⚡ electrical engineering

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

Este estudio demuestra que los modelos de aprendizaje automático, particularmente XGBoost para regresión y Random Forest para clasificación, pueden predecir eficazmente la presión de descarga y el caudal de la bomba electrosumergible al tiempo que identifican fallas en el sistema, permitiendo así un mantenimiento proactivo para reducir el tiempo de inactividad y mejorar la eficiencia operativa.

Autores originales: Omama Osman, Mohammed Eissa, Abdalla Abdalla, Amjed Hassan, Mahmoud Jumaa

Publicado 2026-08-27

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Omama Osman, Mohammed Eissa, Abdalla Abdalla, Amjed Hassan, Mahmoud Jumaa

Artículo original bajo licencia CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

En lo profundo de la tierra, en el mundo oscuro y pesado de los yacimientos de petróleo, las máquinas trabajan incansablemente para traer el crudo a la superficie. Entre estas máquinas, de las más vitales, se encuentra la bomba electrosumergible, un enorme conjunto de motor e impulsor que se baja por un pozo para empujar el fluido hacia arriba contra una presión inmensa. Estas bombas son el corazón de la producción moderna de petróleo, manteniendo los pozos fluyendo cuando la presión natural se desvanece. Sin embargo, operan en un entorno brutal de calor elevado, fluidos corrosivos y vibración constante. Cuando una bomba falla, el pozo deja de producir, lo que conlleva pérdidas financieras significativas y la necesidad de reparaciones costosas y disruptivas. Durante décadas, los ingenieros han monitoreado estas bombas observando señales de advertencia como vibraciones inusuales o cambios en la corriente eléctrica, pero estos métodos suelen ser reactivos, identificando un problema solo después de que el daño ya ha comenzado. La pregunta que enfrenta la industria ha sido si es posible mirar hacia adelante, predecir cómo está rindiendo una bomba y cuándo podría fallar antes de que la maquinaria realmente se rompa.

Un equipo de investigadores de la Universidad de Jartum y de la Universidad Rey Fahd de Petróleo y Minerales en Arabia Saudita ha recurrido a una herramienta poderosa para responder a esta pregunta: el aprendizaje automático. Esta rama de la inteligencia artificial permite que las computadoras aprendan patrones a partir de vastas cantidades de datos históricos sin ser programadas explícitamente con reglas específicas. En este estudio, los investigadores recopilaron un conjunto masivo de datos de cuarenta y cuatro pozos petroleros en el Medio Oriente, recolectando más de doce mil registros de operaciones en tiempo real. Se centraron en dos mediciones críticas que cuentan la historia de la salud de una bomba: la presión a la cual la bomba empuja el fluido hacia afuera y la tasa a la que ese fluido fluye. Al alimentar estos datos en modelos computacionales sofisticados, el equipo buscaba crear un sistema que pudiera pronosticar estos valores con alta precisión y, lo que es más importante, detectar los signos tempranos de una avería.

Los investigadores probaron varios tipos diferentes de algoritmos de aprendizaje automático para ver cuál podía imitar mejor el complejo comportamiento de las bombas. Compararon un método conocido como regresión de vectores de soporte, que es bueno encontrando límites en los datos, contra una técnica más avanzada llamada potenciación de gradiente extremo (extreme gradient boosting), que construye una serie de árboles de decisión para refinar sus predicciones paso a paso. También desarrollaron un modelo separado diseñado específicamente para clasificar si una bomba estaba operando normalmente o encaminándose hacia una falla. Los datos que utilizaron provenían de pozos que producían petróleo pesado, un fluido espeso y viscoso que ejerce un estrés adicional sobre el equipo, haciendo que la tarea de predicción sea aún más desafiante. Los pozos estaban situados en formaciones de roca carbonatada, y el petróleo tenía una gravedad promedio que lo clasificaba como pesado, lo que significa que fluye con menos facilidad que el crudo ligero.

Cuando los modelos fueron puestos a prueba, los resultados fueron sorprendentes. El modelo de potenciación de gradiente extremo demostró ser el predictor más preciso del rendimiento de la bomba. Podía pronostar la presión de descarga con un margen de error de menos del uno por ciento y la tasa de flujo con un error de apenas un cuatro por ciento. En términos prácticos, esto significa que la computadora podía predecir exactamente cuánta presión estaba generando la bomba y cuánto petróleo estaba moviendo, coincidiendo casi perfectamente con las mediciones del mundo real. Los otros modelos funcionaron bien, pero este algoritmo específico manejó la realidad desordenada y no lineal de los datos del campo petrolero con una consistencia superior. Aprendió que factores como la temperatura del motor, la presión en la toma de la bomba y el tamaño de la válvula de estrangulamiento interactúan de formas complejas para determinar la salida final, y capturó estas relaciones mejor que los otros métodos.

Más allá de predecir el rendimiento, el equipo también construyó un sistema para identificar fallas antes de que ocurrieran. Entrenaron un modelo de clasificación para reconocer las sutiles desviaciones en la presión y el flujo que señalan que una bomba está a punto de dispararse o romperse. El modelo fue probado contra siete tipos comunes de fallas, que van desde disparos eléctricos en el suministro de energía hasta bloqueos en la tubería. Al ajustar cómo la computadora ponderaba la evidencia, los investigadores lograron un sistema que identificaba correctamente las fallas el noventa y seis por ciento de las veces. Si bien el modelo ocasionalmente señalaba una bomba sana como defectuosa, logró captar la gran mayoría de los problemas reales, ofreciendo una ventana de tiempo para que los operadores intervengan. Este enfoque cambia la estrategia de reaccionar ante una bomba rota a mantener una de manera proactiva, potencialmente salvando a los pozos de tiempos de inactividad costosos.

El estudio demuestra que la era del mantenimiento puramente reactivo para estas máquinas críticas puede estar llegando a su fin. Al utilizar datos en tiempo real y algoritmos avanzados, los ingenieros ahora pueden anticipar cómo se comportará una bomba bajo diversas condiciones, como cambios en la viscosidad del fluido o la presión del yacimiento. La investigación confirma que la presión de descarga y la tasa de flujo son los indicadores más confiables de la condición de una bomba, y que el aprendizaje automático puede rastrearlos con un nivel de precisión que rivaliza con los sensores físicos. Esto no significa que las bombas en sí hayan cambiado, sino que la forma en que las vigilamos ha evolucionado. La capacidad de predecir el rendimiento y la falla con tal precisión ofrece un camino hacia operaciones más eficientes, un menor consumo de energía y un suministro más confiable de petróleo desde las profundidades de la tierra.

Resumen Técnico: Modelos de Aprendizaje Automático para el Pronóstico de la Presión de Descarga y el Caudal de Bombas Electrosumergibles

Planteamiento del Problema
Las Bombas Electrosumergibles (ESP, por sus siglas en inglés) son críticas para mantener la producción de petróleo, particularmente en pozos de alta tasa y yacimientos de baja presión y alto corte de agua. Sin embargo, estos sistemas operan bajo condiciones severas que conducen a la degradación y falla, lo que resulta en pérdidas significativas de producción, un aumento en la frecuencia de intervenciones (workovers) y mayores costos operativos. Los métodos de monitoreo tradicionales, como el análisis de vibraciones y el seguimiento de la corriente, son mayoritariamente reactivos; a menudo identifican fallas solo después de que estas han ocurrido o generan falsas alarmas. Existe una necesidad distintiva de soluciones proactivas basadas en datos que puedan predecir la degradación del rendimiento e identificar fallas antes de que causen tiempos de inactividad. Este estudio aborda el desafío de optimizar el rendimiento de las ESP y permitir el mantenimiento predictivo mediante el pronóstico de dos indicadores primarios del comportamiento de la bomba: la presión de descarga ( $P_d$ ) y el caudal ( $Q$ ).

Metodología
La investigación utilizó un conjunto de datos exhaustivo que comprende aproximadamente 12,000 puntos de datos de 44 pozos petroleros en un yacimiento de carbonato de Medio Oriente. Los pozos producían petróleo pesado (gravedad API promedio de 19.2°) con presiones de fondo variables (154–5,576 psi) y cortes de agua (0–100%). El estudio empleó un flujo de trabajo estructurado que involucró la recolección de datos, limpieza, análisis exploratorio de datos (EDA) y desarrollo de modelos.

Preprocesamiento de Datos: El conjunto de datos inicial de 24,000 puntos fue limpiado para eliminar pozos de agua y pozos con datos insuficientes. Los valores faltantes se manejaron mediante el llenado hacia adelante (LOCF - Last Observation Carried Forward) para tareas de regresión y llenado hacia atrás para tareas de clasificación. Los valores atípicos (outliers) se gestionaron mediante la winsorización (limitación) o eliminación basada en el conocimiento del dominio. Los datos se dividieron en un 80% para entrenamiento y un 20% para prueba.
Selección de Características: A través del análisis de tendencias y la evaluación del Coeficiente de Correlación de Pearson (PCC), se analizaron 18 parámetros de entrada. La presión de descarga ( $P_d$ ) y el caudal ( $Q$ ) fueron seleccionados como las variables objetivo principales para la regresión. Para la clasificación de fallas, se incorporaron características adicionales diseñadas, tales como el diferencial de presión ( $\Delta P$ ), el estrés térmico ( $\Delta T$ ), la potencia eléctrica y la eficiencia de flujo.
Selección y Entrenamiento de Modelos:
- Regresión: Se entrenaron Regresión de Vectores de Soporte (SVR) y Extreme Gradient Boosting (XGBoost) para predecir $P_d$ y $Q$ . El SVR requirió un ajuste extensivo de hiperparámetros (GridSearchCV) y estandarización de características. El XGBoost se optimizó con parámetros específicos (tasa de aprendizaje 0.3, profundidad máxima 6) y no requirió escalado de características.
- Clasificación: Se desarrolló un clasificador de Bosque Aleatorio (Random Forest) para identificar fallas en el sistema ESP (por ejemplo, disparos de OHTL, disparos de VSD, obstrucción de tubería). El estudio abordó el desequilibrio de clases utilizando técnicas como SMOTE, NearMiss y bagging, seleccionando finalmente un modelo con un umbral de clasificación ajustado de 0.75.

Resultados Clave
El estudio evaluó el rendimiento de los modelos utilizando $R^2$ , Error Cuadrático Medio (RMSE) y Error Porcentual Absoluto Promedio (AAPE) para la regresión, y precisión (accuracy), precisión (precision), exhaustividad (recall) y puntuación F1 para la clasificación.

Rendimiento de la Regresión: XGBoost superó consistentemente a SVR. Para la presión de descarga ( $P_d$ ), XGBoost logró un $R^2$ de 0.968, un RMSE de 64.16 y un AAPE de 0.84% en el conjunto de prueba. Para el caudal ( $Q$ ), XGBoost logró un $R^2$ de 0.968, un RMSE de 98.16 y un AAPE de 3.48%. Si bien el SVR demostró una buena exactitud, XGBoost mostró una capacidad de generalización superior y tasas de error más bajas, particularmente para las predicciones de caudal más complejas.
Rendimiento de la Clasificación: El modelo de Bosque Aleatorio optimizado alcanzó una precisión global del 96%. Al ajustar el umbral de clasificación a 0.75, el modelo predijo con éxito las fallas con una exhaustividad (recall) de 0.97 (detectando 60 de 62 fallas reales), aunque esto se produjo con una precisión (precision) de 0.52 debido a algunos falsos positivos. El modelo identificó eficazmente los eventos sin falla con una baja tasa de falsos positivos en configuraciones específicas.

Significancia y Contribuciones
El artículo afirma ofrecer un enfoque innovador basado en datos para mejorar la confiabilidad operativa de las ESP. Las contribuciones primarias incluyen:

Mantenimiento Proactivo: A diferencia de los métodos reactivos tradicionales, los modelos de ML desarrollados permiten la identificación temprana de desviaciones de rendimiento y fallas potenciales, facilitando el mantenimiento basado en la condición.
Medición Virtual de Flujo: La alta exactitud de los modelos de regresión sugiere que pueden servir como un sustituto confiable de los medidores de flujo físicos, reduciendo la dependencia de pruebas de producción y mantenimiento de equipos costosos.
Eficiencia Operativa: Al pronosticar con precisión $P_d$ y $Q$ , los modelos apoyan la toma de decisiones en tiempo real para reducir el tiempo de inactividad, optimizar el uso de energía y mejorar la rentabilidad.
Marco Robusto: El estudio valida la aplicación de XGBoost y Random Forest en entornos de ESP complejos y no lineales caracterizados por petróleo pesado y condiciones variables de yacimiento, demostrando su superioridad sobre los enfoques lineales tradicionales y SVR en este contexto específico.

Los autores concluyen que estos modelos proporcionan un marco confiable para mejorar el rendimiento de las ESP y minimizar los riesgos operativos en entornos de producción de petróleo pesado similares.

Más como este