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

Cet article présente la version 2.0.0 du jeu de données 3W, une ressource publique de séries temporelles multivariées étiquetées par des experts, contenant des événements réels indésirables rares survenant dans les puits de pétrole, conçue pour faire progresser les méthodologies de détection précoce pilotées par l'intelligence artificielle et atténuer les risques économiques, environnementaux et de sécurité dans le secteur.

L'essentiel

Imaginez l'industrie pétrolière comme un orchestre massif et complexe. Chaque puits de pétrole est un musicien jouant un instrument spécifique. Habituellement, ils jouent une mélodie fluide et prévisible (fonctionnement normal). Mais parfois, un musicien joue une fausse note, l'instrument se bloque ou la partition se déchire. Ce sont les « événements indésirables » — comme la fermeture inattendue d'une vanne ou la formation d'un bouchon dans une canalisation. Si le chef d'orchestre (la compagnie pétrolière) ne remarque pas ces erreurs immédiatement, tout l'orchestre pourrait s'effondrer, entraînant des pertes financières, des déversements environnementaux, voire des blessures.

Ce papier présente une nouvelle « bibliothèque de partitions » améliorée appelée 3W Dataset 2.0.0. Il s'agit d'une collection publique d'enregistrements (données) qui aide les ordinateurs à apprendre à repérer ces erreurs avant que l'orchestre ne s'effondre.

Voici une décomposition de ce que ce papier affirme, en utilisant des analogies simples :

1. Qu'est-ce que cet ensemble de données ?

Imaginez l'ensemble de données comme une immense bibliothèque d'enregistrements voyageant dans le temps.

• L'enregistrement : Au lieu d'audio, il enregistre 27 « capteurs » différents (comme la pression, la température et les débits) des puits de pétrole, qui tic-taquent chaque seconde.
• L'étiquette : Chaque enregistrement est accompagné d'un « autocollant » apposé par un expert humain. L'autocollant indique : « Cette partie était normale », « Cette partie était une fermeture soudaine de vanne » ou « Cette partie était la formation d'un bouchon ».
• L'objectif : Le but est d'enseigner à l'Intelligence Artificielle (IA) de lire ces autocollants et d'apprendre les motifs afin qu'elle puisse repérer un problème dans un nouvel enregistrement sans qu'un humain ait besoin de l'examiner au préalable.

2. Les trois types de « musiciens » (Sources de données)

Le papier explique qu'ils n'ont pas simplement récupéré des enregistrements de la vie réelle ; ils ont utilisé trois méthodes différentes pour construire cette bibliothèque, chacune ayant sa propre saveur :

• Vie réelle (Le concert en direct) : Ce sont des enregistrements réels provenant de vrais puits de pétrole appartenant à Petrobras (un géant pétrolier brésilien).
  • La particularité : La vie réelle est désordonnée. Parfois, le microphone (capteur) cesse de fonctionner, ou la bande se coince (données gelées). Les auteurs ont intentionnellement conservé ces désordres dans les données. Pourquoi ? Parce qu'ils veulent entraîner l'IA à être assez robuste pour gérer une vraie salle de concert désordonnée, et non pas seulement un studio parfait.
• Simulé (La répétition) : Certains problèmes (comme un type spécifique de bouchon dans une canalisation) sont si rares dans la vie réelle qu'ils ne se produisent presque jamais. Pour obtenir suffisamment d'exemples, l'équipe a utilisé un simulateur sur super-ordinateur (OLGA) pour « répéter » ces catastrophes.
  • La particularité : Ce sont des enregistrements parfaits et propres. Pas de bruit de fond, pas de notes manquantes. Ils sont excellents pour enseigner à l'IA à quoi ressemble une catastrophe « parfaite ».
• Dessiné à la main (Le croquis) : Certains problèmes sont si étranges que même le super-ordinateur ne peut pas les simuler avec précision. Ainsi, des experts humains ont pris un stylo et du papier et ont dessiné à quoi les lectures des capteurs devraient ressembler lors de ces événements rares.
  • La particularité : Ce sont comme les croquis d'un musicien pour une chanson. Ils capturent l'essence et la forme du problème, même s'ils ne sont pas un enregistrement réel.

3. Quoi de neuf dans la version 2.0.0 ?

La première version de cette bibliothèque est sortie en 2019. Ce papier annonce la Version 2.0.0, qui ressemble à une extension majeure pour un jeu vidéo. Voici ce qui a changé :

• Plus de puits : Ils ont doublé le nombre de vrais puits de pétrole enregistrés (de 21 à 42).
• Plus de capteurs : Ils ont ajouté 20 nouveaux « microphones » (variables) aux enregistrements, offrant une image beaucoup plus claire de ce qui se passe.
• Nouveaux problèmes : Ils ont ajouté un nouveau type de catastrophe à la liste : « Hydrate dans la ligne de service » (un type spécifique de bouchon semblable à de la glace).
• Meilleures étiquettes : Ils ont ajouté un nouveau type d'« autocollant » appelé Étiquette d'État. Auparavant, les autocollants disaient simplement « Normal » ou « Cassé ». Maintenant, ils indiquent également ce que le puits faisait à ce moment-là (par exemple : « Nous le rinçons au diesel », « Nous l'arrêtons » ou « Nous le redémarrons »). Cela aide l'IA à comprendre le contexte, et non pas seulement le bruit.
• Meilleur format : Ils sont passés de vieux formats de fichiers encombrants (CSV) à un format moderne et rapide appelé Parquet, ce qui équivaut à passer d'une disquette à un disque dur à état solide.

4. Pourquoi cela importe-t-il ?

Le papier affirme que posséder cette bibliothèque spécifique et de haute qualité permet aux chercheurs et aux entreprises de :

• Entraîner une meilleure IA : Parce que les données incluent des problèmes « désordonnés » du monde réel, l'IA entraînée dessus ne sera pas confuse lorsqu'elle rencontrera de vrais puits de pétrole.
• Détecter les problèmes tôt : L'IA peut apprendre les « tremblements » subtils dans les données qui se produisent avant qu'une catastrophe ne frappe, permettant aux opérateurs de la réparer rapidement.
• Partager les connaissances : Parce que cet ensemble de données est public, n'importe qui (étudiants, startups, autres compagnies pétrolières) peut le télécharger et essayer de créer de meilleurs outils de détection.

5. Ce que le papier ne prétend pas

• Il ne prétend pas que cette IA fonctionne actuellement dans chaque puits de pétrole du monde. C'est un outil pour la recherche et le développement.
• Il ne prétend pas avoir résolu le problème des déversements de pétrole ou des accidents. Il prétend fournir les données nécessaires pour construire des solutions qui pourraient les prévenir.
• Il ne discute pas des utilisations médicales ou d'autres industries, même si la technologie (analyse de séries temporelles) pourrait théoriquement être utilisée ailleurs. Le papier se concentre strictement sur les puits de pétrole.

En bref : Ce papier est une invitation au monde à utiliser une bibliothèque massive, améliorée et très réaliste de « bandes sonores » de puits de pétrole pour enseigner aux ordinateurs à devenir de meilleurs détectives, repérant les problèmes dans les puits de pétrole avant qu'ils ne deviennent une catastrophe.

Résumé technique

1. Énoncé du problème

Dans l'industrie pétrolière et gazière, les événements indésirables survenant dans les puits de pétrole (par exemple, pannes d'équipement, instabilités d'écoulement, formation d'hydrates) entraînent des pertes économiques importantes, des accidents environnementaux et des victimes humaines. Bien que l'Intelligence Artificielle (IA) et l'Apprentissage Automatique (ML) offrent des solutions prometteuses pour la Détection Précoce de ces événements grâce à la Gestion des Événements Anormaux (AEM), leur succès dépend fortement de la disponibilité de jeux de données réalistes, de haute qualité et étiquetés.

Avant ce travail, il existait un manque critique de jeux de données publics contenant des données industrielles réelles avec des événements indésirables rares. Les jeux de données existants manquaient souvent de la complexité des opérations réelles (par exemple, valeurs manquantes, gel des capteurs, bruit) ou n'étaient pas accessibles au public, entravant le développement de modèles de détection robustes et généralisables.

2. Méthodologie

L'article décrit l'évolution et la structure du 3W Dataset 2.0.0, un jeu de données de séries temporelles multivariées (MTS) géré par Petrobras. Le jeu de données est construit à l'aide de trois méthodes distinctes de génération de données pour assurer un équilibre entre réalisme, volume et couverture des événements rares :

A. Sources de données et méthodes de génération

1. Instances réelles (Données du monde réel) :

   • Source : Extraites des Systèmes de Gestion de l'Information des Usines (PIMS) de Petrobras, spécifiquement des environnements AVEVA PI System.
   • Caractéristiques : Ces instances préservent le « désordre » des données industrielles réelles, notamment les variables gelées, les valeurs manquantes et les valeurs aberrantes, qui sont laissées sans traitement pour défier les algorithmes à gérer les conditions réelles.
   • Échantillonnage : Fréquence de 1 Hz (intervalles de 1 seconde).
   • Étiquetage : Effectué par des experts de Petrobras à l'aide d'un outil web propriétaire, validé par un comité d'experts et finalisé par un conservateur.

2. Instances simulées (Simulation basée sur la physique) :

   • Source : Générées à l'aide d'OLGA, un simulateur d'écoulement multiphasique dynamique largement utilisé dans l'industrie.
   • Caractéristiques : Les données sont parfaitement périodiques, sans valeurs manquantes ni bruit. Utilisées pour générer des données sur des événements rares difficiles à capturer fréquemment dans les opérations réelles.
   • Étiquetage : Entièrement automatisé sur la base des paramètres de simulation.

3. Instances dessinées à la main (Connaissance experte) :

   • Source : Créées par des experts de Petrobras à l'aide d'un outil propriétaire de traitement d'images. Les experts ont dessiné manuellement des graphiques de séries temporelles représentant des signatures d'événements spécifiques.
   • Caractéristiques : Numérisées à partir de graphiques papier. Utilisées pour des événements à la fois rares et difficiles à simuler avec précision.
   • Étiquetage : Déduit directement des marques des experts sur les graphiques originaux.

B. Structure et nomenclature des données

• Format : Le jeu de données est organisé en fichiers Apache Parquet (orientés colonnes, compressés avec Brotli) pour un stockage et une récupération efficaces, remplaçant le format CSV de la version 1.0.0.
• Variables : Chaque instance contient 27 variables représentant des grandeurs physiques (pression, température, débit, états des vannes) à travers le système de production du puits (arbre de Noël sous-marin, umbilical, etc.).
• Étiquettes : Le jeu de données introduit un système d'étiquetage dual :
  • Étiquettes de classe : Indiquent la nature de l'événement (par exemple, Fonctionnement Normal, Augmentation Abrupte du BSW, Formation d'hydrates). Les codes vont de 0 (Normal) à 9 (Événements spécifiques) et de 101 à 109 (Conditions transitoires).
  • Étiquettes d'état : Indiquent le statut opérationnel du puits (par exemple, Ouvert, Arrêté, Rinçage au Diesel/Gaz, Bullheading, Dépressurisation).

C. Portée

Le jeu de données couvre les puits de production pétrolière offshore de type satellite opérant sans collecteur. Il inclut des données de 42 puits différents s'étendant de 2011 à 2023.

3. Contributions clés

La contribution principale de cet article est la publication et la documentation détaillée du 3W Dataset 2.0.0, qui représente une mise à niveau significative par rapport à la version 1.0.0. Les avancées clés incluent :

• Élargissement de la couverture des événements : Introduction d'un nouveau type d'événement, « Hydrate dans la ligne de service », et augmentation des instances pour les événements rares existants.
• Augmentation du volume de données :
  • Le nombre total d'instances est passé d'environ 1 984 à 2 228.
  • Les instances réelles ont augmenté de 94 ; les instances simulées ont augmenté de 150.
  • Le nombre de puits réels couverts a doublé (de 21 à 42).
• Ensemble de variables amélioré : Une variable a été abandonnée et 20 nouvelles variables ont été ajoutées, portant le total à 27, offrant une vue plus complète du système de production.
• Nouvelle dimension d'étiquetage : L'ajout d'Étiquettes d'état permet aux chercheurs de corréler des procédures opérationnelles spécifiques (par exemple, « Bullheading ») avec les comportements des variables, permettant un entraînement de modèle plus nuancé.
• Infrastructure :
  • Migration vers le format Parquet pour de meilleures performances.
  • Développement du 3W Toolkit (basé sur Python) pour faciliter le chargement des données, la visualisation et le calcul des métriques.
  • Établissement d'une Communauté 3W et d'un module Open Lab pour favoriser la recherche collaborative.

4. Résultats et statistiques

L'article fournit un aperçu statistique de la composition et de la qualité du jeu de données :

• Distribution : Le jeu de données contient 1 119 instances réelles, 1 089 instances simulées et 20 instances dessinées à la main.
• Métriques de réalisme : Le sous-ensemble de données réelles présente des défis significatifs du « monde réel » :
  • 65,90 % des observations de variables sont manquantes.
  • 9,77 % des variables sont gelées.
  • 5,26 % des observations ne sont pas étiquetées.
• Impact communautaire : L'article met en évidence l'adoption du jeu de données, citant plus de 100 travaux publiés (y compris thèses, articles de revues et communications de conférences) qui utilisent le 3W Dataset, démontrant son rôle croissant comme référence fondamentale pour la Détection et le Diagnostic de Pannes (FDD) dans l'industrie pétrolière.

5. Importance

Le 3W Dataset 2.0.0 est important pour plusieurs raisons :

1. Combler le fossé des données : Il répond à la pénurie de données temporelles industrielles publiques et étiquetées, spécifiquement pour les modes de défaillance rares et critiques dans les puits de pétrole.
2. Réalisme pour la robustesse : En préservant intentionnellement les imperfections des données (valeurs manquantes, capteurs gelés), il force le développement de modèles de ML suffisamment robustes pour être déployés dans des environnements industriels réels, plutôt que de fonctionner uniquement sur des données synthétiques propres.
3. Potentiel d'apprentissage par transfert : Le volume important et la diversité des données en font une ressource idéale de « pré-entraînement » pour les cadres d'apprentissage par transfert, permettant aux modèles entraînés sur ce jeu de données d'être affinés pour des tâches cibles spécifiques et pauvres en données.
4. Science ouverte et collaboration : Géré sous une licence CC BY 4.0 et hébergé sur GitHub/Figshare, il promeut l'innovation ouverte, permettant aux chercheurs, startups et exploitants de collaborer pour améliorer les systèmes de Détection Précoce, renforçant ainsi la sécurité et réduisant les pertes économiques dans le secteur de l'énergie.

En conclusion, l'article présente un jeu de données mature, piloté par la communauté et techniquement rigoureux, qui sert d'élément facilitateur essentiel pour faire progresser la sécurité et l'efficacité pilotées par l'IA dans l'industrie pétrolière et gazière.