesundheit einer Pumpe erzählen: den Druck, mit dem die Pumpe die Flüssigkeit herausdrückt, und die Rate, mit der diese Flüssigkeit fließt. Durch die Einspeisung dieser Daten in hochentwickelte Computermodelle zielte das Team darauf ab, ein System zu schaffen, das diese Werte mit hoher Präzision vorhersagen und – was noch wichtiger ist – die frühen Anzeichen eines Zusammenbruchs erkennen kann.

Die Forscher testeten verschiedene Arten von Algorithmen des maschinellen Lernens, um zu sehen, welcher das komplexe Verhalten der Pumpen am besten nachahmen kann. Sie verglichen eine Methode namens Support Vector Regression, die gut darin ist, Grenzen in Daten zu finden, mit einer fortgeschritteneren Technik namens Extreme Gradient Boosting, die eine Serie von Entscheidungsbäumen aufbaut, um ihre Vorhersagen Schritt für Schritt zu verfeinern. Sie entwickelten auch ein separates Modell, das speziell darauf ausgelegt ist, zu klassifizieren, ob eine Pumpe normal arbeitet oder sich auf einen Ausfall zubewegt. Die verwendeten Daten stammten aus Brunnen, die schweres Öl fördern – eine dicke, viskose Flüssigkeit, die eine zusätzliche Belastung für die Ausrüstung darstellt und die Aufgabe der Vorhersage noch anspruchsvoller macht. Die Brunnen befanden sich in Karbonatgesteinsformationen, und das Öl hatte eine durchschnittliche Dichte, die es als schwer klassifizierte, was bedeutet, dass es weniger leicht fließt als leichteres Rohöl.

Als die Modelle getestet wurden, waren die Ergebnisse beeindruckend. Das Extreme Gradient Boosting-Modell erwies sich als der genaueste Prädiktor für die Leistung der Pumpe. Es konnte den Förderdruck mit einer Fehlermarge von weniger als einem Prozent und die Durchflussrate mit einem Fehler von knapp unter vier Prozent vorhersagen. In praktischen Begriffen bedeutet dies, dass der Computer exakt vorhersagen konnte, wie viel Druck die Pumpe erzeugt und wie viel Öl sie bewegt, wobei er die realen Messungen fast perfekt traf. Die anderen Modelle schnitten gut ab, aber dieser spezifische Algorithmus bewältigte die unordentliche, nicht-lineare Realität der Ölfeld-Daten mit überlegener Konsistenz. Er lernte, dass Faktoren wie die Temperatur des Motors, der Druck am Einlass der Pumpe und die Größe des Drosselventils alle auf komplexe Weise interagieren, um den endgültigen Output zu bestimmen, und er erfasste diese Beziehungen besser als die anderen Methoden.

Über die Leistungs-Vorhersage hinaus baute das Team auch ein System, um Ausfälle zu identifizieren, bevor sie eintreten. Sie trainierten ein Klassifikationsmodell, um die subtilen Abweichungen im Druck und im Durchfluss zu erkennen, die signalisieren, dass eine Pumpe kurz davor steht, auszulösen oder zu brechen. Das Modell wurde gegen sieben gängige Arten von Ausfällen getestet, die von elektrischen Auslösungen in der Stromversorgung bis hin zu Verstopfungen in der Rohrleitung reichten. Durch die Anpassung der Art und Weise, wie der Computer die Beweise gewichtete, erreichten die Forscher ein System, das Ausfälle zu neunundneunzig Prozent korrekt identifizierte. Obwohl das Modell gelegentlich eine gesunde Pumpe als defekt markierte, fing es die überwiegende Mehrheit der tatsächlichen Probleme ab und bot so ein Zeitfenster für Eingriffe durch die Bediener. Dieser Ansatz verschiebt die Strategie von der Reaktion auf eine kaputte Pumpe hin zur proaktiven Wartung einer funktionierenden.

Die Studie zeigt, dass die Ära der rein reaktiven Wartung für diese kritischen Maschinen möglicherweise zu Ende geht. Durch die Nutzung von Echtzeitdaten und fortschrittlichen Algorithmen können Ingenieure nun antizipieren, wie sich eine Pumpe unter variierenden Bedingungen verhalten wird, wie etwa bei Änderungen der Fluidviskosität oder des Reservoirdrucks. Die Forschung bestätigt, dass der Förderdruck und die Durchflussrate die zuverlässigsten Indikatoren für den Zustand einer Pumpe sind und dass maschinelles Lernen diese mit einer Präzision verfolgen kann, die physischen Sensoren ebenbürtig ist. Dies bedeutet nicht, dass sich die Pumpen selbst verändert haben, sondern dass sich die Art und Weise, wie wir sie beobachten, weiterentwickelt hat. Die Fähigkeit, die Leistung und den Ausfall mit einer solchen Genauigkeit vorherzusagen, bietet einen Weg zu effizienteren Abläufen, geringerem Energieverbrauch und einer zuverlässigeren Versorgung mit Öl aus der tiefen Erde.