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

Este artículo presenta la versión 2.0.0 del Conjunto de Datos 3W, un recurso de series temporales multivariadas etiquetado por expertos y disponible públicamente que contiene eventos reales raros y no deseados en pozos de petróleo, diseñado para avanzar en las metodologías de detección temprana impulsadas por la inteligencia artificial y mitigar los riesgos económicos, ambientales y de seguridad en la industria.

Lo esencial

Imagina la industria petrolera como una orquesta masiva y compleja. Cada pozo de petróleo es un músico que toca un instrumento específico. Por lo general, tocan una melodía suave y predecible (operación normal). Pero a veces, un músico toca una nota falsa, el instrumento se atasca o la partitura se rasga. Estos son los "eventos indeseables", como el cierre inesperado de una válvula o la formación de un bloqueo en una tubería. Si el director (la compañía petrolera) no nota estos errores inmediatamente, toda la orquesta podría estrellarse, lo que llevaría a pérdidas de dinero, derrames ambientales o incluso lesiones.

Este artículo presenta una nueva y actualizada "biblioteca de partituras" llamada Conjunto de Datos 3W 2.0.0. Es una colección pública de grabaciones (datos) que ayuda a las computadoras a aprender a detectar estos errores antes de que la orquesta se estrelle.

Aquí hay un desglose de lo que afirma este artículo, utilizando analogías simples:

1. ¿Qué es este Conjunto de Datos?

Piensa en el conjunto de datos como una gigantesca biblioteca de grabaciones que viajan en el tiempo.

• La Grabación: En lugar de audio, registra 27 diferentes "sensores" (como presión, temperatura y caudales) de pozos de petróleo, avanzando cada segundo individual.
• La Etiqueta: Cada grabación viene con una "pegatina" de un experto humano. La pegatina dice: "Esta parte fue normal", "Esta parte fue un cierre repentino de válvula" o "Esta parte fue la formación de un bloqueo".
• El Objetivo: El objetivo es enseñar a la Inteligencia Artificial (IA) a leer estas pegatinas y aprender los patrones para que pueda detectar un problema en una nueva grabación sin necesidad de que un humano la revise primero.

2. Los Tres Tipos de "Músicos" (Fuentes de Datos)

El artículo explica que no solo tomaron grabaciones de la vida real; utilizaron tres métodos diferentes para construir esta biblioteca, cada uno con su propio sabor:

• Vida Real (El Concierto en Vivo): Estas son grabaciones reales de pozos de petróleo propiedad de Petrobras (un gigante petrolero brasileño).
  • El Truco: La vida real es desordenada. A veces el micrófono (sensor) deja de funcionar o la cinta se atasca (datos congelados). Los autores mantuvieron intencionalmente estos desorden en los datos. ¿Por qué? Porque quieren entrenar a la IA para que sea lo suficientemente resistente para manejar una sala de conciertos real y desordenada, no solo un estudio perfecto.
• Simulado (El Ensayo): Algunos problemas (como un tipo específico de bloqueo de tubería) son tan raros en la vida real que casi nunca ocurren. Para obtener suficientes ejemplos, el equipo utilizó un simulador de supercomputadora (OLGA) para "ensayar" estos desastres.
  • El Truco: Estas son grabaciones perfectas y limpias. Sin estática, sin notas faltantes. Son excelentes para enseñar a la IA cómo se ve un desastre "perfecto".
• Dibujado a Mano (El Boceto): Algunos problemas son tan extraños que incluso la supercomputadora no puede simularlos con precisión. Así que expertos humanos tomaron una pluma y papel y dibujaron cómo deberían verse las lecturas de los sensores durante estos eventos raros.
  • El Truco: Estas son como el boceto de una canción hecho por un músico. Capturan la esencia y la forma del problema, incluso si no son una grabación real.

3. ¿Qué hay de Nuevo en la Versión 2.0.0?

La primera versión de esta biblioteca salió en 2019. Este artículo anuncia la Versión 2.0.0, que es como un paquete de expansión mayor para un videojuego. Esto es lo que cambió:

• Más Pozos: Duplicaron el número de pozos de petróleo reales que grabaron (de 21 a 42).
• Más Sensores: Agregaron 20 nuevos "micrófonos" (variables) a las grabaciones, dando una imagen mucho más clara de lo que está sucediendo.
• Nuevos Problemas: Agregaron un nuevo tipo de desastre a la lista: "Hidrato en la Línea de Servicio" (un tipo específico de bloqueo similar al hielo).
• Mejores Etiquetas: Agregaron un nuevo tipo de "pegatina" llamada Etiqueta de Estado. Antes, las pegatinas solo decían "Normal" o "Roto". Ahora, también dicen qué estaba haciendo el pozo en ese momento (por ejemplo, "Lo estamos enjuagando con diésel", "Lo estamos apagando" o "Lo estamos reiniciando"). Esto ayuda a la IA a entender el contexto, no solo el ruido.
• Mejor Formato: Cambiaron de formatos de archivo antiguos y pesados (CSV) a un formato moderno y de alta velocidad llamado Parquet, lo cual es como cambiar de un disquete a una unidad de estado sólido.

4. ¿Por Qué Importa Esto?

El artículo afirma que tener esta biblioteca específica y de alta calidad permite a investigadores y empresas:

• Entrenar una IA Mejor: Porque los datos incluyen problemas "desordenados" del mundo real, la IA entrenada con ellos no se confundirá cuando se encuentre con pozos de petróleo reales.
• Detectar Problemas Tempranamente: La IA puede aprender los "temblores" sutiles en los datos que ocurren antes de que se produzca un desastre, permitiendo a los operadores solucionarlo temprano.
• Compartir Conocimiento: Dado que este es un conjunto de datos público, cualquiera (estudiantes, startups u otras compañías petroleras) puede descargarlo e intentar crear mejores herramientas de detección.

5. Lo Que el Artículo No Afirma

• No afirma que esta IA esté funcionando actualmente en cada pozo de petróleo del mundo. Es una herramienta para la investigación y el desarrollo.
• No afirma haber resuelto el problema de los derrames de petróleo o los accidentes. Afirma proporcionar los datos necesarios para construir soluciones que podrían prevenirlos.
• No discute usos médicos u otras industrias, aunque la tecnología (análisis de series temporales) podría teóricamente utilizarse en otros lugares. El artículo se centra estrictamente en los pozos de petróleo.

En resumen: Este artículo es una invitación al mundo para utilizar una biblioteca masiva, actualizada y muy realista de "bandas sonoras" de pozos de petróleo para enseñar a las computadoras a ser mejores detectives, detectando problemas en los pozos de petróleo antes de que se conviertan en una catástrofe.

Resumen técnico

A continuación se presenta un resumen técnico detallado del artículo "3W DATASET 2.0.0: UN CONJUNTO DE DATOS REALISTA Y PÚBLICO CON EVENTOS REALES INDSEABLES RAROS EN POZOS DE PETRÓLEO."

1. Planteamiento del Problema

En la industria del petróleo y el gas, los eventos indeseables en los pozos de petróleo (por ejemplo, fallos de equipos, inestabilidades de flujo, formación de hidratos) provocan pérdidas económicas significativas, accidentes ambientales y víctimas mortales. Aunque la Inteligencia Artificial (IA) y el Aprendizaje Automático (ML) ofrecen soluciones prometedoras para la Detección Temprana de estos eventos mediante la Gestión de Eventos Anómalos (AEM), su éxito depende en gran medida de la disponibilidad de conjuntos de datos de alta calidad, etiquetados y realistas.

Antes de este trabajo, existía una carencia crítica de conjuntos de datos públicos que contuvieran datos industriales del mundo real con eventos raros e indeseables. Los conjuntos de datos existentes a menudo carecían de la complejidad de las operaciones reales (por ejemplo, valores faltantes, congelación de sensores, ruido) o no eran de acceso público, lo que obstaculizaba el desarrollo de modelos de detección robustos y generalizables.

2. Metodología

El artículo describe la evolución y la estructura del Conjunto de Datos 3W 2.0.0, un conjunto de datos de series temporales multivariantes (MTS) gestionado por Petrobras. El conjunto de datos se construye utilizando tres métodos distintos de generación de datos para garantizar un equilibrio entre realismo, volumen y cobertura de eventos raros:

A. Fuentes de Datos y Métodos de Generación

1. Instancias Reales (Datos del mundo real):

   • Fuente: Extraídas de los Sistemas de Gestión de Información de Planta (PIMS) de Petrobras, específicamente de entornos del sistema AVEVA PI.
   • Características: Estas instancias preservan la "desorden" de los datos industriales reales, incluyendo variables congeladas, valores faltantes y valores atípicos, los cuales se dejan sin tratar para desafiar a los algoritmos a manejar condiciones del mundo real.
   • Muestreo: Frecuencia de 1 Hz (intervalos de 1 segundo).
   • Etiquetado: Realizado por expertos de Petrobras utilizando una herramienta web propietaria, validado por un comité de expertos y finalizado por un curador.

2. Instancias Simuladas (Simulación basada en física):

   • Fuente: Generadas utilizando OLGA, un simulador de flujo multifásico dinámico ampliamente utilizado en la industria.
   • Características: Los datos son perfectamente periódicos, sin valores faltantes ni ruido. Se utilizan para generar datos de eventos raros que son difíciles de capturar con frecuencia en operaciones reales.
   • Etiquetado: Completamente automatizado basado en los parámetros de simulación.

3. Instancias Dibujadas a Mano (Conocimiento experto):

   • Fuente: Creadas por expertos de Petrobras utilizando una herramienta propietaria de procesamiento de imágenes. Los expertos dibujaron manualmente gráficos de series temporales que representan firmas específicas de eventos.
   • Características: Digitalizados a partir de gráficos en papel. Se utilizan para eventos que son tanto raros como difíciles de simular con precisión.
   • Etiquetado: Derivado directamente de las marcas de los expertos en los gráficos originales.

B. Estructura y Nomenclatura de los Datos

• Formato: El conjunto de datos está organizado en archivos Apache Parquet (orientados a columnas, comprimidos con Brotli) para un almacenamiento y recuperación eficientes, reemplazando el formato CSV de la versión 1.0.0.
• Variables: Cada instancia contiene 27 variables que representan cantidades físicas (presión, temperatura, caudal, estados de válvulas) en todo el sistema de producción del pozo (árbol de navidad submarino, umbilical, etc.).
• Etiquetas: El conjunto de datos introduce un sistema de doble etiquetado:
  • Etiquetas de Clase: Indican la naturaleza del evento (por ejemplo, Operación Normal, Aumento Abrupto de BSW, Formación de Hidratos). Los códigos van desde 0 (Normal) hasta 9 (Eventos Específicos) y 101–109 (Condiciones Transitorias).
  • Etiquetas de Estado: Indican el estado operativo del pozo (por ejemplo, Abierto, Cerrado, Enjuague con Diésel/Gas, Bullheading, Despresurización).

C. Alcance

El conjunto de datos cubre pozos productores de petróleo offshore de tipo satélite que operan sin un colector. Incluye datos de 42 pozos diferentes que abarcan desde 2011 hasta 2023.

3. Contribuciones Clave

La contribución principal de este artículo es el lanzamiento y la documentación detallada del Conjunto de Datos 3W 2.0.0, que representa una mejora significativa sobre la versión 1.0.0. Los avances clave incluyen:

• Ampliación de la Cobertura de Eventos: Introducción de un nuevo tipo de evento, "Hidrato en la Línea de Servicio", y aumento de instancias para eventos raros existentes.
• Aumento del Volumen de Datos:
  • El total de instancias aumentó de ~1.984 a 2.228.
  • Las instancias reales aumentaron en 94; las instancias simuladas aumentaron en 150.
  • El número de pozos reales cubiertos se duplicó (de 21 a 42).
• Conjunto de Variables Mejorado: Se descontinuó una variable y se añadieron 20 nuevas variables, elevando el total a 27, lo que proporciona una visión más completa del sistema de producción.
• Nueva Dimensión de Etiquetado: La adición de Etiquetas de Estado permite a los investigadores correlacionar procedimientos operativos específicos (por ejemplo, "Bullheading") con comportamientos de variables, permitiendo un entrenamiento de modelos más matizado.
• Infraestructura:
  • Migración al formato Parquet para un mejor rendimiento.
  • Desarrollo del 3W Toolkit (basado en Python) para facilitar la carga de datos, la visualización y el cálculo de métricas.
  • Establecimiento de una Comunidad 3W y un módulo de Laboratorio Abierto para fomentar la investigación colaborativa.

4. Resultados y Estadísticas

El artículo proporciona una visión estadística de la composición y calidad del conjunto de datos:

• Distribución: El conjunto de datos contiene 1.119 instancias reales, 1.089 instancias simuladas y 20 instancias dibujadas a mano.
• Métricas de Realismo: El subconjunto de datos reales presenta desafíos significativos del "mundo real":
  • El 65,90% de las observaciones de variables están faltantes.
  • El 9,77% de las variables están congeladas.
  • El 5,26% de las observaciones no están etiquetadas.
• Impacto en la Comunidad: El artículo destaca la adopción del conjunto de datos, citando más de 100 trabajos publicados (incluyendo tesis, artículos de revistas y ponencias de conferencias) que utilizan el Conjunto de Datos 3W, demostrando su papel creciente como un punto de referencia fundamental para la Detección y Diagnóstico de Fallos (FDD) en la industria petrolera.

5. Significado

El Conjunto de Datos 3W 2.0.0 es significativo por varias razones:

1. Superación de la Brecha de Datos: Aborda la escasez de datos de series temporales industriales públicos y etiquetados, específicamente para modos de fallo raros y críticos en pozos de petróleo.
2. Realismo para la Robustez: Al preservar intencionalmente imperfecciones en los datos (valores faltantes, sensores congelados), obliga al desarrollo de modelos de ML lo suficientemente robustos para ser implementados en entornos industriales reales, en lugar de funcionar solo con datos limpios y sintéticos.
3. Potencial de Aprendizaje por Transferencia: El gran volumen y la diversidad de los datos lo convierten en un recurso ideal de "pre-entrenamiento" para marcos de Aprendizaje por Transferencia, permitiendo que los modelos entrenados en este conjunto de datos se ajusten finamente para tareas objetivo específicas con escasez de datos.
4. Ciencia Abierta y Colaboración: Gestionado bajo una licencia CC BY 4.0 y alojado en GitHub/Figshare, fomenta la innovación abierta, permitiendo que investigadores, startups y operadores colaboren en la mejora de los sistemas de Detección Temprana, mejorando finalmente la seguridad y reduciendo las pérdidas económicas en el sector energético.

En conclusión, el artículo presenta un conjunto de datos maduro, impulsado por la comunidad y técnicamente riguroso que sirve como un habilitador crítico para el avance de la seguridad y la eficiencia impulsadas por la IA en la industria del petróleo y el gas.